Summary
Bu çalışma, ağ ömrünü en üst düzeye çıkarmak için literatürdeki klasik yöntemlerden daha iyi performans göstermeye çalışan çeşitli trafik dinamiklerinin rotalarını hesaplamak için bir kuantum işlemci birimi kullanmak için bir yöntem sağlar.
Abstract
Klasik bir bilgisayar ve kuantum işlemcinin bir kullanım melezi olan sensör ağı enerji tasarrufu yönteminin, klasik bir bilgisayar kullanan sezgisel algoritmadan daha iyi performans gösterdiği kanıtlanmıştır. Bu yazıda, yöntemin önemine ilişkin teknik bağlam sunulmuş ve gerekçelendirilmiştir. Daha sonra deneysel adımlar, gerekirse resimlerle birlikte operasyonel bir sırayla gösterilir. Yöntem, rastgele oluşturulmuş bir ağ topolojileri örnek kümesinde olumlu sonuçlarla doğrulanmıştır. Bu yöntemin başarılı deneysel sonuçları, sensör ağı ömrü maksimizasyonu problemleri için daha iyi bir yaklaşım sağlamış ve mevcut son teknoloji kuantum işlemcinin, literatürdeki mevcut yöntemleri geçersiz kılan değerlerle büyük pratik mühendislik problemlerini çözebildiğini göstermiştir. Başka bir deyişle, kuantum avantajı en iyi çabalar için kullanılabilir. Kavram ispatı aşamasının ötesine geçerek fizibilite ispatına geçmiştir.
Introduction
Sensör ağlarında enerji tasarrufu, tasarım1'de çok kritik bir konu olmuştur. Klasik yöntemler normalde sorunu geçicibir yaklaşım 2,3,4,5,6 kullanarak çözer. Bununla birlikte, bu yöntemler sensör düğümlerini hem bireyin hem de toplumun çıkarlarına hizmet etmek için işbirliği yapabilecek, bireysel olarak yönetilen akıllı varlıklar olarak taklit eder. Sensörlerin çalıştığı değişken ortam nedeniyle, bazı çalışmalarda çevresel belirsizlikleri yakalamak için rastgele algoritmalar tanıtılırken, diğerlerinde biyo-zeka, sağduyulu kabul edilebilir sonuçlar elde edebilecek sezgisel algoritmalar tasarlamak için ödünç alınır7. Daha fazla açıklamak gerekirse, bu rastgele algoritmalar için, bir yandan, çevresel belirsizlikler klasik bir CPU tarafından oluşturulan rastgele dizi kadar rastgele olmayabilir, diğer yandan, çevresel belirsizlikler kesinlikle rastgele olsa bile, klasik CPU tarafından oluşturulan rastgele işlem simülatörü tarafından yakalanamazlar; Bu biyo-zeka algoritmaları için, her şeyden önce, kavramsal bir ispatın işe yaraması için titiz bir matematiksel analiz türetilmemiştir, ikincisi, gerçeğe yakınsama veya hata tolerans sınırı yalnızca bilgilendirilmiş bir temel gerçek göz önüne alındığında yapılandırılabilir - literatürdeki önemli miktarda çalışma bu sezgisel algoritmaların bir dereceye kadar çalıştığını göstermiş olsa da, Birincisi, bu algoritmalar iyi tanımlanmış kullanım senaryolarına karşı analiz edilir (simüle edilmez), daha fazla araştırmada hala düşünmeye değer belirli kriterlerde dururlar, bir diğeri için, daha önce de belirtildiği gibi, algoritmaların çoğu, bir sensörü 8 haline getiren mikroişlemcilerde daha kolay konuşlandırılabilen yazılım simülasyonuna karşı doğrulanmamıştır.
Burada makine öğrenimini (ML) dikkate almıyoruz çünkü sensör cihazlarında taşınabilir olmayan nispeten büyük miktarda hesaplama gücü gerektiren veri analitiği kullanması gerekiyor9.
Yukarıda belirtilen endişeleri gidermek için hibrit bir kuantum algoritması sağlıyoruz. Algoritma, ağ topolojisi kurulduktan sonra bir kuantum işlemci kullanılarak gerçekleştirilen yönlendirme hesaplamaları sırasında küme kafası seçim mekanizmasının klasik bir rastgele algoritma kullanılarak uygulanması bakımından hibrittir. Yöntem şu şekilde gerekçelendirilir: (1) Çevresel belirsizliklerle ilgili ilk paragrafta tartışıldığı gibi, çevresel dinamiği yakalamak için bir kuantum dizisi üreteci uygulamak için daha fazla çaba sarf etmek istemiyoruz, çünkü tarihsel olarak izlenebilir olabilir. Tarihsel olarak izlenebilir olan çevresel dinamik, ağ bilimindeki çeşitli makine öğrenimi araştırma çalışmaları ile doğrulanmıştır. Mevcut aşama için klasik yaklaşımla kalıyoruz. (2) Soyut matematiksel analize dayanan kesin yöntem, temel gerçeğe ulaşmayı garanti eder. Kuantum deneysel fiziği şimdiye kadar fiziksel matematik tarafından sofistike bir şekilde desteklenmiştir. Dahası, bu yuvarlak teoriyi kanıtlamak için Shor algoritması10 gibi algoritma uygulamaları mevcuttur.
Karşılaştırma için yeterli miktarda literatür taraması aşağıda verilmiştir. ÖnerilenHEESR protokolü 11'in sonuçlarda kanıtlanabilir yararları vardır, ancak yazarlar simülasyon konfigürasyon parametrelerini iyi belirtmişlerdir, örneğin, düğüm konumunun tam rastgele dağılım fonksiyonu, küme başı yüzdesinin uygun gerekçesi p (% 0.2) ve enerji seviyesinin dağılımı için ölçeklendirme parametresi (1-2 joule) düğümler arasında a_i. Yazarın deneyleri çoğaltmak ve karşılaştırmayı yapmak için daha fazla ilerlemesini yasakladı. Güç yönlendirme mekanizması12 , optimum ağ yönlendirmesinin karar sürecini etkileyen belirleyiciler için belirtilmemiş örnek uzaydan elde edilen ayrık veri kümelerinden yakınsanmış sürekli fonksiyonlara yaklaşmak için eğri uydurma yöntemini kullanır. Eğri uydurma yöntemi13 , ağ topolojisi hakkında önceden bilgi gerektirir. Gerçek koşullar, önceden hazır bilgilere sahip olmayabilir. Önceden bilgi mevcut olsa bile, ağ topolojisi, türetilebilir hesaplamayı kolaylaştırabilen uydurma eğrilerine eşlenebilecek kadar düzenli olmayabilir. Aynı mantığı izleyerek, DORAF protokolü14 , ağ belirleyicilerini yaklaşık olarak tahmin etmek için Boltzmann fonksiyonunu ve Lojistik Fonksiyonunu nasıl ve neden ödünç alacağını gerekçelendirmemiştir. İsmail ve ark.15 , sualtı ağında enerji verimli yönlendirme protokolü tasarımına yönelik gelecekteki araştırma çabaları için sağlam bir referans sağlamıştır.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Dwave Okyanus Ortamının Kurulması
- Okyanus araçlarını bağlantıdan indirin ve kurun: https://docs.ocean.dwavesys.com/en/stable/overview/install.html
- Terminalde python -m venv ocean yazın.
- Terminalde, Şekil 1'de gösterildiği gibi ocean/bin/activate yazın.
- Terminalde git clone https://github.com/dwavesystems/dwave-ocean-sdk.git yazın
Ardından, Şekil 2'de gösterildiği gibi cd dwave-ocean-sdk yazın.
Ardından, python yazın setup.py kurun
Şekil 1: Okyanus sanal ortam aktivasyonu. Ocean paketi, entegre D-wave API olarak, kullanıcının kendi bilgisayarı üzerinden D-wave makine öncülüne bulutlu bir kullanıcı deneyimi sağlar. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 2: Ocean SDK kurulumu. Ocean paketi, kullanışlı bir Cplex kurulumu da dahil olmak üzere geliştiriciler için gerekli araç kitlerini sağlar. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
2. Cplex Python API arayüzünün kurulumu
- Cplex'i indirin ve yükleyin: https://pypi.org/project/cplex/
- Terminalde pip install cplex yazın.
3. Deneme yapılandırma parametreleri
- Ek Şekil 1'de gösterildiği gibi, betikteki Python programlama gösterimini kullanarak Tablo 1'de belirtilen deneme yapılandırma parametrelerini ayarlayın. Komut dosyası çalıştırıldıktan ve yürütüldükten sonra, temel alınan dil, değişkenleri RAM'de depolamak için işleyecektir. Parametrelerin sırasıyla değerlerin atandığı Python kodlarının ekran görüntüsü eklenmiştir (Ek Şekil 1).
| d0 | 87,7085 milyon |
| E | 50 * 1 x 10-09 joule |
| epson_fs | 1 * 10-12 * 10 joule |
| epson_mp | 0.0013 * 1 * 10-12 joule |
| Paket boyutu | 4000 bit |
Tablo 1: Enerji modeli parametresi ve paket boyutu ayarları.
Ek Şekil 1: Komut Dosyası1. Deneme parametrelerini ayarlamak için komut dosyası. Bu Dosyayı indirmek için lütfen buraya tıklayın.
4. Python komut dosyaları
- Dairesel alanı 50 m yarıçapla bölen altı sektöre eşit olarak dağılmış 198 sensör düğümü 2B konumu oluşturmak için Python komut dosyalarını hazırlayın.
NOT: Dairesel grafik 6 sektöre ayrılmıştır. Her sektörde, her düğümün konumu karşılık gelen iki değişkenle ele alınır. Biri açı, diğeri yarıçaptır. Tekdüzen bir rasgele dağılım üreteci kullanarak hem açıya hem de yarıçapa değerler atayın. Ayrıntılı prosedür Ek Şekil 2 ve Ek Şekil 3'te gösterilmiştir. - Her sektörde, 33 sensör düğümünün normal bir dağılımla rastgele dağıldığından emin olun. 2B konumları her sektöre göre ' posdata'+sector_no+'.txt' olarak yazım kuralı adı altında metin dosyalarına kaydedin (Şekil 3 ve Şekil 4).
- 50 m yarıçaplı dairesel alanı altı sektöre bölün. Bu altı sektör için başlangıç açısal değerleri vektörü A= [60,120,180,240,300,360] yapar.
- Sektör indeksinin i olduğunu varsayalım, jinci sensör düğümü için kutup uzunluğunu l_{i,j}=50*random.random() olarak ayarlayın.
- Sektör indeksinin i olduğunu varsayalım, jinci sensör düğümü için açısal değeri ang_{i,j}=(60*random.random() + A_i - 60) * 2 * pi / 360 olarak ayarlayın
- Sektördeki jinci sensör düğümünün Kartezyen koordinatlarını şu şekilde ayarlayın:
x_{i,j}=l_{i,j}*cos(ang_{i,j})
y_{i,j}=l_{i,j}*sin(ang_{i,j})
- 50 m yarıçaplı dairesel alanı altı sektöre bölün. Bu altı sektör için başlangıç açısal değerleri vektörü A= [60,120,180,240,300,360] yapar.
Ek Şekil 2: Script2. Sektöre göre her düğüm için iki boyut konumu konumunu yapılandırmak için komut dosyası. Bu Dosyayı indirmek için lütfen buraya tıklayın.
Ek Şekil 3: Komut Dosyası3. 1 sektör içindeki her düğüm konumu değerini yapılandırmak için komut dosyası. Bu Dosyayı indirmek için lütfen buraya tıklayın.
Şekil 3: Oluşturulan ve depolanan düğüm konumları, her biri bir sektöre karşılık gelen 6 dosyaya ayrılmıştır. İki boyutlu konum konumları 6 posdata+'idx' dosyasına kaydedilir. Her biri bir sektör sunar. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 4: Sektör 0'da depolanan düğüm konumları. Pozisyonlar iki boyutludur ve tek tip bir rastgele üreteç kullanılarak oluşturulur. İlk sütun yatay konumlar, ikinci sütun ise dikey konumlardır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
5. İlk enerji seviyelerinin hazırlanması
- 198 sensör düğümünün tümü için başlangıç enerji seviyelerini hazırlayın. Bunların yarısını başlangıç enerjisi 0,5 J'de, diğer yarısını başlangıç enerjisi 1 J'de atayın. Her düğümün enerji seviyesini depolamak için bir dizi oluşturun ve çift sayılarda sıralanmış hücrelere 1 değerini ve tek sayılarda sıralanmış hücrelere 0,5 değerini atamak için bir döngü kullanın. Ek Şekil 4'te Python kodları gösterilmektedir ve sonuç Şekil 5'te gösterilmiştir.
Ek Şekil 4: Komut Dosyası4. Düğümün enerjisinin yarısını 1 joule ve diğer 0,5 joule atamak için komut dosyası. Bu Dosyayı indirmek için lütfen buraya tıklayın.
Şekil 5: Energy_buffer ilk atama. Düğümlerin yarısına 1 joule enerji atanırken, diğer yarısına 0,5 joule atanır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
6. Advanced_Leach algoritma komut dosyası hazırlama (Şekil 6 ve Şekil 7)
- Küme başlığının seçildiği ve kümenin oluşturulduğu işlevsel bir komut dosyası hazırlayın.
NOT: Küme, seçilen küme başı sayısının toplam düğüm sayısının 6'ya bölünmesinden az olması koşuluyla bir döngü kullanılarak seçilir. Koşul, her küme içinde kaynak düğüm miktarının 6'ya eşit veya 6'dan az olmasını sağlamaktır. Döngü içinde, her düğüme [0,1] arasında rastgele bir sayı atanır. Belirli bir ölçüt numarasından daha küçük olanlar küme başkanı olurken, diğerleri kaynak düğümler olur. Ayrıntılı prosedür Ek Şekil 5'te gösterilmiştir. Daha sonra sabit bir küme başı havuzu verildiğinde, küme başının henüz 6'dan fazla kaynak düğüm barındırmadığı göz önüne alındığında, kaynak düğümlerin geri kalanı küme başlıklarını en kısa mesafeden seçer. Ayrıntılı prosedür Ek Şekil 6'da gösterilmiştir.- T_n=P/(1-P*(count%(1/P)))) olarak ayarlayın, burada P = 0,2 (küme başkanlarının sayısının genel ağ boyutuna orantısal oranı) ve sayı, bugüne kadar yuvarlanan iletim miktarıdır.
- Her sensör düğümü için, [0,1] threshold_rm = random.random() arasında rastgele bir sayı elde edin
- threshold_rm T_n'den küçükse, küme başlığı olarak bu algılayıcı düğümünü seçin.
- cluster_head olmayan düğümlerin her biri için, küme başı olarak ona en yakın küme başı algılayıcı düğümünü seçin. Sabit bir küme başı havuzu verildiğinde, küme başının henüz 6'dan fazla kaynak düğüm barındırmadığı göz önüne alındığında, kaynak düğümlerin geri kalanı küme başlıklarını en kısa mesafede seçer. Ayrıntılı prosedür Ek Şekil 6'da gösterilmiştir.
- Bu tur için tüm ağdaki enerji tükenme sürecini hesaplamak için komut satırlarını hazırlayın. Paketlerin kaynak düğümlerden havuza bir toplu teslimatını tamamlayan algoritmanın her çalıştırması için, hazırlandığı şekliyle enerji depolama dizisi, değerlerde hücre hücre azaltılmış olacak şekilde güncellenecektir. Yol boyunca enerji tüketimi, bir enerji modeli1'e göre hesaplanan düğümden düğüme yol başına enerji tüketiminin toplamı olacaktır. Ayrıntılı prosedür Ek Şekil 7'de gösterilmiştir.
- Gerekli iletim turu metriklerini hesaplayın.
NOT: Bir toplu paket teslimini tamamlamak için algoritmanın her çalıştırması için enerji dizisi güncellenir, çalışma miktarı ve boşaltılan düğümlerin sayısı sayılır. Değer 1'e eşit veya daha büyükse, FND (ilk düğüm kalıbı) geçerli çalışma miktarına eşittir. Değer, düğüm miktarının yarısına eşit veya daha büyükse, HND (yarım düğüm kalıbı) geçerli çalışma miktarına eşittir. Değer genel düğüm miktarına eşitse, AND (tüm düğüm kalıbı) geçerli çalışma miktarına eşittir. Ayrıntılı prosedür Ek Şekil 8'de gösterilmiştir.
Şekil 6: Küme başlığı dizisi. Küme başkanları olarak seçilen düğümlerin sıra numaraları. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 7: Küme başı dizin dizisi. Küme başı indeks dizisinde her biri 33 sensör düğümüne sahip altı sektör olduğundan, sayı, ilgili sensör düğümünün ait olduğu küme kafasının sıra numarasını gösterir. Dizinin konum indeksi, her sensör düğümünün sıra numarasına karşılık gelir. Küme başı olarak seçilen algılayıcı düğümü için, dizideki yuvasına atanan numara, kendisinin sıra numarasıdır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Ek Şekil 5: Komut Dosyası5. Küme başlığını seçmek için komut dosyası. Bu Dosyayı indirmek için lütfen buraya tıklayın.
Ek Şekil 6: Komut Dosyası6. Kümelere kaynak düğümler atamak için betik. Bu Dosyayı indirmek için lütfen buraya tıklayın.
Ek Şekil 7: Komut Dosyası7. İletim yoluyla tüketilen enerji miktarını azaltarak tüm kaynak düğümler için enerji arabelleğini güncellemek için komut dosyası. Bu Dosyayı indirmek için lütfen buraya tıklayın.
Ek Şekil 8: Komut Dosyası8. İlk düğümün öldüğü ve düğümlerin yarısının öldüğü yuvarlama miktarını hesaplamak için komut dosyası. Bu Dosyayı indirmek için lütfen buraya tıklayın.
7. Hibrit kuantum algoritma komut dosyası hazırlama
- Küme başlığının seçildiği ve küme başlığının oluşturulduğu çalışan bir komut dosyası hazırlayın.
- Bu deney1'de maksimum küme boyutu 6 olduğundan, küme başı miktarının current_valid_node_amount/6'dan az olmadığından emin olun, seçim prosedürü bu kriter karşılanana kadar bir döngü içinde çalıştırılacaktır.
NOT: current_valid_node_amount 6'dan büyük değilse, bu geçerli düğümler tek ve tek bir küme oluşturur. - cluster_head_valid olmayan düğümlerin her biri için, seçilen küme başlıklarının her birine olan mesafesini hesaplayın ve buna, uzaklık değerinin en küçük olduğu küme boyutu 6'yı geçmeyen küme başlığını atayın.
NOT: Şekil 8'de, cluster_head_valid olmayan tüm düğümlerin seçilen küme başlığına 24 olan mesafeleri hesaplanır ve seçilen tüm küme başlığı Şekil 9'da görüntülenir. Şekil 10'da , karşılık gelen küme başlığına atanan tüm düğümler görüntülenir ve Şekil 11'de her kümenin üye düğümlerinin bir vektör dizisinde gruplandırılması gösterilmektedir.
- Bu deney1'de maksimum küme boyutu 6 olduğundan, küme başı miktarının current_valid_node_amount/6'dan az olmadığından emin olun, seçim prosedürü bu kriter karşılanana kadar bir döngü içinde çalıştırılacaktır.
- Küme başına yönlendirme optimizasyonu sorununun oluşturulduğu ve D-wave API'sine gönderildiği alt işlev komut dosyasını hazırlayın (Şekil 12). Yönlendirme yolları küme küme hesaplanır.
- Python komut dosyasını kullanarak, algoritmayı iletim turlarının sayısı açısından ağ ömrüne göre nicel olarak değerlendirmek için tüm ağdaki enerji tükenme sürecini hesaplayın.
NOT: Paketlerin kaynak düğümlerden havuza bir toplu teslimatını tamamlayan algoritmanın her çalıştırması için, hazırlandığı şekliyle enerji depolama dizisi, değerlerde hücre hücre azaltılmış olacak şekilde güncellenecektir. Yol boyunca enerji tüketimi, bir enerji modeli1'e göre hesaplanan, düğümden düğüme yol başına enerji tüketiminin toplamı olacaktır. Ayrıntılı prosedür Ek Şekil 7'de gösterilmiştir. - Python betiğini kullanarak, ilk düğümün boşaltıldığı ve düğümlerin yarısının boşaltıldığı anı kaydedin. Ayrıntılı prosedür Ek Şekil 8'de gösterilmiştir.
Şekil 8: 24 indeksli cluster_head olmayan düğüm için toClusterHeadDistance Dizisi. İlk sütun uzaklık, ikinci sütun ise küme başı dizin numarasıdır Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 9: CHID_buff dizisi. Küme başlıkları olarak seçilen algılayıcı düğümlerinin sıra numaraları. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 10 CHIdx_buff dizisi. Küme başı algılayıcı düğümlerinin sıra numarası, karşılık gelen her algılayıcı düğümüne atandı. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 11: CH_BUFF dizisi. Dizi CHID_buff karşılık gelen küme başı algılayıcı düğümleri başına küme grubu. Her küme grubu 0 veya 0'dan fazla algılayıcı düğümünden oluşur. Her küme grubu dizisi, içindeki algılayıcı düğümlerinin sıra numaralarını görüntüler. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 12: Sektör başına yönlendirme yolu hesaplaması. Her sektör için, tüm kaynak düğümlerin yönlendirme yolları hesaplanır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Bir çalıştırma örneğinden elde edilen sonuçlar Tablo 2, Tablo 3 ve Tablo 4'te gösterilmiştir. Üç veri grubu için ayrıntılı veri kümeleri Ek Veri 1 klasöründe mevcuttur.
| Veri kümesi 1 | ||
| 50m yarıçaplı dairesel bir alanda 198 düğüm | Hibrit Kuantum Algoritması | Advanced_Leach Algoritması |
| FND (Türkçe) | 1442 | 727 |
| HND | 2499 | 1921 |
Tablo 2: Deneyden elde edilen sonuçların 1. grubu.
| Veri kümesi 2 | ||
| 50m yarıçaplı dairesel bir alanda 198 düğüm | Hibrit Kuantum Algoritması | Advanced_Leach Algoritması |
| FND (Türkçe) | 757 | 1463 |
| HND | 1925 | 2500 |
Tablo 3: Deneyden elde edilen sonuçların 2. grubu.
| Veri kümesi 3 | ||
| 50m yarıçaplı dairesel bir alanda 198 düğüm | Hibrit Kuantum Algoritması | Advanced_Leach Algoritması |
| FND (Türkçe) | 790 | 1461 |
| HND | 1888 | 2500 |
Tablo 4: Deneyden elde edilen sonuçların 3. grubu.
Tanımlar4 ile aşağıdaki gibi üç metrik seçilir:
FND - ilk düğüm kalıbı. İlk sensör düğümü enerjisinin boşaltıldığı iletim sayısı;
HND - yarım düğüm kalıbı. İletim sayısı, sensör düğümlerinin enerjisinin yarısının boşaltıldığı miktara yuvarlanır;
LND - son düğüm ölür. İletim sayısı, tüm sensör ağının öldüğü yuvarlanır.
Elde edilen sonuçlardan, hibrit kuantum algoritmasının advanced_leach algoritmasından daha fazla verimliliğe sahip olduğunu görebiliriz.
Önerilen yöntemin zaman karmaşıklığının ve uyum grafiğinin diğer sonuçları sırasıyla Şekil 13 ve Şekil 14'te gösterilmektedir.
Şekil 13: Hibrit Kuantum algoritmasının zaman karmaşıklığı. Çeşitli ağ boyutlarında bir HQA döngüsünü çalıştırmak için harcanan saniye birimindeki süre. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 14: Gelişmiş Leach algoritmasıyla uyumlu Hibrit Kuantum algoritmasının sonuçları. FND ve HND veya HQA ve ALA benzer bir çizim şekli modelini paylaşır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Ek Veri 1: Bu çalışmada gerçekleştirilen üç deney grubunun veri seti. Bu Dosyayı indirmek için lütfen buraya tıklayın.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Mevcut son teknoloji ticari kuantum işlemcisi, herhangi bir ağ topolojisinin hesaplama problemlerindekullanılabilir 1. Kuantum işlemci uygulaması, kuantum işlemcilerden herhangi birinin uygulayabildiği fiziksel qbit sayısıyla kısıtlanmaz.
Sensör ağı ömrünü uzatma tasarımında sonuçlar, bir kuantum işlemci kullanarak daha da uzun ağ ömrü elde etmek için yöntemde bir ilerleme olduğunu göstermektedir. Sonuçlar, kuantum avantajının hem kamu hem de özel sektörde ticari olarak kullanılmaya hazır olduğunu göstermektedir.
Yönetimsel çıkarımlar için, Quantum Advantage, yakın gelecekte Hi-Tech sürdürülebilir refahı için umut verici bir yol açan bir sonraki kilometre taşı olabilir. Mevcut Yüksek Teknoloji, Öğrenme stratejisi ve/veya Yapay Zeka (AI) açısından, herhangi bir yöntemde verileri işlemek/tutmak için güç sürücüsünü gerektirir. Yeşil Küre'nin üst düzey bir perspektifinden bakıldığında, iyi bir aday olarak öne çıkmıyor16. ML/AI, hesaplamayı ekonomik olarak daha verimli hale getirse de, verimli bilgi işlem, yüksek güçlü hesaplama tesisleri tarafından takas edildiğinden, temel neden analitik çözümü sağlamaz. Bu nedenle, temel olarak yüksek performanslı bilgisayar (HPC) ile sınırlıdırlar. Bilgi işlem paradigmasında devrim yaratan kuantum hesaplama, birden fazla pratik deneme uygulamasında eski bilgisayarlardan daha hızlı bilgi işlemde etkili olduğunu kanıtlamıştır17,18. Kuantum destekli makine öğrenimi, yazara göre, PML'dir (olasılıksal makine öğrenimi). ML algoritması (komut dosyası/yüksek-düşük seviyeli programlama dili), klasik bir bilgisayar veya kuantum hesaplama olabilen bir bilgi işlem cihazı üzerinde çalışır. Yürütülebilir komut satırlarının aynı ML algoritması n verildiğinde, f_cc(n) klasik bilgisayarlar için hesaplamadaki tüketimi ve f_qc(n) kuantum bilgisayarlar için hesaplamadaki tüketimi göstersin. f_cc(n), n komut satırı için klasik bilgisayar çalıştırılabilir alpha_i hesaplama tüketiminin ağırlıklı bir toplamıdır. f_qc(n), eşit derecede aynı n komut satırı için kuantum bilgisayar yürütülebilir alpha_j hesaplama tüketiminin eşit ağırlıklı bir toplamıdır. Üst düzey ML komut satırları eşit derecede aynı olduğu için ağırlıklar değişmeden kalır. Basitçe söylemek gerekirse, bu çalışma ve önceki çalışma1, alpha_j'nin her zaman alpha_i'den küçük olduğunu göstermiştir, bu nedenle f_qc(n) her zaman f_cc(n)'den küçüktür.
Akademik Çıkarımlar ile ilgili olarak, önceden kurulmuş işlemciler / bilgi işlem tesisleri, araştırmacıların fikirlerini ve planlarını düşünmelerine/üretmelerine/geliştirmelerine yardımcı olmak için geleneksel olarak kullanılır. Kuantum hesaplama, araştırmacıların metodolojik yaklaşımının destansı bir evrim beklediğini gösteriyor. Yıkıcı olabilir ama iyimser. Şu andan itibaren, teorik algoritma tasarımına/analizine alışkın olmayan araştırmacıların, araştırma konularını çözmek için kuantum algoritmaları tasarlamak/üretmek için el ele çalışmaları gerekiyor. Pratik araştırma için çoğu kuantum algoritması kolayca mevcut değildir. Tek bir cümleyle, araştırmacıların bilgi işlem cihazları değişti. Sanal ortam kurulumu ve QPU API'si tamamen tatmin edici bir internet bağlantısına dayanır.
Çalışmanın sınırlılıkları şunları içerir: (i) Bağlantı kapasitesi dikkate alınmamıştır1. Paket kaybı oranı göz ardı edilir. Gelecekteki çalışmalar, hem enerji tüketimini hem de kayıp kontrolünü (yeniden iletim şeması ile olsun ya da olmasın) göz önünde bulundurarak sorunu uygun şekilde formüle etmek için altta yatan sensör ağ protokolünü dikkate alacaktır. (ii) Ağ topolojisinin önceden bilindiği varsayılır. Düğüm pozisyonları sabittir. (iii) Tur başına hibrit kuantum algoritmasını çalıştırmak için gereken süre, Gelişmiş Leach algoritmasından daha uzundur ancak daha yüksek doğruluktadır. (iv) Algoritma çevrimdışı çalışamadı.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Hiç kimse
Acknowledgments
Çalışma, Birleşik Krallık Mühendislik ve Fizik Bilimleri Araştırma Konseyi (EPSRC) EP/W032643/1 numaralı hibe tarafından desteklenmektedir.
Materials
| Name | Company | Catalog Number | Comments |
| Dell Laptop | Dell | N/A | |
| Ubuntu 18.04.6 LTS | Canonical Ltd | 18.04.6 LTS | |
| Python3.8 | Python Software Foundation | 3.8.0 | |
| Dwave QPU | Dwave | https://docs.ocean.dwavesys.com/en/stable/overview/install.html |
References
- Chen, J., Date, P., Chancellor, N., Atiquazzaman, M., Cormac, S. Controller-based energy-aware wireless sensor network routing using quantum algorithms. IEEE Transactions on Quantum Engineering. 3, 1-12 (2022).
- Lin, H., Uster, H. Exact and heuristic algorithms for data-gathering cluster-based wireless sensor network design problem. IEEE/ACM Transactions on Networking. 22 (3), 903-916 (2014).
- Zhou, Y., Wang, N., Xiang, W. Clustering hierarchy protocol in wireless sensor networks using an improved PSO algorithm. IEEE Access. 5, 2241-2253 (2017).
- How long is the lifetime of a wireless sensor network. Seah, W. K. G., Mak, N. H. 2009 International Conference on Advanced Information Networking and Applications, Bradford, UK, , 763-770 (2009).
- Salahud din, M., Rehman, M. A. U., Ullah, R., Park, C., Kim, B. S. Towards network lifetime enhancement of resource constrained IoT devices in heterogeneous wireless sensor networks Sensors. 20, 4156 (2020).
- Wu, W., Xiong, N., Wu, C. Improved clustering algorithm based on energy consumption in wireless sensor networks. IET Network. 6 (3), 7-53 (2017).
- Kumar, N., Kumar, V., Ali, T., Ayaz, M. Prolong network lifetime in the wireless sensor networks: An improved approach. Arabian Journal for Science and Engineering. 46, 3631-3651 (2021).
- Faris, H., Aljarah, I., Al-Betar, M. A., Mirjalili, S. Grey wolf optimizer: A review of recent variants and applications. Neural Computing and Applications. 30, 413-435 (2018).
- Kaur, J., Arifkhan, M., Iftikhar, M., Imran, M., Haq, A. Machine learning techniques for 5G and beyond. IEEEAccess. 9, 23472-23488 (2021).
- Shor, P. Polynomial-time algorithms for prime factorization and discrete logarithms on a quantum computer. SIAMJournalonComputing. 26 (5), 1484-1509 (1997).
- Qabouche, H., Sahel, A., Badri, A. Hybrid energy efficient static routing protocol for homogeneous and heterogeneous large scale WSN. Wireless Networks. 27, 575-587 (2021).
- Farooq, M., et al. POWER: probabilistic weight-based energy-efficient cluster routing for large-scale wireless sensor networks. The Journal of Supercomputing. 78, 12765-12791 (2022).
- Maddams, W. F. The scope and limitations of curve fitting. Applied Spectroscopy. 34 (3), 245-267 (1980).
- Wang, X., et al. A dynamic opportunistic routing protocol for asynchronous duty-cycled WSNs. IEEE Transactions on Sustainable Computing. , (2023).
- Ismail, A. S., Wang, X., Hawbani, A., Alsamhi, S., Aziz, S. Routing protocols classification for underwater wireless sensor networks based on localization and mobility. Wireless Networks. 28, 797-826 (2022).
- Garcia-Martin, E., Rodrigues, C. F., Riley, G., Grahn, H. Estimation of energy consumption in machine learning. Journal of Parallel Distributed Computing. 134, 75-88 (2019).
- Egger, D. J., et al. Quantum computing for finance: State-of-the-art and future prospects. IEEE Transactions on Quantum Engineering. 1, 1-24 (2020).
- Rasool, R. U., Ahmad, H. F., Rafique, W., Qayyum, A., Qadir, J. Quantum computing for healthcare : A review. TechRxiv. , (2021).
