Lernbasierte nachhaltige Multi-User Berechnungsentlastung für mobiles Edge-Quantencomputing

In diesem Papier wird ein neuartiges Paradigma des mobilen Edge-Quantencomputing (MEQC) vorgeschlagen, das Quantencomputing-Kapazitäten zu mobilen Edge-Netzwerken bringt, die näher an mobilen Nutzern (d.h. Edge-Geräten) sind. Zunächst schlagen wir ein MEQC-Systemmodell vor, bei dem mobile Nutzer Berechnungsaufgaben an skalierbare Quantencomputer über Edge-Server mit kryogenen Komponenten und fehlertoleranten Systemen auslagern können. Zweitens zeigen wir, dass es NP-schwer ist, eine zentrale Lösung für das Teilentlastungsproblem im MEQC hinsichtlich der optimalen Latenz und Energiekosten des klassischen und quantenmechanischen Rechnens zu erhalten. Drittens schlagen wir ein Multi-Agenten-Hybrides Diskret-Kontinuierliches Tiefenverstärkungslernen unter Verwendung der proximalen Politikoptimierung vor, um die langfristige nachhaltige Entlastungsstrategie ohne Vorwissen zu erlernen. Schließlich zeigen experimentelle Ergebnisse, dass der vorgeschlagene Algorithmus die Kosten im Vergleich zu den bestehenden Baseline-Lösungen unter verschiedenen Systemeinstellungen um mindestens 30% senken kann.