Bu tədqiqat hərəkətdə olan cihazların hesablama tapşırıqlarını yerli prosessor, uzaq CPU/GPU və ya QPU resursları arasında dinamik şəkildə necə bölüşdürəcəyini araşdıran hibrid mobil kənar–kvant hesablama modeli hazırlayır. Tədqiqatçılar zamanla əlaqəli tapşırıq ötürmə problemini həll etmək üçün Lyapunov optimallaşdırmasını, diskret tapşırıq rejiminin seçilməsi üçün Deep Q-Network (DQN) yanaşmasını və qismən tapşırıq ötürmə əmsalı üçün Deep Deterministic Policy Gradient (DDPG) alqoritmini birləşdirirlər; Qauss–Markov hərəkətlilik modelindən istifadə edilən, 15 mobil cihazlı ədədi simulyasiyalarda təklif olunan DRL əsaslı Lyapunov yanaşması müqayisə edilən CPU-only, QPU-only və təsadüfi seçim üsullarından daha aşağı zaman-orta xərc təmin edir. Araşdırılan şərtlərdə p^max=0,4 dBm və uzunmüddətli uzaqdan ötürmə hədəfi Δ=0,7 ən aşağı orta xərclə əlaqələndirilir. Bununla belə, nəticələr real mobil kvant şəbəkəsində və ya fiziki QPU üzərində başdan-başa doğrulama deyil; onlar kvant emal müddəti, enerji sərfiyyatı və səhv ehtimalı daxil olmaqla çoxsaylı komponentlərin riyazi modelləşdirildiyi simulyasiya tədqiqatına əsaslanır.

Tədqiqatın əsas ideyası hər bir hesablama tapşırığını məcburi olaraq yalnız klassik və ya yalnız kvant resursuna göndərmək əvəzinə, cihazın mövqeyi, simsiz kanal şəraiti, tapşırığın ölçüsü, gecikmə həddi, CPU tutumu, QPU üçün tələb olunan qubit sayı və modelləşdirilmiş kvant hesablama uğuru ehtimalı kimi dəyişənlərə əsasən qərar qəbul etməkdir. Dördüncü seçim olan qismən ötürmədə tapşırığın bir hissəsi cihazda yerli şəkildə icra edilərkən, qalan hissə uzaq klassik və ya kvant resursuna göndərilə bilər.

Tədqiqat hansı problemi həll etməyə çalışır?

Mobil edge computing sistemlərində hesablama baxımından intensiv tapşırıqların hamısını telefon, IoT cihazı və ya başqa bir kənar cihazda icra etmək enerji və emal tutumu baxımından baha başa gələ bilər. Tapşırığın uzaq serverə ötürülməsi isə simsiz məlumat ötürmə müddəti və enerji xərci yaradır. Bunlara mobil cihazın hərəkəti, kanal keyfiyyətinin zamanla dəyişməsi və tapşırıqların müxtəlif ölçü və gecikmə tələblərinə malik olması əlavə edildikdə, qərar problemi tək bir zaman anının optimallaşdırılmasından çıxaraq uzunmüddətli planlaşdırma probleminə çevrilir.

Mənbə işindəki tədqiqat boşluğu da məhz burada müəyyənləşdirilir. Əvvəlki hibrid mobil kənar–kvant hesablama tədqiqatlarının əsasən ani və ya statik resurs bölgüsünə yönəldiyini bildirən tədqiqatçılar cihaz hərəkətliliyini və tapşırıqların zamanla dəyişməsini nəzərə alan uzunmüddətli tapşırıq ötürmə sistemi qurmağı qarşılarına məqsəd qoyurlar.

Hibrid MEQC arxitekturası necə qurulur?

Şəkil 1-dəki sistem modeli əhatə dairəsindəki heterogen mobil cihazların giriş nöqtəsi vasitəsilə mərkəzi bulud serverinə qoşulduğu arxitekturanı göstərir. Serverin yalnız klassik CPU/GPU resurslarına deyil, QPU resurslarına da malik olduğu qəbul edilir. Mobil cihazla giriş nöqtəsi arasındakı əlaqə mobil, giriş nöqtəsi ilə mərkəzi bulud arasındakı əlaqə isə fiber kimi modelləşdirilir.

Sistemdə \(M\) mobil cihaz var və hər bir cihaz \(r\) zaman dilimində fərqli hesablama tapşırığı ala bilər. Klassik hesablama baxımından tapşırıq mənbədə təxminən

\[ \mathcal{J}_m[r]= \left\{ d_m[r], q_m[r], t_m^{\max}[r] \right\} \]

şəklində müəyyən edilir. Burada \(d_m[r]\) tapşırıq məlumatının ölçüsünü, \(q_m[r]\) hər bir məlumat vahidi üçün tələb olunan CPU dövrlərini, \(t_m^{\max}[r]\) isə tapşırıq üçün icazə verilən maksimum gecikməni ifadə edir.

Dörd fərqli tapşırıq ötürmə rejimi

Şəkil 2 tədqiqatın qərar mexanizminin əsasını təşkil edən dörd rejimi vizual olaraq ayırır.

Qismən ötürmə əmsalı

\[ \phi_m[r]\in[0,1] \]

ilə ifadə olunur. \(\phi_m=0\) tapşırığın tamamilə yerli icra edilməsinə, \(\phi_m=1\) tamamilə uzaq serverə ötürülməsinə, \(0<\phi_m<1\) isə tapşırığın bölünməsinə uyğun gəlir.

Simsiz rabitə xərci necə hesablanır?

Cihazla giriş nöqtəsi arasındakı məlumat sürəti Şennon tipli ifadə ilə modelləşdirilir:

\[ R_{m,0}[r] = B\log_2 \left( 1+ \frac{p_{m,0}[r]g_{m,0}[r]} {\sigma^2} \right). \]

Burada \(B\) ayrılmış zolaq genişliyini, \(p_{m,0}[r]\) cihazın ötürmə gücünü, \(g_{m,0}[r]\) ani kanal qazancını, \(\sigma^2\) isə səs-küy terminini ifadə edir. Kanal qazancının yol itkisi, kölgələnmə və sürətli sönümlənmə təsirlərini ehtiva etdiyi qəbul edilir.

Uzaq CPU/GPU istifadəsində ümumi gecikmə tapşırığın serverə göndərilməsi, uzaq prosessorda hesablanması və nəticə paketinin cihaza geri göndərilməsinin cəmi kimi modelləşdirilir:

\[ t^C_{m,0}[r] = t^{C,1}_{m,0}[r] + t^{C,2}_{m,0}[r] + t^{C,3}_{m,0}[r]. \]

QPU seçimi hansı şərtlərdə mümkündür?

Kvant rejiminə keçildikdə tapşırıq yalnız məlumat ölçüsü və CPU dövrləri ilə deyil, kvant dövrəsinin tələb etdiyi qubit sayı və dövrə dərinliyi ilə də müəyyən olunur. Mənbə \(o_m[r]\) dəyişənindən tələb olunan qubit sayını, \(l_m[r]\) dəyişənindən isə kvant dövrəsinin dərinliyini göstərmək üçün istifadə edir.

Kvant hesablama müddəti bir-qubit qapılarının, iki-qubit qapılarının və ölçmə qapılarının müddətləri əsasında modelləşdirilir. Enerji modelində bu qapıların sərfiyyatı ilə yanaşı fiziki qubitlərin və səhv düzəltmə infrastrukturunun xərci də nəzərə alınır. Mənbənin xüsusilə vurğuladığı məqamlardan biri QPU enerji sərfiyyatında soyutmanın və kvant səhv düzəltməsinin nəzərdən qaçırılmamasıdır.

QPU seçimi iki əsas uyğunluq şərtindən asılıdır:

\[ S_m[r]\geq \frac{2}{3} \]

və

\[ o_m^C\geq o_m[r]. \]

Birinci şərt modelləşdirilən kvant hesablama uğuru ehtimalının ən azı \(2/3\) olmasını, ikinci şərt isə cihazın icarəyə götürdüyü və ya çıxış əldə etdiyi kvant tutumunun dövrənin tələb etdiyi qubit sayını qarşılamasını tələb edir.

Uğur ehtimalı modelə necə əlavə edilir?

Tədqiqat ideal və səhvsiz QPU fərz etmir. Fiziki qapı səhvi ehtimalı, səhv düzəltmə həddi, səhv düzəltmə əlaqə səviyyəsi, qubit sayı və dövrə dərinliyindən istifadə etməklə kvant tapşırığının uğur ehtimalı üçün yanaşma qurulur. Dövrə böyüdükcə potensial səhv mövqelərinin sayının artması modeldə uğur ehtimalına təsir edir.

Bu mühüm bir təfərrüatdır, çünki model “QPU varsa, hər tapşırıq QPU-ya göndərilməlidir” fərziyyəsindən istifadə etmir. Kvant seçimi həm resurs tutumuna, həm də gözlənilən hesablama dəqiqliyinə əsasən aradan qaldırıla bilər.

Uzunmüddətli problem nə üçün Lyapunov optimallaşdırmasına ehtiyac duyur?

Tədqiqatçılar yalnız həmin andakı enerji və gecikməni azaltmaq istəmirlər. Mobil cihazların uzunmüddətli perspektivdə bulud resurslarından müəyyən həddən aşağı istifadə etməməsi üçün zaman ortalaması üzrə məhdudiyyət də tətbiq edilir:

\[ \lim_{R\rightarrow\infty} \frac{1}{R} \sum_{r=1}^{R} \mathbb{E}\{\phi_m[r]\} \geq \Delta. \]

\(\Delta\) uzunmüddətli uzaqdan ötürmə hədəfini təmsil edir. Bu şərt müxtəlif zaman dilimlərindəki qərarları bir-birinə bağladığı üçün problem zamanla əlaqəli olur.

Bunu idarə etmək üçün virtual növbə yaradılır:

\[ z_m[r+1] = \max \left\{ 0, z_m[r] + \Delta\,\mathbf{1}_{[\phi_m[r]=0]} - \phi_m[r] \right\}. \]

Virtual növbənin sabit saxlanılması uzunmüddətli məhdudiyyətin yerinə yetirilməsi ilə əlaqələndirilir. Sonra kvadratik Lyapunov funksiyasından

\[ L[r] = \frac{1}{2} \sum_{m=1}^{M} z_m[r]^2 \]

istifadə edilərək uzunmüddətli problem hər zaman dilimində həll edilə bilən drift-plus-penalty formasına çevrilir.

DQN və DDPG nə üçün birlikdə istifadə olunur?

Tapşırıq ötürmə qərarı nə yalnız diskret, nə də yalnız fasiləsizdir. Cihazın yerli, klassik uzaq və ya kvant uzaq rejimə keçməsi diskret seçim olduğu halda, tapşırığın nə qədərinin uzaq resursa ötürüləcəyi \(\phi_m\) ilə ifadə olunan fasiləsiz qərardır.

Bu səbəbdən mənbə iki müxtəlif dərin gücləndirici öyrənmə yanaşmasının birlikdə istifadəsini təklif edir. DQN tapşırıq ötürmə rejiminin diskret seçimi ilə, DDPG isə qismən tapşırıq ötürmə qərarındakı fasiləsiz fəaliyyət komponenti ilə əlaqələndirilir. Mobil cihazın müşahidə fəzasında server resursları, tapşırıq xüsusiyyətləri, kanal qazancı və yerli CPU tutumu yer alır.

Gücləndirici öyrənmə mükafatı mənbədə

\[ R=-C(\phi[r],Y[r]) \]

kimi müəyyən edilir; yəni agent ümumi enerji-gecikmə xərcini azaldan qərarlar qəbul etməyə yönəldilir.

Tədqiqatın dəstəklədiyi nəticələr

• Araşdırılan simulyasiya mühitində hibrid CPU/GPU-QPU seçimini və qismən ötürməni birlikdə tətbiq edən DRL əsaslı Lyapunov yanaşması müqayisə edilən əsas üsullardan daha aşağı zaman-orta xərc yaratmışdır.
• Qismən tapşırıq ötürülməsinə imkan verən fasiləsiz qərar üsulları yalnız tam ötürmə/tam yerli qərara icazə verən diskret qarşılıqlarından daha aşağı xərc göstərmişdir.
• Cihaz hərəkətliliyi şəraitində təklif olunan yanaşma aşağı xərcini digər üsullarla müqayisədə daha sabit şəkildə qorumuşdur.
• Məlumat ölçüsü artdıqda bütün üsulların xərci yüksəlmişdir.
• Araşdırılan şərtlərdə p^max=0,4 dBm və Δ=0,7 minimum orta xərc nöqtələri ilə əlaqələndirilmişdir.
• Mənbə modelində fiziki qubit tutumunun artması uyğun şərtlərdə daha çox tapşırığın QPU-ya ötürülməsinə imkan verir.

Tədqiqatın dəstəkləmədiyi və ya sübut etmədiyi nəticələr

• Real kvant prosessoru üzərində tapşırıq ötürmə sınağı aparılmamışdır.
• Real 5G/6G baza stansiyası, mobil istifadəçi şəbəkəsi və kvant buludu üzərində sahə yoxlaması mövcud deyil.
• Tədqiqat klassik hesablama ilə müqayisədə eksperimental quantum speedup göstərmir.
• QPU-nun bütün tapşırıqlarda CPU/GPU-dan daha sürətli və ya enerji baxımından daha əlverişli olduğu göstərilmir.
• Simulyasiyadakı xərc azalması birbaşa karbon emissiyasının və ya həyat dövrü davamlılığının ölçülməsi deyil.
• Protein qatlama tapşırıqları real bioloji təcrübələrdən və ya real istifadəçi iş yükü qeydlərindən deyil, mənbədə göstərilən sintetik fərziyyələrdən yaradılmışdır.
• Qrafiklərdəki nəticələr müxtəlif şəbəkə topologiyalarına, müxtəlif QPU texnologiyalarına və ya müxtəlif səhv düzəltmə arxitekturalarına avtomatik şəkildə ümumiləşdirilə bilməz.

Tədqiqatın Metodu və Nəticələri

Simulyasiya mühiti

Eksperimental qiymətləndirmə fiziki sahə sınağı əvəzinə Python/PyTorch əsaslı ədədi simulyasiya ilə həyata keçirilir. Mənbədə istifadə edilən əsas sazlamalar bunlardır:

Protein qatlama nümunə ssenarisi üçün mənbə hər bir protein üzrə amin turşularının sayını 30-90 aralığında təsadüfi seçir və all-atom molekulyar dinamika simulyasiyasının müddətini 100 µs ilə 1 ms arasında modelləşdirir. Lakin məlumat ölçüsü ilə bağlı mənbədə iki fərqli yazılış var: model sazlamaları bölməsində “[160,320] × 10² Mb”, eksperiment sazlamalarında isə “[160,320] MB” ifadəsi verilir. Bu fərq burada düzəldilməmişdir.

Hərəkətlilik modeli

Cihazların mövqelərinin zamanla dəyişə bilməsi üçün Gauss–Markov Mobility Model istifadə olunur. Tədqiqat xüsusilə təxminən 3-5 m/s sürətindəki yavaş hərəkətliliyi nəzərə aldığını bildirir. Sürət və istiqamət əvvəlki zaman diliminin qiymətləri, uzunmüddətli orta qiymətlər və normal paylanmadan gələn təsadüfi komponentlərlə yenilənir:

\[ v_m[r] = \delta v_m[r-1] + (1-\delta)\bar v_m + (1-\delta^2)\tilde v_m[r], \]

\[ \eta_m[r] = \delta\eta_m[r-1] + (1-\delta)\bar\eta_m + (1-\delta^2)\tilde\eta_m[r]. \]

Mövqe isə sürət və istiqamətin üfüqi/şaquli komponentlərindən hesablanır. Beləliklə, tapşırıq ötürmə siyasətinin yalnız sabit kanal şəraitində deyil, istifadəçi baza stansiyasının ətrafında hərəkət etdiyi vəziyyətdə də qiymətləndirilməsi nəzərdə tutulur.

Şəkil 3: Alqoritm yaxınlaşırmı?

Şəkil 3(a) müxtəlif gecikmə çəkiləri altında orta xərcin epoch sayı ilə dəyişməsini göstərir. İlkin mərhələdəki yüksək xərc siyasətin hələ öyrənilməməsi və daha təsadüfi davranması ilə izah olunur. Təlim irəlilədikcə xərc azalır.

Mənbənin mətn üzrə qiymətləndirməsinə görə enerjiyə həssas vəziyyətdə sabitləşmə təxminən 200 epochgecikməyə həssas vəziyyətdə təxminən 250 epochenerji və gecikmənin birlikdə çəkiləndirildiyi \(\lambda_m^t=0,5\) vəziyyətində isə təxminən 350 epoch davam edir. Qarışıq hədəfin daha yavaş yaxınlaşması enerji, gecikmə və uzunmüddətli bulud ötürmə şərtinin eyni vaxtda birlikdə optimallaşdırılması ilə əlaqələndirilir.

Şəkil 3(b) Lyapunov tarazlıq parametri \(V=1\), \(50\) və \(1000\) üçün zaman-orta xərc əyrilərini göstərir. Mənbə bu əyrilərin zaman keçdikcə asimptotik olaraq sabitləşdiyini bildirir.

Şəkil 3(c): Hibrid yanaşmanın əsas üsullarla müqayisəsi

Şəkil 3(c)-də DRL həlli bu üsullarla müqayisə edilir: yalnız uzaq CPU-dan istifadə edən diskret qərar, yalnız uzaq CPU-dan istifadə edən fasiləsiz/qismən qərar, yalnız uzaq QPU-dan istifadə edən diskret qərar, yalnız uzaq QPU-dan istifadə edən fasiləsiz/qismən qərar və təsadüfi rejim seçimi.

DRL əsaslı hibrid MEQC üsulu mənbə qrafikində ən aşağı orta xərci göstərir. Təsadüfi seçim ən yüksək xərclə nəticələnir. Bundan əlavə, həm CPU, həm də QPU ssenarilərində qismən tapşırıq ötürülməsinə imkan verən fasiləsiz dəyişənli üsulların diskret “tamamilə ötür və ya ötürmə” üsullarından daha aşağı xərc yaratması tapşırığın bölünə bilməsinin modeldəki əhəmiyyətini ortaya qoyur.

Şəkil 4: Cihazlar hərəkət etdikdə nə baş verir?

Şəkil 4 GMMM hərəkətlilik ssenarisində 100 zaman dilimi ərzində üsulların orta xərclərini müqayisə edir. DRL əsaslı Lyapunov yanaşması bütün zaman intervalında qrafikdəki ən aşağı xərc zolağında qalır və nisbətən kiçik dalğalanmalar göstərir.

Təsadüfi tapşırıq ötürmə siyasətində xərc həm daha yüksək, həm də daha dəyişkəndir. Mənbə bunu kanal vəziyyətinin nəzərə alınmaması ilə izah edir. Yalnız QPU-ya əsaslanan üsullarda da cihaz hərəkətliliyi zamanı nəzərəçarpan xərc dalğalanmaları müşahidə olunur; bu nəticə kvant resursundan təkbaşına istifadənin dəyişkən şəbəkə şəraitində avtomatik olaraq dayanıqlı həll yaratmadığını göstərir.

Şəkil 5(a): Ötürmə gücü artdıqca nə baş verir?

Maksimum ötürmə gücü \(p^{max}\) 0 ilə 1 dBm arasında dəyişdirilmişdir. Təklif olunan üsulun orta xərci əvvəlcə azalır, sonra müəyyən səviyyədə sabitləşir. Mənbənin açıq ifadəsinə görə araşdırılan ssenaridə ən aşağı xərc təxminən \\(p^{max}=0,4\) dBm qiymətində əldə edilir.

\(p^{max}\) 0,8-1 dBm aralığına çatdıqda xərclərin nisbətən sabit qalması alqoritmin yüksək rabitə xərcinə cavab olaraq buluda ötürülən tapşırıq miqdarını azalda bilməsi ilə izah olunur.

Şəkil 5(b): Məlumat ölçüsünün təsiri

Tapşırıq məlumatı böyüdükcə araşdırılan bütün üsulların orta xərci artır. Bunun səbəbi daha böyük tapşırığın həm simsiz ötürmə, həm də hesablama müddətini və enerjisini yüksəltməsidir. Buna baxmayaraq mənbə qrafikində DRL əsaslı hibrid yanaşma müqayisə edilən üsulların altında qalmağa davam edir.

Şəkil 5(c): Daha çox fiziki qubit nəyi dəyişir?

Şəkil 5(c) fiziki qubit sayının təxminən \(3\times10^3\) ilə \(6\times10^3\) arasında dəyişdirilməsini nəzərdən keçirir. Təklif olunan üsulun orta xərci qubit sayının artmasından bəzi digər üsullar qədər güclü təsirlənmir.

Mənbənin şərhinə görə daha yüksək qubit tutumu mobil cihazların müəyyən tapşırıqları QPU-ya göndərə bilmə ehtimalını artırır. Lakin bu fayda şəbəkə şərtləri və kvant tapşırığının uyğunluğu təmin edildikdə meydana çıxır; yalnız qubit sayının artması xərcin təkbaşına monoton şəkildə azalmasına zəmanət vermir.

Şəkil 6: Uzaqdan ötürmə hədəfi Δ

Uzunmüddətli bulud ötürmə hədəfi \(\Delta\) 0,1 ilə 1 arasında taranır. Təklif olunan üsulda xərc əvvəlcə azalır və mənbədə \\(\Delta=0,7\) ətrafında minimuma çatdıqdan sonra yenidən yüksəlir.

U-şəkilli bu davranış hər iki son vəziyyətin də baha başa gələ biləcəyini göstərir. Çox aşağı \\(\Delta\) bulud resurslarından kifayət qədər istifadə edilməməsinə, çox yüksək (Delta) isə şəbəkə şəraiti uyğun olmasa belə cihazları daha çox uzaq emala məcbur edən məhdudiyyətə çevrilə bilər.

Nəzəri təminat və mənbədaxili işarə problemi

Tədqiqat C-additive yanaşması və Lyapunov drift analizi əsasında iki teorem təqdim edir. Theorem 1 həllin optimumla əlaqəsini \(V\), \(B\) və \(C\) parametrləri ilə bağlayan sərhəddir; Theorem 2 isə uzunmüddətli məhdudiyyətə yaxınlaşma müddətinin \(O(V/\tau)\) formasındakı əlaqəsini təqdim edir.

Bununla belə, mənbədə başlanğıc problem “xərci minimallaşdırmaq” formasında qurulduğu halda Eq. (16)-dakı \(-VC\) termini və Theorem 1-də yazılmış

\[ \lim_{r\rightarrow\infty}\inf C[r] \geq C^{opt} - \frac{B+C}{V} \]

ifadəsi minimallaşdırma problemi baxımından işarə və istiqamətə diqqət tələb edir. Mənbə bu məqamı əlavə olaraq izah etmədiyindən burada tənlik tərsinə çevrilməmiş və yenidən törədilərək düzəldilməmişdir. Buna görə nəzəri optimallıq təminatı mənbədə göstəriləndən daha güclü iddiaya çevrilməməlidir.

Tədqiqatın ən güclü və ən zəif tərəfi

Tədqiqatın güclü tərəfi tapşırığın bölünə bilməsini, mobilliyi, kanal vəziyyətini, gecikmə həddini, klassik və kvant resurs tutumunu, kvant səhvi ehtimalını və uzunmüddətli bulud istifadə hədəfini eyni dinamik qərar problemində birləşdirməsidir. Xüsusilə yalnız CPU və ya yalnız QPU seçmək əvəzinə hibrid fəaliyyət fəzasından istifadə edilməsi sistem modelinin mühüm cəhətidir.

Ən nəzərəçarpan məhdudiyyət isə kvant qatının bütünlüklə parametrik model kimi nəzərdən keçirilməsidir. Nəticələr real QPU növbə müddətləri, real dövrə kompilyasiyası xərci, aparat-spesifik fidelity dəyişmələri, fiziki səhv düzəltməsinin tətbiqi və ya real soyutma sisteminin ölçülmüş enerji sərfiyyatı ilə təsdiqlənməmişdir. Buna görə də tədqiqat tətbiq edilə bilən qərar çərçivəsi təqdim etsə də, fiziki kvant infrastrukturunun real dünyadakı xərc üstünlüyünü sübut edən aparat təcrübəsi deyil.

Mənbə və Metod Qeydi

Orijinal tədqiqat: Cost-Effective Task Offloading Scheduling for Hybrid Mobile Edge-Quantum Computing

Yüklənmiş mənbənin müəllifləri: Ziqiang Ye; Yulan Gao; Yue Xiao; Minrui Xu; Han Yu; Dusit Niyato.

Birgə töhfə/birgə birinci müəlliflik: Yüklənmiş mənbədə göstərilməmişdir.

Məsul müəllif: Yüklənmiş mənbədə məsul müəllifə dair açıq işarə olmadığından təsdiqlənməmişdir.

Yüklənmiş mənbənin afiliyasiyaları: Ziqiang Ye və Yue Xiao — National Key Laboratory of Wireless Communications, University of Electronic Science and Technology of China, Chengdu, China. Yulan Gao, Minrui Xu, Han Yu və Dusit Niyato — School of Computer Science and Engineering, Nanyang Technological University, Singapore.

Mənbə növü: arXiv preprint; alqoritm işlənməsi, riyazi modelləşdirmə və ədədi simulyasiya tədqiqatı.

Mənbə versiyası: arXiv:2306.14588v1 [eess.SY], 26 iyun 2023.

ArXiv DOI qeydi: 10.48550/arXiv.2306.14588.

Rəy prosesi vəziyyəti: Yüklənmiş v1 faylı preprintdir və bu mənbə versiyası rəyli jurnal nüsxəsi deyil.

Sonrakı nəşr qeydi: Eyni adlı məqalə 2026-cı ildə IEEE Transactions on Cognitive Communications and Networking jurnalının 12-ci cildində, 7789-7802-ci səhifələrində dərc edilmiş şəkildə biblioqrafik qeydlərdə yer alır.

Nəşr edilmiş versiyanın DOI-si: 10.1109/TCCN.2026.3688510.

Nəşriyyat: IEEE.

Mühüm biblioqrafik versiya fərqi: 2023 v1 preprintinin müəllifləri Ziqiang Ye, Yulan Gao, Yue Xiao, Minrui Xu, Han Yu və Dusit Niyato olduğu halda, 2026-cı il jurnal qeydində müəlliflər Ziqiang Ye, Yulan Gao, Yue Xiao, Ming Xiao, Minrui Xu və Han Yu kimi göstərilir. Buna görə Ming Xiao sonrakı qeyddə yer alır, Dusit Niyato isə yer almır. Elmi məzmun bu fərqə görə jurnal versiyasından götürülməmiş, yalnız yüklənmiş v1 işinə əsaslandırılmışdır.

Lisenziya: Yüklənmiş faylda açıq Creative Commons lisenziyası göstərilməmişdir. Buna görə mənbə şəkilləri birbaşa kopyalanmamışdır.

Maliyyələşdirmə: Yüklənmiş v1 mənbədə ayrıca maliyyələşdirmə və ya təşəkkür bölməsi müəyyən edilməmişdir.

Məlumatların əlçatanlığı: Ayrı məlumat əlçatanlığı bəyanatı yoxdur.

Maraqlar toqquşması: Yüklənmiş mənbədə ayrıca maraqlar toqquşması bəyanatı yoxdur.

CRediT/müəllif töhfələri: Ayrı CRediT töhfə bəyanatı yoxdur.

Məlumat və eksperimentin xarakteri: Tədqiqat real istifadəçi trafiki və ya fiziki kvant avadanlığı təcrübəsindən istifadə etmir. Mobil istifadəçi hərəkətləri GMMM ilə simulyasiya edilmiş; protein qatlama tapşırıqları mənbədə müəyyən edilmiş sintetik parametrlərlə yaradılmış; QPU gecikməsi, enerji sərfiyyatı və uğur ehtimalı riyazi modellərlə təmsil edilmişdir.

Davamlılıq şərhi: Tədqiqatdakı “sustainable” ifadəsi əsasən enerji sərfiyyatı və zaman gecikməsindən ibarət əməliyyat xərci hədəfi kontekstində işlədilir. Karbon emissiyası, həyat dövrü təhlili, məlumat mərkəzinin embodied carbon göstəricisi və ya real soyutma sisteminin ekoloji təsiri ölçülməmişdir.

Mənbədaxili terminologiya fərqi: Tədqiqatda “weighted sum of energy consumption and time latency” üçün WSET və SWET qısaltmalarından müxtəlif yerlərdə istifadə edilir. Bu fərq düzəldilmədən göstərilmişdir.

Mənbədaxili riyazi qeyd: Xərcin minimallaşdırılması kimi müəyyən edilən məqsədlə Lyapunov reformulyasiyasındakı bəzi mənfi işarələr və Theorem 1-in istiqaməti arasında şərh tələb edən uyğunsuzluq vardır. Mənbənin tənlikləri səssizcə düzəldilməmişdir.

Mənbədaxili məlumat ölçüsü qeydi: Protein-folding model sazlamalarında “[160,320] × 10² Mb”, eksperiment sazlamalarında isə “[160,320] MB” yazılmışdır. Bu iki ifadə eyni dəyər kimi qəbul edilməmişdir.

Elmi şərh həddi: Nəticələr araşdırılan şəbəkə modeli və parametrik QPU fərziyyələri altında hibrid klassik–kvant tapşırıq ötürmə siyasətinin xərc üstünlüyü yarada biləcəyini dəstəkləyir. Real QPU üzərində quantum advantage, quantum speedup və ya real sahə enerji üstünlüyü göstərilməmişdir.

Mənbəyə sadiqlik: Bu məzmundakı bütün elmi metod, tənlik, parametr, simulyasiya nəticəsi və şərh həddi yüklənmiş 12 səhifəlik v1 mənbəsinə əsaslanır. Xarici mənbələr yalnız biblioqrafik kimliyi, arXiv qeydini və sonrakı jurnal nəşrinin vəziyyətini təsdiqləmək üçün istifadə edilmişdir.

Türkiyə konteksti: Tədqiqatda Türkiyəyə məxsus mobil şəbəkə, enerji qiymətləri, cihaz bölgüsü, tezlik bölgüsü və ya kvant infrastrukturu məlumatları olmadığından nəticələr Türkiyəyə birbaşa köçürülməmişdir. Yerli tətbiq üçün real operator şəbəkəsi, məlumat mərkəzinə/QPU-ya çıxış, enerji xərcləri və tənzimləyici şərtlərlə yenidən yoxlama aparılmalıdır.