Бул изилдөө кыймылдагы түзмөктөрдүн эсептөө тапшырмаларын жергиликтүү процессор, алыскы CPU/GPU же QPU ресурстарынын ортосунда динамикалык түрдө кантип бөлүштүрөрүн изилдеген гибриддик мобилдик четки–кванттык эсептөө моделин иштеп чыгат. Изилдөөчүлөр убакыт боюнча байланышкан тапшырмаларды өткөрүп берүү маселеси үчүн Ляпунов оптималдаштыруусун, тапшырма режимин дискреттик тандоо үчүн Deep Q-Network (DQN) ыкмасын жана тапшырманы жарым-жартылай өткөрүп берүү үлүшү үчүн Deep Deterministic Policy Gradient (DDPG) алгоритмин бириктиришет; Гаусс–Марков кыймылдуулук модели колдонулган 15 мобилдик түзмөктөгү сандык симуляцияларда сунушталган DRL негизиндеги Ляпунов ыкмасы салыштырылган CPU-only, QPU-only жана кокустук тандоо ыкмаларына караганда төмөн убакыт-орточо чыгымды камсыздайт. Каралган шарттарда p^max=0,4 dBm жана узак мөөнөттүү алыстан өткөрүү максаты Δ=0,7 эң төмөнкү орточо чыгым менен байланыштуу. Ошого карабастан, натыйжалар чыныгы мобилдик кванттык тармакта же физикалык QPUда баштан-аяк текшерүү эмес; алар кванттык иштетүү убактысы, энергия керектөөсү жана ката ыктымалдыгы сыяктуу көптөгөн компоненттер математикалык түрдө моделделген симуляциялык изилдөөгө негизделет.

Изилдөөнүн негизги идеясы ар бир эсептөө тапшырмасын сөзсүз түрдө жалаң классикалык же жалаң кванттык ресурска жөнөтүү эмес, түзмөктүн жайгашкан жери, зымсыз каналдын шарттары, тапшырманын көлөмү, кечигүү чеги, CPU сыйымдуулугу, QPU үчүн зарыл болгон кубиттердин саны жана моделделген кванттык эсептөөнүн ийгилик ыктымалдыгы сыяктуу өзгөрмөлөргө жараша чечим кабыл алуу болуп саналат. Төртүнчү вариант болгон жарым-жартылай өткөрүүдө тапшырманын бир бөлүгү түзмөктө жергиликтүү аткарылып, калган бөлүгү алыскы классикалык же кванттык ресурска жөнөтүлүшү мүмкүн.

Изилдөө кайсы көйгөйдү чечүүгө аракет кылат?

Мобилдик edge computing системаларында эсептөөнү көп талап кылган тапшырмаларды толугу менен телефон, IoT түзмөгү же башка четки түзмөктө аткаруу энергия жана иштетүү сыйымдуулугу жагынан кымбат болушу мүмкүн. Тапшырманы алыскы серверге өткөрүп берүү зымсыз маалымат берүү убактысын жана энергия чыгымын жаратат. Буга мобилдик түзмөктүн кыймылы, каналдын сапатынын убакыт өтүшү менен өзгөрүшү жана тапшырмалардын көлөмү менен кечигүү талаптарынын ар түрдүү болушу кошулганда, чечим маселеси бир гана убакыт учурун оптималдаштыруудан чыгып, узак мөөнөттүү пландаштыруу маселесине айланат.

Булак эмгектин изилдөө боштугу да ушул жерде аныкталат. Мурунку гибриддик мобилдик четки–кванттык эсептөө изилдөөлөрү негизинен ошол учурга же статикалык ресурстарды бөлүштүрүүгө багытталганын белгилеген изилдөөчүлөр түзмөктөрдүн кыймылдуулугун жана тапшырмалардын убакыт ичинде өзгөрүшүн эске алган узак мөөнөттүү тапшырма өткөрүп берүү системасын түзүүнү максат кылышат.

Гибриддик MEQC архитектурасы кантип түзүлөт?

1-сүрөттөгү системалык модель камтуу аймагындагы гетерогендүү мобилдик түзмөктөр кирүү түйүнү аркылуу борбордук булут серверине туташкан архитектураны көрсөтөт. Серверде классикалык CPU/GPU ресурстары гана эмес, QPU ресурстары да бар деп кабыл алынат. Мобилдик түзмөк менен кирүү түйүнүнүн ортосундагы байланыш уюлдук, ал эми кирүү түйүнү менен борбордук булуттун ортосундагы байланыш була-оптикалык байланыш катары моделделет.

Системада \(M\) мобилдик түзмөк бар жана ар бир түзмөк \(r\) убакыт тилкесинде башка эсептөө тапшырмасын алышы мүмкүн. Классикалык эсептөө жагынан тапшырма булакта болжол менен

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

түрүндө аныкталат. Бул жерде \(d_m[r]\) тапшырма маалыматтарынын көлөмүн, \(q_m[r]\) маалымат бирдигине керектелүүчү CPU циклдерин, ал эми \(t_m^{\max}[r]\) тапшырма үчүн уруксат берилген максималдуу кечигүүнү билдирет.

Тапшырманы өткөрүп берүүнүн төрт түрдүү режими

2-сүрөт изилдөөнүн чечим кабыл алуу механизминин негизин түзгөн төрт режимди визуалдык түрдө бөлүп көрсөтөт.

Жарым-жартылай өткөрүү үлүшү

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

менен белгиленет. \(\phi_m=0\) тапшырманын толугу менен жергиликтүү аткарылышына, \(\phi_m=1\) толугу менен алыскы серверге өткөрүлүшүнө, ал эми \(0<\phi_m<1\) тапшырманын бөлүнүшүнө туура келет.

Зымсыз байланыштын чыгымы кантип эсептелет?

Түзмөк менен кирүү түйүнүнүн ортосундагы маалымат ылдамдыгы Шеннон тибиндеги туюнтма менен моделделет:

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

Бул жерде \(B\) бөлүнгөн өткөрүү жөндөмдүүлүгүн, \(p_{m,0}[r]\) түзмөктүн өткөрүү күчүн, \(g_{m,0}[r]\) ошол учурдагы каналдын күчөтүлүшүн, \(\sigma^2\) ызы-чуу мүчөсүн билдирет. Каналдын күчөтүлүшү жол жоготуусун, көлөкөлөнүүнү жана тез өчүүнүн таасирин камтыйт деп кабыл алынат.

Алыскы CPU/GPU колдонулганда жалпы кечигүү тапшырманы серверге жөнөтүү, алыскы процессордо эсептөө жана натыйжа пакетин түзмөккө кайра жөнөтүү убакыттарынын суммасы катары моделделет:

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

QPU тандоосу кайсы шарттарда мүмкүн?

Кванттык режимге өткөндө тапшырма маалыматтын көлөмү жана CPU циклдери менен гана эмес, кванттык схема талап кылган кубиттердин саны жана схеманын тереңдиги менен да аныкталат. Булак \(o_m[r]\) өзгөрмөсүн зарыл кубиттердин санын, ал эми \(l_m[r]\) өзгөрмөсүн кванттык схеманын тереңдигин көрсөтүү үчүн колдонот.

Кванттык эсептөө убактысы бир кубиттик дарбазалардын, эки кубиттик дарбазалардын жана өлчөө дарбазаларынын мөөнөттөрү аркылуу моделделет. Энергия моделинде бул дарбазалардын керектөөсү менен катар физикалык кубиттердин жана каталарды оңдоо инфраструктурасынын чыгымы да эске алынат. Булак өзгөчө QPU энергия керектөөсүндө муздатууну жана кванттык каталарды оңдоону көз жаздымда калтырбоону белгилейт.

QPU тандоосу эки негизги ылайыктуулук шартына көз каранды:

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

жана

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

Биринчи шарт моделделген кванттык эсептөөнүн ийгилик ыктымалдыгы кеминде \(2/3\) болушун, экинчи шарт болсо түзмөк ижарага алган же жеткиликтүү болгон кванттык сыйымдуулук схема талап кылган кубиттердин санын камсыз кылышын талап кылат.

Ийгилик ыктымалдыгы моделге кантип кошулат?

Изилдөө идеалдуу жана катасыз QPUну болжолдобойт. Физикалык дарбаза катасынын ыктымалдыгын, каталарды оңдоо чегин, каталарды оңдоо байланыш деңгээлин, кубиттердин санын жана схема тереңдигин колдонуу менен кванттык тапшырманын ийгилик ыктымалдыгы үчүн жакындаштыруу түзүлөт. Схема чоңойгон сайын мүмкүн болгон ката орундардын санынын көбөйүшү моделдеги ийгилик ыктымалдыгына таасир этет.

Бул маанилүү жагдай, анткени модель “QPU болсо, ар бир тапшырма QPUга жөнөтүлүшү керек” деген божомолду колдонбойт. Кванттык вариант ресурс сыйымдуулугуна жана күтүлгөн эсептөө тактыгына жараша четке кагылышы мүмкүн.

Узак мөөнөттүү көйгөйгө эмне үчүн Ляпунов оптималдаштыруусу керек?

Изилдөөчүлөр ошол учурдагы энергия менен кечигүүнү гана азайтууну каалашпайт. Мобилдик түзмөктөр узак мөөнөттө булут ресурстарын белгилүү бир үлүштөн төмөн колдонбошу үчүн убакыт боюнча орточолонгон чектөө да киргизилет:

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

\(\Delta\) узак мөөнөттүү алыстан өткөрүү максатын билдирет. Бул шарт ар башка убакыт тилкелериндеги чечимдерди бири-бирине байланыштыргандыктан, маселе убакытка көз каранды болуп калат.

Муну башкаруу үчүн виртуалдык кезек түзүлөт:

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

Виртуалдык кезектин туруктуу кармалышы узак мөөнөттүү чектөөнүн аткарылышы менен байланыштуу. Андан кийин квадраттык Ляпунов функциясын

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

колдонуу аркылуу узак мөөнөттүү маселе ар бир убакыт тилкесинде чечиле турган drift-plus-penalty түрүнө өткөрүлөт.

DQN жана DDPG эмне үчүн чогуу колдонулат?

Тапшырманы өткөрүп берүү чечими жалаң дискреттик да, жалаң үзгүлтүксүз да эмес. Түзмөктүн жергиликтүү, классикалык алыскы же кванттык алыскы режимге өтүшү дискреттик тандоо болсо, тапшырманын канча бөлүгү алыскы ресурска өткөрүлөрү \(\phi_m\) менен көрсөтүлгөн үзгүлтүксүз чечим болуп саналат.

Ошондуктан булак эки башка терең бекемдөөчү окутуу ыкмасын чогуу колдонууну сунуштайт. DQN тапшырманы өткөрүп берүү режимин дискреттик тандоо менен, ал эми DDPG жарым-жартылай өткөрүп берүү чечиминдеги үзгүлтүксүз аракет компоненти менен байланышат. Мобилдик түзмөктүн байкоо мейкиндигинде сервер ресурстары, тапшырманын өзгөчөлүктөрү, каналдын күчөтүлүшү жана жергиликтүү CPU сыйымдуулугу бар.

Бекемдөөчү окутуунун сыйлыгы булакта

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

деп аныкталат; башкача айтканда, агент жалпы энергия–кечигүү чыгымын азайта турган чечимдерди кабыл алууга багытталат.

Изилдөө колдогон натыйжалар

• Каралган симуляция чөйрөсүндө гибриддик CPU/GPU-QPU тандоосун жана жарым-жартылай өткөрүүнү бирге колдонгон DRL негизиндеги Ляпунов ыкмасы салыштырылган негизги ыкмаларга караганда төмөн убакыт-орточо чыгым жараткан.
• Тапшырманы жарым-жартылай өткөрүүгө уруксат берген үзгүлтүксүз чечим ыкмалары толук өткөрүү/толук жергиликтүү чечимге гана уруксат берген дискреттик варианттарга караганда төмөн чыгым көрсөткөн.
• Түзмөктөр кыймылдаган шартта сунушталган ыкма төмөн чыгымын башка ыкмаларга салыштырмалуу туруктуураак сактаган.
• Маалыматтын көлөмү көбөйгөндө бардык ыкмалардын чыгымы жогорулаган.
• Каралган шарттарда p^max=0,4 dBm жана Δ=0,7 минималдуу орточо чыгым чекиттери менен байланыштырылган.
• Булак моделинде физикалык кубит сыйымдуулугунун өсүшү ылайыктуу шарттарда көбүрөөк тапшырмаларды QPUга өткөрүүгө мүмкүнчүлүк берет.

Изилдөө колдобогон же далилдебеген натыйжалар

• Чыныгы кванттык процессордо тапшырмаларды өткөрүп берүү эксперименти жүргүзүлгөн эмес.
• Чыныгы 5G/6G базалык станциясында, мобилдик колдонуучулар тармагында жана кванттык булутта талаалык текшерүү жок.
• Изилдөө классикалык эсептөөгө салыштырмалуу эксперименттик quantum speedup көрсөтпөйт.
• QPU бардык тапшырмаларда CPU/GPUдан ылдамыраак же энергия жагынан артык экени көрсөтүлгөн эмес.
• Симуляциядагы чыгымдын азайышы көмүртек эмиссиясынын же жашоо циклинин туруктуулугунун түз өлчөөсү эмес.
• Протеинди бүктөө тапшырмалары чыныгы биологиялык эксперименттерден же чыныгы колдонуучунун жүк жазууларынан эмес, булакта көрсөтүлгөн синтетикалык божомолдордон түзүлгөн.
• Графиктердеги натыйжаларды башка тармак топологияларына, башка QPU технологияларына же башка катаны оңдоо архитектураларына автоматтык түрдө жалпылоого болбойт.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Симуляция чөйрөсү

Эксперименттик баалоо физикалык талаа тажрыйбасынын ордуна Python/PyTorch негизиндеги сандык симуляция аркылуу жүргүзүлөт. Булакта колдонулган негизги жөндөөлөр төмөнкүлөр:

Протеинди бүктөөнүн үлгүлүү сценарийи үчүн булак ар бир протеинге туура келген аминокислоталардын санын 30-90 аралыгында кокустук тандап, all-atom молекулалык динамика симуляциясынын убактысын 100 µs менен 1 ms аралыгында моделдейт. Бирок маалымат көлөмү боюнча булакта эки башка жазылыш бар: модель жөндөөлөрү бөлүмүндө “[160,320] × 10² Mb”, эксперимент жөндөөлөрүндө “[160,320] MB” деп жазылган. Бул айырма бул жерде оңдолгон эмес.

Кыймылдуулук модели

Түзмөктөрдүн жайгашкан жерлери убакыт ичинде өзгөрүшү үчүн Gauss-Markov Mobility Model колдонулат. Изилдөө өзгөчө болжол менен 3-5 m/s ылдамдыктагы жай кыймылды эске алганын билдирет. Ылдамдык менен багыт мурунку убакыт тилкесинин маанилери, узак мөөнөттүү орточолор жана нормалдуу бөлүштүрүүдөн алынган кокустук компоненттер менен жаңыртылат:

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

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

Жайгашкан жер ылдамдык менен багыттын горизонталдык/тик компоненттеринен эсептелет. Ошентип тапшырманы өткөрүп берүү саясатын туруктуу канал шарттарында гана эмес, колдонуучу базалык станциянын айланасында кыймылдаган учурда да баалоо көздөлөт.

3-сүрөт: Алгоритм жакындашабы?

3(a)-сүрөт ар түрдүү кечигүү салмактары учурунда орточо чыгымдын epoch саны менен өзгөрүшүн көрсөтөт. Баштапкы этаптагы жогорку чыгым саясаттын али үйрөнүлө электиги жана кокустагыраак иштегени менен түшүндүрүлөт. Окутуу жүргөн сайын чыгым төмөндөйт.

Булактын тексттик баалоосуна ылайык энергияга сезгич абалда туруктуу болуу болжол менен 200 epochкечигүүгө сезгич абалда болжол менен 250 epochэнергия менен кечигүү бирге салмакталган \(\lambda_m^t=0,5\) абалында болсо болжол менен 350 epochсозулат. Аралаш максаттын жайыраак жакындашы энергияны, кечигүүнү жана узак мөөнөттүү булутка өткөрүү шартын бир убакта оптималдаштырууга байланыштырылат.

3(b)-сүрөт Ляпуновдун тең салмак параметри \(V=1\), \(50\) жана \(1000\) үчүн убакыт-орточо чыгым ийри сызыктарын көрсөтөт. Булак бул ийри сызыктар убакыт өтүшү менен асимптотикалык түрдө туруктуу болорун билдирет.

3(c)-сүрөт: Гибриддик ыкма негизги ыкмаларга каршы

3(c)-сүрөттө DRL чечими төмөнкү ыкмалар менен салыштырылат: алыскы CPUну гана колдонгон дискреттик чечим, алыскы CPUну гана колдонгон үзгүлтүксүз/жарым-жартылай чечим, алыскы QPUну гана колдонгон дискреттик чечим, алыскы QPUну гана колдонгон үзгүлтүксүз/жарым-жартылай чечим жана режимди кокустук тандоо.

DRL негизиндеги гибриддик MEQC ыкмасы булактын графигинде эң төмөнкү орточо чыгымды көрсөтөт. Кокустук тандоо эң жогорку чыгымга алып келет. Мындан тышкары CPU жана QPU сценарийлеринин экөөндө тең жарым-жартылай тапшырма өткөрүүгө жол берген үзгүлтүксүз өзгөрмөлүү ыкмалардын дискреттик “толук өткөр же өткөрбө” ыкмаларына караганда төмөн чыгым жаратышы тапшырманын бөлүнүү мүмкүнчүлүгүнүн моделдеги маанисин көрсөтөт.

4-сүрөт: Түзмөктөр кыймылдаганда эмне болот?

4-сүрөт GMMM кыймылдуулук сценарийинде 100 убакыт тилкесинин аралыгында ыкмалардын орточо чыгымын салыштырат. DRL негизиндеги Ляпунов ыкмасы бардык убакыт аралыгында графиктеги эң төмөн чыгым тилкесинде калып, салыштырмалуу чакан термелүүлөрдү көрсөтөт.

Кокустук тапшырма өткөрүү саясатында чыгым да жогору, да өзгөрмөлүү. Булак муну каналдын абалы эске алынбаганы менен түшүндүрөт. QPUга гана негизделген ыкмаларда да түзмөк кыймылдаганда чыгымдын айкын термелүүлөрү байкалат; бул натыйжа кванттык ресурсту жалгыз колдонуу өзгөрмөлүү тармак шарттарында автоматтык түрдө бекем чечим түзбөй турганын көрсөтөт.

5(a)-сүрөт: Өткөрүү күчү өскөндө эмне болот?

Максималдуу өткөрүү күчү \(p^{max}\) 0 менен 1 dBm аралыгында өзгөртүлгөн. Сунушталган ыкманын орточо чыгымы адегенде төмөндөп, андан соң белгилүү деңгээлде тең салмакташат. Булактын ачык билдирүүсүнө ылайык каралган сценарийде эң төмөнкү чыгым болжол менен \\(p^{max}=0,4\) dBmмаанисинде алынган.

\(p^{max}\) 0,8-1 dBm аралыгына жеткенде чыгымдын салыштырмалуу туруктуу калышы алгоритм жогорку байланыш чыгымына жооп катары булутка өткөрүлгөн тапшырмалардын көлөмүн азайта алышы менен түшүндүрүлөт.

5(b)-сүрөт: Маалымат көлөмүнүн таасири

Тапшырма маалыматы чоңойгон сайын каралган бардык ыкмалардын орточо чыгымы өсөт. Себеби чоңураак тапшырма зымсыз өткөрүүнүн да, эсептөө убактысы менен энергиясынын да көбөйүшүнө алып келет. Ошого карабастан булактын графигинде DRL негизиндеги гибриддик ыкма салыштырылган ыкмалардан төмөн бойдон калат.

5(c)-сүрөт: Көбүрөөк физикалык кубит эмнени өзгөртөт?

5(c)-сүрөт физикалык кубиттердин саны болжол менен \(3\times10^3\) менен \(6\times10^3\) аралыгында өзгөртүлүшүн карайт. Сунушталган ыкманын орточо чыгымына кубиттердин санынын өсүшү айрым башка ыкмалардагыдай күчтүү таасир этпейт.

Булактын түшүндүрмөсүнө ылайык кубит сыйымдуулугунун жогору болушу мобилдик түзмөктөрдүн белгилүү тапшырмаларды QPUга жөнөтүү ыктымалдыгын көбөйтөт. Бирок бул пайда тармак шарттары жана кванттык тапшырманын ылайыктуулугу камсыз болгондо гана көрүнөт; кубиттердин санынын жөн гана көбөйүшү чыгымдын өзүнөн-өзү монотондуу төмөндөшүнө кепилдик бербейт.

6-сүрөт: Алыстан өткөрүү максаты Δ

Узак мөөнөттүү булутка өткөрүү максаты \(\Delta\) 0,1 менен 1 аралыгында каралат. Сунушталган ыкмада чыгым адегенде азайып, булакта \\(\Delta=0,7\)айланасында минимумга жеткенден кийин кайра өсөт.

U сымал жүрүм-турум эки четки абал тең кымбат болушу мүмкүн экенин көрсөтөт. Өтө төмөн \\(\Delta\) булут ресурстарынын жетишсиз колдонулушуна, өтө жогору (Delta) болсо тармак шарттары ылайыктуу болбосо да түзмөктөрдү көбүрөөк алыскы иштетүүгө мажбурлаган чектөөгө айланышы мүмкүн.

Теориялык кепилдик жана булактагы белги маселеси

Изилдөө C-additive ыкмасы жана Ляпунов drift талдоосу аркылуу эки теорема берет. Theorem 1 чечимдин оптимум менен байланышын \(V\), \(B\) жана \(C\) параметрлерине байланыштырган чекти берет; Theorem 2 узак мөөнөттүү чектөөгө жакындашуу убактысынын \(O(V/\tau)\) түрүндөгү байланышын сунуштайт.

Ошол эле учурда булакта баштапкы маселе “чыгымды минималдаштыруу” түрүндө түзүлгөнүнө карабастан, Eq. (16)-дагы \(-VC\) мүчөсү жана Theorem 1де жазылган

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

туюнтмасы минималдаштыруу маселеси жагынан белги менен багытка көңүл бурууну талап кылат. Булак бул жагдайды кошумча түшүндүрбөгөндүктөн, теңдеме бул жерде тескери бурулган же кайра чыгарылып оңдолгон эмес. Ошондуктан теориялык оптималдуулук кепилдиги булакта айтылгандан күчтүү дооматка айландырылбашы керек.

Изилдөөнүн эң күчтүү жана эң алсыз жагы

Изилдөөнүн күчтүү жагы тапшырманын бөлүнүү мүмкүнчүлүгүн, кыймылдуулукту, каналдын абалын, кечигүү чегин, классикалык жана кванттык ресурстардын сыйымдуулугун, кванттык ката ыктымалдыгын жана булутту узак мөөнөттүү колдонуу максатын бир эле динамикалык чечим маселесине бириктиргенинде. Айрыкча жалаң CPU же жалаң QPU тандоонун ордуна гибриддик аракет мейкиндигин колдонуу системалык моделдин маанилүү жагы болуп саналат.

Эң көрүнүктүү чектөө кванттык катмар толугу менен параметрдик модель катары каралганында. Натыйжалар чыныгы QPU кезек убакыттары, чыныгы схеманы компиляциялоо чыгымы, аппаратка мүнөздүү fidelity өзгөрүүлөрү, физикалык каталарды оңдоону колдонуу же чыныгы муздатуу системасынын өлчөнгөн энергия керектөөсү менен текшерилген эмес. Ошондуктан изилдөө колдонууга мүмкүн болгон чечим алкагын сунуш кылганы менен, физикалык кванттык инфраструктуранын реалдуу дүйнөдөгү чыгым артыкчылыгын далилдеген аппараттык эксперимент эмес.

Булак жана Ыкма Жөнүндө Эскертүү

Түп нуска изилдөө: Cost-Effective Task Offloading Scheduling for Hybrid Mobile Edge-Quantum Computing

Жүктөлгөн булактын авторлору: Ziqiang Ye; Yulan Gao; Yue Xiao; Minrui Xu; Han Yu; Dusit Niyato.

Кош салым/кош биринчи авторлук: Жүктөлгөн булакта көрсөтүлгөн эмес.

Жооптуу автор: Жүктөлгөн булакта жооптуу автордун так белгиси болбогондуктан ырасталган эмес.

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

Булактын түрү: arXiv preprint; алгоритм иштеп чыгуу, математикалык моделдөө жана сандык симуляциялык изилдөө.

Булактын версиясы: arXiv:2306.14588v1 [eess.SY], 26-июнь 2023.

ArXiv DOI жазуусу: 10.48550/arXiv.2306.14588.

Рецензия абалы: Жүктөлгөн v1 файлы preprint болуп саналат жана бул булак версиясы рецензияланган журналдын нускасы эмес.

Кийинки жарыялоо жазуусу: Ушул эле аталыштагы макала 2026-жылы IEEE Transactions on Cognitive Communications and Networking журналында, 12-том, 7789-7802-беттерде жарыяланган катары библиографиялык жазууларда кездешет.

Жарыяланган версиянын DOIси: 10.1109/TCCN.2026.3688510.

Басма үйү: IEEE.

Маанилүү библиографиялык версия айырмасы: 2023-жылдагы v1 preprint авторлору Ziqiang Ye, Yulan Gao, Yue Xiao, Minrui Xu, Han Yu жана Dusit Niyato болсо, 2026-жылдагы журнал жазуусунда авторлор Ziqiang Ye, Yulan Gao, Yue Xiao, Ming Xiao, Minrui Xu жана Han Yu деп көрсөтүлгөн. Демек, Ming Xiao кийинки жазууда бар, ал эми Dusit Niyato жок. Илимий мазмун бул айырмадан улам журнал версиясынан алынган эмес, жүктөлгөн v1 ишине гана негизделген.

Лицензия: Жүктөлгөн файлда ачык Creative Commons лицензиясы көрсөтүлгөн эмес. Ошондуктан булактагы сүрөттөр түз көчүрүлгөн эмес.

Каржылоо: Жүктөлгөн v1 булакта өзүнчө каржылоо же ыраазычылык бөлүмү аныкталган эмес.

Маалыматтардын жеткиликтүүлүгү: Өзүнчө маалымат жеткиликтүүлүгү жөнүндө билдирүү жок.

Кызыкчылыктардын кагылышы: Жүктөлгөн булакта өзүнчө кызыкчылыктардын кагылышы жөнүндө билдирүү жок.

CRediT/автордук салымдар: Өзүнчө CRediT салым билдирүүсү жок.

Маалымат жана эксперименттин мүнөзү: Изилдөө чыныгы колдонуучу трафигин же физикалык кванттык жабдыктагы экспериментти колдонбойт. Мобилдик колдонуучулардын кыймылы GMMM менен симуляцияланган; протеинди бүктөө тапшырмалары булакта аныкталган синтетикалык параметрлерден түзүлгөн; QPU кечигүүсү, энергия керектөөсү жана ийгилик ыктымалдыгы математикалык моделдер аркылуу көрсөтүлгөн.

Туруктуулук тууралуу түшүндүрмө: Изилдөөдөгү “sustainable” термини негизинен энергия керектөөсү менен убакыт кечигүүсүнөн турган операциялык чыгым максатынын контекстинде колдонулат. Көмүртек эмиссиясы, жашоо циклинин талдоосу, маалымат борборунун embodied carbon көрсөткүчү же чыныгы муздатуу системасынын экологиялык таасири өлчөнгөн эмес.

Булактагы терминологиялык айырма: Изилдөөдө “weighted sum of energy consumption and time latency” үчүн WSET жана SWET кыскартуулары ар башка жерлерде колдонулат. Бул айырма оңдолбостон көрсөтүлгөн.

Булактагы математикалык эскертүү: Чыгымды минималдаштыруу катары аныкталган максат менен Ляпунов кайра формулировкасындагы айрым минус белгилеринин жана Theorem 1дин багытынын ортосунда чечмелөөнү талап кылган карама-каршылык бар. Булактын теңдемелери жашыруун түрдө оңдолгон эмес.

Булактагы маалымат көлөмү тууралуу эскертүү: Protein-folding моделинин жөндөөлөрүндө “[160,320] × 10² Mb”, эксперимент жөндөөлөрүндө “[160,320] MB” деп жазылган. Бул эки туюнтма бирдей маани катары кабыл алынган эмес.

Илимий чечмелөөнүн чеги: Натыйжалар каралган тармак модели жана параметрдик QPU божомолдору шартында гибриддик классикалык–кванттык тапшырма өткөрүү саясаты чыгым артыкчылыгын бере аларын колдойт. Чыныгы QPUда quantum advantage, quantum speedup же чыныгы талаадагы энергетикалык артыкчылык көрсөтүлгөн эмес.

Булакка берилгендик: Бул мазмундагы бардык илимий ыкма, теңдеме, параметр, симуляция натыйжасы жана чечмелөө чеги жүктөлгөн 12 беттик v1 булагына негизделет. Тышкы булактар библиографиялык иденттүүлүктү, arXiv жазуусун жана кийинки журнал жарыялоосунун абалын ырастоо үчүн гана колдонулган.

Түркия контексти: Изилдөөдө Түркияга тиешелүү мобилдик тармак, энергия баалары, түзмөктөрдүн бөлүштүрүлүшү, жыштык бөлүштүрүү же кванттык инфраструктура тууралуу маалымат жок болгондуктан натыйжалар Түркияга түздөн-түз көчүрүлгөн эмес. Жергиликтүү колдонуу үчүн чыныгы оператор тармагы, маалымат борборуна/QPUга жетүү, энергия чыгымдары жана жөнгө салуучу шарттар менен кайра текшерүү керек.