Utafiti huu unatengeneza modeli mseto ya kompyuta ya ukingo wa simu na kvanti inayochunguza jinsi kazi za kukokotoa za vifaa vinavyohama zinavyoweza kugawanywa kwa nguvu kati ya kichakataji cha ndani, CPU/GPU ya mbali au rasilimali za QPU. Watafiti wanaunganisha uboreshaji wa Lyapunov kwa tatizo la kuhamisha kazi linalohusiana kwa muda, mkabala wa Deep Q-Network (DQN) kwa uteuzi wa kipekee wa hali ya kazi, na algoriti ya Deep Deterministic Policy Gradient (DDPG) kwa uwiano wa uhamishaji wa kazi kwa sehemu; katika uigaji wa namba wenye vifaa 15 vya simu na modeli ya mwendo ya Gauss–Markov, mkabala wa Lyapunov unaotegemea DRL uliopendekezwa hutoa gharama ya wastani kwa muda iliyo chini kuliko mbinu za CPU-only, QPU-only na uteuzi wa nasibu zilizolinganishwa. Katika hali zilizochunguzwa p^max=0,4 dBm na lengo la uhamishaji wa mbali la muda mrefu Δ=0,7 linahusishwa na gharama ya chini zaidi ya wastani. Hata hivyo, matokeo haya si uthibitishaji wa mwisho hadi mwisho kwenye mtandao halisi wa simu wa kvanti au QPU halisi; yanategemea utafiti wa uigaji ambapo vipengele vingi, vikiwemo muda wa kuchakata kvanti, matumizi ya nishati na uwezekano wa hitilafu, vimeundwa kwa modeli za kihisabati.

Wazo kuu la utafiti ni kutotuma kila kazi ya kukokotoa kwa lazima kwenye rasilimali ya kawaida pekee au ya kvanti pekee, bali kufanya uamuzi kulingana na vigezo kama eneo la kifaa, hali ya chaneli isiyotumia waya, ukubwa wa kazi, kikomo cha ucheleweshaji, uwezo wa CPU, idadi ya qubit zinazohitajika na QPU, na uwezekano wa mafanikio ya ukokotoaji wa kvanti uliowekewa modeli. Katika chaguo la nne, yaani uhamishaji wa sehemu, sehemu ya kazi hutekelezwa ndani ya kifaa huku sehemu iliyobaki ikitumwa kwenye rasilimali ya kawaida au ya kvanti iliyo mbali.

Utafiti unajaribu kutatua tatizo gani?

Katika mifumo ya mobile edge computing, kutekeleza kazi zote nzito za kukokotoa kwenye simu, kifaa cha IoT au kifaa kingine cha ukingo kunaweza kuwa ghali kwa upande wa nishati na uwezo wa uchakataji. Kuhamisha kazi kwenye seva ya mbali huleta muda wa uhamishaji wa data bila waya na gharama ya nishati. Mwendo wa kifaa cha simu, kubadilika kwa ubora wa chaneli kwa muda, na mahitaji tofauti ya ukubwa na ucheleweshaji wa kazi yanapoongezwa, tatizo la uamuzi huacha kuwa uboreshaji wa wakati mmoja na kuwa tatizo la upangaji wa muda mrefu.

Pengo la utafiti katika kazi ya chanzo linafafanuliwa hapa. Watafiti wanaosema kuwa tafiti za awali za kompyuta mseto ya ukingo wa simu na kvanti zilijikita zaidi katika ugawaji wa rasilimali wa papo hapo au tuli, wanalenga kujenga mfumo wa uhamishaji wa kazi wa muda mrefu unaozingatia mwendo wa vifaa na mabadiliko ya kazi kwa muda.

Usanifu wa MEQC mseto unajengwaje?

Modeli ya mfumo katika Kielelezo cha 1 inaonyesha usanifu ambamo vifaa vya simu vyenye utofauti katika eneo la huduma vinaunganishwa na seva kuu ya wingu kupitia kituo cha ufikiaji. Seva inachukuliwa kuwa na rasilimali za kawaida za CPU/GPU pamoja na rasilimali za QPU. Muunganisho kati ya kifaa cha simu na kituo cha ufikiaji umewekewa modeli ya muunganisho wa simu, na ule kati ya kituo cha ufikiaji na wingu kuu umewekewa modeli ya nyuzinyuzi.

Mfumo una vifaa vya simu \(M\), na kila kifaa kinaweza kupokea kazi tofauti ya kukokotoa katika kipande cha muda \(r\). Kwa upande wa ukokotoaji wa kawaida, kazi inafafanuliwa katika chanzo takribani kama

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

ifuatavyo. Hapa \(d_m[r]\) inawakilisha ukubwa wa data ya kazi, \(q_m[r]\) mizunguko ya CPU inayohitajika kwa kila kitengo cha data, na \(t_m^{\max}[r]\) ucheleweshaji wa juu unaoruhusiwa wa kazi.

Njia nne tofauti za kuhamisha kazi

Kielelezo cha 2 kinatenganisha kwa njia ya kuona njia nne zinazounda msingi wa utaratibu wa uamuzi wa utafiti.

Uwiano wa uhamishaji wa sehemu

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

huonyeshwa kwa. \(\phi_m=0\) inalingana na utekelezaji kamili wa kazi ndani ya kifaa, \(\phi_m=1\) na uhamishaji kamili kwenye seva ya mbali, na \(0<\phi_m<1\) na kugawanywa kwa kazi.

Gharama ya mawasiliano yasiyotumia waya huhesabiwaje?

Kasi ya data kati ya kifaa na kituo cha ufikiaji imewekewa modeli kwa usemi wa aina ya Shannon:

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

Hapa \(B\) ni upana wa bendi uliotengwa, \(p_{m,0}[r]\) ni nguvu ya usambazaji ya kifaa, \(g_{m,0}[r]\) ni faida ya papo hapo ya chaneli, na \(\sigma^2\) ni istilahi ya kelele. Inachukuliwa kuwa faida ya chaneli inajumuisha athari za upotevu wa njia, kivuli na kufifia kwa haraka.

Kwa matumizi ya CPU/GPU ya mbali, ucheleweshaji wa jumla umewekewa modeli kama jumla ya kutuma kazi kwenye seva, kuikokotoa kwenye kichakataji cha mbali, na kurudisha pakiti ya matokeo kwenye kifaa:

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

Uteuzi wa QPU unawezekana chini ya hali gani?

Wakati wa kuingia kwenye hali ya kvanti, kazi hufafanuliwa si kwa ukubwa wa data na mizunguko ya CPU pekee, bali pia kwa idadi ya qubit zinazohitajika na mzunguko wa kvanti pamoja na kina cha mzunguko. Chanzo kinatumia kigezo \(o_m[r]\) kwa idadi ya qubit zinazohitajika na \(l_m[r]\) kwa kina cha mzunguko wa kvanti.

Muda wa ukokotoaji wa kvanti umewekewa modeli kupitia muda wa mageti ya qubit moja, mageti ya qubit mbili na mageti ya kupima. Katika modeli ya nishati, gharama ya qubit halisi na miundombinu ya kurekebisha hitilafu huzingatiwa pamoja na matumizi ya mageti hayo. Chanzo kinasisitiza hasa kwamba upoaji na urekebishaji wa hitilafu za kvanti visitupwe nje katika matumizi ya nishati ya QPU.

Uteuzi wa QPU unategemea masharti mawili ya msingi ya kufaa:

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

na

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

Sharti la kwanza linahitaji uwezekano wa mafanikio ya ukokotoaji wa kvanti uliowekewa modeli uwe angalau \(2/3\), na la pili linahitaji uwezo wa kvanti ambao kifaa kimeukodi au kinaweza kuufikia kukidhi idadi ya qubit inayohitajika na mzunguko.

Uwezekano wa mafanikio unaongezwaje kwenye modeli?

Utafiti hauchukulii QPU bora isiyo na hitilafu. Kwa kutumia uwezekano wa hitilafu ya geti halisi, kizingiti cha urekebishaji wa hitilafu, kiwango cha muunganisho wa urekebishaji wa hitilafu, idadi ya qubit na kina cha mzunguko, makadirio ya uwezekano wa mafanikio ya kazi ya kvanti yanaundwa. Kadiri mzunguko unavyokua, kuongezeka kwa idadi ya maeneo yanayoweza kuwa na hitilafu huathiri uwezekano wa mafanikio katika modeli.

Hili ni jambo muhimu kwa sababu modeli haitumii dhana kwamba “ikiwa QPU ipo, kila kazi inapaswa kutumwa kwenye QPU”. Chaguo la kvanti linaweza kuondolewa kulingana na uwezo wa rasilimali na usahihi wa ukokotoaji unaotarajiwa.

Kwa nini tatizo la muda mrefu linahitaji uboreshaji wa Lyapunov?

Watafiti hawataki kupunguza nishati na ucheleweshaji wa wakati huo pekee. Kizuizi cha wastani wa muda pia kinawekwa ili vifaa vya simu visitumie rasilimali za wingu chini ya uwiano fulani kwa muda mrefu:

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

\(\Delta\) inawakilisha lengo la uhamishaji wa mbali la muda mrefu. Kwa kuwa sharti hili linaunganisha maamuzi ya vipande tofauti vya muda, tatizo linakuwa linalohusiana na muda.

Ili kulidhibiti, foleni pepe inaundwa:

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

Kudumisha foleni pepe katika hali thabiti kunahusishwa na kutimizwa kwa kizuizi cha muda mrefu. Kisha, kwa kutumia kazi ya Lyapunov ya mraba

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

tatizo la muda mrefu hubadilishwa kuwa umbo la drift-plus-penalty linaloweza kutatuliwa katika kila kipande cha muda.

Kwa nini DQN na DDPG zinatumika pamoja?

Uamuzi wa kuhamisha kazi si wa kipekee pekee wala endelevu pekee. Kuingia kwa kifaa katika hali ya ndani, ya kawaida ya mbali au ya kvanti ya mbali ni uteuzi wa kipekee, huku kiasi cha kazi kitakachohamishwa kwenye rasilimali ya mbali kikiwa uamuzi endelevu unaoonyeshwa na \(\phi_m\).

Kwa hiyo chanzo kinapendekeza kutumia kwa pamoja mikabala miwili tofauti ya ujifunzaji wa kuimarisha kwa kina. DQN inahusishwa na uteuzi wa kipekee wa hali ya uhamishaji wa kazi, na DDPG inahusishwa na sehemu ya kitendo endelevu katika uamuzi wa uhamishaji wa sehemu. Nafasi ya uchunguzi ya kifaa cha simu ina rasilimali za seva, sifa za kazi, faida ya chaneli na uwezo wa CPU ya ndani.

Zawadi ya ujifunzaji wa kuimarisha imefafanuliwa kwenye chanzo kama

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

; yaani wakala anaelekezwa kufanya maamuzi yatakayopunguza gharama ya jumla ya nishati na ucheleweshaji.

Matokeo yanayoungwa mkono na utafiti

• Katika mazingira ya uigaji yaliyochunguzwa, mkabala wa Lyapunov unaotegemea DRL unaotumia pamoja uteuzi mseto wa CPU/GPU-QPU na uhamishaji wa sehemu umezalisha gharama ya chini ya wastani kwa muda kuliko mbinu kuu zilizolinganishwa.
• Mbinu za uamuzi endelevu zinazoruhusu uhamishaji wa kazi kwa sehemu zimeonyesha gharama ya chini kuliko wenzao wa kipekee wanaoruhusu uamuzi wa uhamishaji kamili au wa utekelezaji kamili ndani ya kifaa pekee.
• Chini ya mwendo wa vifaa, mkabala uliopendekezwa umehifadhi gharama yake ya chini kwa uthabiti zaidi ikilinganishwa na mbinu nyingine.
• Gharama ya mbinu zote imeongezeka data ilipokuwa kubwa.
• Katika hali zilizochunguzwa p^max=0,4 dBm na Δ=0,7 zimehusishwa na sehemu za gharama ya chini zaidi ya wastani.
• Katika modeli ya chanzo, kuongezeka kwa uwezo wa qubit halisi huwezesha kazi nyingi zaidi kuhamishiwa kwenye QPU chini ya hali zinazofaa.

Matokeo ambayo utafiti hauyaungi mkono au kuyathibitisha

• Hakuna jaribio la kuhamisha kazi lililofanywa kwenye kichakataji halisi cha kvanti.
• Hakuna uthibitishaji wa uwanjani kwenye kituo halisi cha msingi cha 5G/6G, mtandao wa watumiaji wa simu au wingu la kvanti.
• Utafiti hauonyeshi quantum speedup ya majaribio dhidi ya ukokotoaji wa kawaida.
• Haijaonyeshwa kuwa QPU ni ya haraka zaidi au yenye faida zaidi kwa nishati kuliko CPU/GPU kwa kazi zote.
• Kupungua kwa gharama katika uigaji si kipimo cha moja kwa moja cha uzalishaji wa kaboni au uendelevu wa mzunguko wa maisha.
• Kazi za kukunja protini ziliundwa kutokana na dhana sanisi zilizoainishwa kwenye chanzo, si kutokana na majaribio halisi ya kibiolojia au kumbukumbu za mzigo halisi wa watumiaji.
• Matokeo ya grafu hayawezi kujumlishwa moja kwa moja kwa topolojia tofauti za mitandao, teknolojia tofauti za QPU au miundo tofauti ya urekebishaji wa hitilafu.

Mbinu na Matokeo ya Utafiti

Mazingira ya uigaji

Tathmini ya majaribio inafanywa kwa uigaji wa namba unaotegemea Python/PyTorch badala ya jaribio la kimwili la uwanjani. Mipangilio kuu iliyotumika kwenye chanzo ni hii:

Kwa hali ya mfano ya kukunja protini, chanzo huchagua kwa nasibu idadi ya amino asidi kwa kila protini kati ya 30-90 na huweka modeli ya muda wa uigaji wa mienendo ya molekuli ya all-atom kati ya 100 µs na 1 ms. Hata hivyo, kuhusu ukubwa wa data, chanzo kina maandishi mawili tofauti: katika sehemu ya mipangilio ya modeli kuna “[160,320] × 10² Mb”, na katika mipangilio ya majaribio kuna “[160,320] MB”. Tofauti hii haijarekebishwa hapa.

Modeli ya mwendo

Gauss-Markov Mobility Model inatumika ili maeneo ya vifaa yaweze kubadilika kwa muda. Utafiti unasema unazingatia hasa mwendo wa polepole wa takribani 3-5 m/s. Kasi na mwelekeo husasishwa kwa thamani za kipande cha muda kilichotangulia, wastani wa muda mrefu na vipengele vya nasibu kutoka katika mgawanyo wa kawaida:

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

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

Eneo huhesabiwa kutokana na vipengele vya mlalo/wima vya kasi na mwelekeo. Kwa njia hii, sera ya kuhamisha kazi inalengwa kutathminiwa si katika hali za chaneli zisizobadilika tu, bali pia wakati mtumiaji anazunguka kituo cha msingi.

Kielelezo cha 3: Je, algoriti inakaribia?

Kielelezo cha 3(a) kinaonyesha mabadiliko ya gharama ya wastani kulingana na idadi ya epoch chini ya uzito tofauti wa ucheleweshaji. Gharama kubwa ya hatua ya mwanzo inaelezwa na sera ambayo bado haijajifunza na inatenda kwa nasibu zaidi. Kadiri mafunzo yanavyoendelea, gharama hupungua.

Kulingana na tathmini ya maandishi ya chanzo, hali ya kutulia katika hali inayozingatia nishati huchukua takribani 200 epochkatika hali inayozingatia ucheleweshaji takribani 250 epochna katika hali ya \(\lambda_m^t=0,5\) ambapo nishati na ucheleweshaji vinawekewa uzito pamoja, takribani 350 epochhudumu. Kukaribia polepole zaidi kwa lengo mseto kunahusishwa na uboreshaji wa pamoja wa nishati, ucheleweshaji na sharti la uhamishaji wa wingu la muda mrefu.

Kielelezo cha 3(b) kinaonyesha mikunjo ya gharama ya wastani kwa wakati kwa kigezo cha usawa cha Lyapunov \(V=1\), \(50\) na \(1000\). Chanzo kinaripoti kuwa mikunjo hii hutulia kwa njia ya asimptoti kadiri muda unavyopita.

Kielelezo cha 3(c): Mkabala mseto dhidi ya mbinu kuu

Katika Kielelezo cha 3(c), suluhisho la DRL linalinganishwa na mbinu hizi: uamuzi wa kipekee unaotumia CPU ya mbali pekee, uamuzi endelevu/wa sehemu unaotumia CPU ya mbali pekee, uamuzi wa kipekee unaotumia QPU ya mbali pekee, uamuzi endelevu/wa sehemu unaotumia QPU ya mbali pekee, na uteuzi wa hali kwa nasibu.

Mbinu mseto ya MEQC inayotegemea DRL inaonyesha gharama ya wastani ya chini zaidi katika grafu ya chanzo. Uteuzi wa nasibu husababisha gharama ya juu zaidi. Aidha, katika hali zote za CPU na QPU, mbinu zenye kigezo endelevu zinazoruhusu uhamishaji wa kazi kwa sehemu huzalisha gharama ya chini kuliko mbinu za kipekee za “hamisha yote au usihamishe”, jambo linaloonyesha umuhimu wa kugawanyika kwa kazi katika modeli.

Kielelezo cha 4: Nini hutokea vifaa vinapohama?

Kielelezo cha 4 kinalinganisha gharama ya wastani ya mbinu kwa vipande 100 vya muda katika hali ya mwendo ya GMMM. Mkabala wa Lyapunov unaotegemea DRL unabaki katika bendi ya gharama ya chini zaidi kwenye grafu katika kipindi chote na unaonyesha mabadiliko madogo kwa kulinganisha.

Katika sera ya uhamishaji wa kazi kwa nasibu, gharama ni ya juu zaidi na pia hubadilika zaidi. Chanzo kinahusisha hili na kutokuzingatia hali ya chaneli. Katika mbinu zinazotegemea QPU pekee pia kuna mabadiliko dhahiri ya gharama wakati vifaa vinahama; matokeo haya yanaonyesha kuwa kutumia rasilimali ya kvanti peke yake hakutengenezi moja kwa moja suluhisho thabiti katika hali za mtandao zinazobadilika.

Kielelezo cha 5(a): Nini hutokea nguvu ya usambazaji inapoongezeka?

Nguvu ya juu zaidi ya usambazaji \(p^{max}\) imebadilishwa kati ya 0 na 1 dBm. Gharama ya wastani ya mbinu iliyopendekezwa hushuka kwanza, kisha hutulia katika kiwango fulani. Kulingana na kauli ya wazi ya chanzo, katika hali iliyochunguzwa gharama ya chini zaidi hupatikana takribani katika thamani ya \\(p^{max}=0,4\) dBm.

Gharama kubaki thabiti kwa kulinganisha wakati \(p^{max}\) inafikia kiwango cha 0,8-1 dBm inaelezwa na uwezo wa algoriti kupunguza kiasi cha kazi kinachohamishwa kwenye wingu ili kukabiliana na gharama kubwa ya mawasiliano.

Kielelezo cha 5(b): Athari ya ukubwa wa data

Kadiri data ya kazi inavyokuwa kubwa, gharama ya wastani ya mbinu zote zilizochunguzwa huongezeka. Sababu ni kwamba kazi kubwa huongeza muda na nishati ya uhamishaji bila waya pamoja na ile ya ukokotoaji. Licha ya hayo, katika grafu ya chanzo mkabala mseto unaotegemea DRL unaendelea kuwa chini ya mbinu zilizolinganishwa.

Kielelezo cha 5(c): Qubit halisi zaidi hubadilisha nini?

Kielelezo cha 5(c) kinachunguza kubadilishwa kwa idadi ya qubit halisi kati ya takribani \(3\times10^3\) na \(6\times10^3\). Gharama ya wastani ya mbinu iliyopendekezwa haiathiriwi kwa nguvu na ongezeko la qubit kama ilivyo kwa baadhi ya mbinu nyingine.

Maoni ya chanzo ni kwamba uwezo mkubwa wa qubit huongeza uwezekano wa vifaa vya simu kutuma kazi fulani kwenye QPU. Hata hivyo, faida hii hujitokeza tu hali za mtandao na ufaafu wa kazi ya kvanti vinapokidhiwa; kuongezeka kwa idadi ya qubit pekee hakuhakikishi kupungua kwa gharama kwa mtindo wa monotonu.

Kielelezo cha 6: Lengo la uhamishaji wa mbali Δ

Lengo la uhamishaji wa wingu wa muda mrefu \(\Delta\) linachunguzwa kati ya 0,1 na 1. Katika mbinu iliyopendekezwa gharama hupungua kwanza, na baada ya kufikia kiwango cha chini karibu na \\(\Delta=0,7\)katika chanzo huongezeka tena.

Tabia hii yenye umbo la U inaonyesha kuwa hali zote mbili za mwisho zinaweza kuwa na gharama. \\(\Delta\) ndogo sana inaweza kusababisha rasilimali za wingu kutotumika vya kutosha, huku (Delta) kubwa sana inaweza kuwa kizuizi kinacholazimisha vifaa kufanya uchakataji wa mbali zaidi hata hali za mtandao zisipofaa.

Dhamana ya kinadharia na tatizo la alama katika chanzo

Utafiti unatoa nadharia mbili kupitia mkabala wa C-additive na uchanganuzi wa drift wa Lyapunov. Theorem 1 ni mpaka unaounganisha uhusiano wa suluhisho na optimum kwa vigezo \(V\), \(B\) na \(C\); Theorem 2 unatoa uhusiano wa muda wa kukaribia kizuizi cha muda mrefu katika umbo la \(O(V/\tau)\).

Hata hivyo, ingawa tatizo la mwanzo limejengwa kwenye chanzo kama “kupunguza gharama”, istilahi \(-VC\) katika Eq. (16) na usemi ulioandikwa katika Theorem 1

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

unahitaji tahadhari kuhusu alama na mwelekeo kwa upande wa tatizo la kupunguza gharama. Kwa kuwa chanzo hakijaeleza jambo hili zaidi, mlinganyo haujageuzwa wala kusahihishwa kwa kutolewa upya hapa. Kwa hiyo dhamana ya optimum ya kinadharia haipaswi kubadilishwa kuwa dai lenye nguvu zaidi kuliko lililoelezwa kwenye chanzo.

Jambo lenye nguvu zaidi na udhaifu mkubwa zaidi wa utafiti

Nguvu ya utafiti ni kuunganisha katika tatizo moja la uamuzi wa nguvu uwezo wa kugawanyika kwa kazi, mwendo, hali ya chaneli, kikomo cha ucheleweshaji, uwezo wa rasilimali za kawaida na za kvanti, uwezekano wa hitilafu ya kvanti na lengo la matumizi ya wingu la muda mrefu. Hasa, kutumia nafasi mseto ya vitendo badala ya kuchagua CPU pekee au QPU pekee ni sehemu muhimu ya modeli ya mfumo.

Kikomo kinachoonekana zaidi ni kwamba tabaka lote la kvanti limechukuliwa kama modeli ya vigezo. Matokeo hayajathibitishwa kwa nyakati halisi za foleni za QPU, gharama halisi ya kutunga mzunguko, mabadiliko ya fidelity yanayotegemea kifaa, utekelezaji wa urekebishaji wa hitilafu halisi au matumizi ya nishati yaliyopimwa ya mfumo halisi wa upoozaji. Kwa hiyo, ingawa utafiti unatoa mfumo wa uamuzi unaoweza kutumika, si jaribio la vifaa linalothibitisha faida ya gharama ya miundombinu ya kvanti katika ulimwengu halisi.

Maelezo ya Chanzo na Mbinu

Utafiti wa asili: Cost-Effective Task Offloading Scheduling for Hybrid Mobile Edge-Quantum Computing

Waandishi wa chanzo kilichopakiwa: Ziqiang Ye; Yulan Gao; Yue Xiao; Minrui Xu; Han Yu; Dusit Niyato.

Mchango wa pamoja/uanachama wa kwanza wa pamoja: Haijaelezwa kwenye chanzo kilichopakiwa.

Mwandishi anayewajibika: Haijathibitishwa kwa kuwa hakuna alama ya wazi ya mwandishi anayewajibika katika chanzo kilichopakiwa.

Uhusiano wa kitaasisi wa chanzo kilichopakiwa: Ziqiang Ye na Yue Xiao — National Key Laboratory of Wireless Communications, University of Electronic Science and Technology of China, Chengdu, China. Yulan Gao, Minrui Xu, Han Yu na Dusit Niyato — School of Computer Science and Engineering, Nanyang Technological University, Singapore.

Aina ya chanzo: arXiv preprint; uundaji wa algoriti, modeli ya kihisabati na utafiti wa uigaji wa namba.

Toleo la chanzo: arXiv:2306.14588v1 [eess.SY], 26 Juni 2023.

Rekodi ya DOI ya ArXiv: 10.48550/arXiv.2306.14588.

Hali ya mapitio ya rika: Faili ya v1 iliyopakiwa ni preprint na toleo hili la chanzo si nakala ya jarida iliyopitiwa na rika.

Rekodi ya uchapishaji wa baadaye: Makala yenye kichwa hicho hicho imeorodheshwa katika kumbukumbu za kibibliografia kuwa ilichapishwa mwaka 2026 katika IEEE Transactions on Cognitive Communications and Networking, Juzuu ya 12, kurasa 7789-7802.

DOI ya toleo lililochapishwa: 10.1109/TCCN.2026.3688510.

Mchapishaji: IEEE.

Tofauti muhimu ya matoleo ya kibibliografia: Waandishi wa preprint ya v1 ya mwaka 2023 ni Ziqiang Ye, Yulan Gao, Yue Xiao, Minrui Xu, Han Yu na Dusit Niyato, ilhali rekodi ya jarida ya mwaka 2026 inawataja waandishi Ziqiang Ye, Yulan Gao, Yue Xiao, Ming Xiao, Minrui Xu na Han Yu. Kwa hiyo Ming Xiao yupo kwenye rekodi ya baadaye, lakini Dusit Niyato hayupo. Maudhui ya kisayansi hayakutolewa kutoka toleo la jarida kwa sababu ya tofauti hii, bali yameegemezwa kwenye kazi ya v1 iliyopakiwa pekee.

Leseni: Hakuna leseni ya wazi ya Creative Commons iliyoonyeshwa kwenye faili iliyopakiwa. Kwa hiyo vielelezo vya chanzo havikunakiliwa moja kwa moja.

Ufadhili: Hakuna sehemu tofauti ya ufadhili au shukrani iliyobainika katika chanzo cha v1 kilichopakiwa.

Upatikanaji wa data: Hakuna tamko tofauti kuhusu upatikanaji wa data.

Mgongano wa maslahi: Hakuna tamko tofauti la mgongano wa maslahi katika chanzo kilichopakiwa.

Michango ya CRediT/waandishi: Hakuna tamko tofauti la mchango wa CRediT.

Asili ya data na jaribio: Utafiti hautumii trafiki halisi ya watumiaji wala jaribio la vifaa halisi vya kvanti. Mwendo wa watumiaji wa simu uliigizwa kwa GMMM; kazi za kukunja protini ziliundwa kwa vigezo sanisi vilivyofafanuliwa kwenye chanzo; ucheleweshaji wa QPU, matumizi ya nishati na uwezekano wa mafanikio viliwakilishwa kupitia modeli za kihisabati.

Maelezo kuhusu uendelevu: Neno “sustainable” katika utafiti linatumika hasa katika muktadha wa lengo la gharama ya uendeshaji linaloundwa na matumizi ya nishati na ucheleweshaji wa muda. Uzalishaji wa kaboni, uchanganuzi wa mzunguko wa maisha, thamani ya embodied carbon ya kituo cha data au athari ya kimazingira ya mfumo halisi wa upoozaji havikupimwa.

Tofauti ya istilahi katika chanzo: Katika utafiti, vifupisho WSET na SWET vinatumika katika sehemu tofauti kwa “weighted sum of energy consumption and time latency”. Tofauti hii imeonyeshwa bila kusahihishwa.

Dokezo la kihisabati katika chanzo: Kuna kutolingana kunakohitaji tafsiri kati ya lengo lililofafanuliwa kama kupunguza gharama, baadhi ya alama hasi katika uundaji upya wa Lyapunov na mwelekeo wa Theorem 1. Milinganyo ya chanzo haikusahihishwa kimyakimya.

Dokezo la ukubwa wa data katika chanzo: Katika mipangilio ya modeli ya Protein-folding imeandikwa “[160,320] × 10² Mb”, na katika mipangilio ya majaribio “[160,320] MB”. Kauli hizi mbili hazikuchukuliwa kuwa thamani moja.

Kikomo cha tafsiri ya kisayansi: Matokeo yanaunga mkono uwezekano kwamba, chini ya modeli ya mtandao iliyochunguzwa na dhana za QPU za vigezo, sera mseto ya uhamishaji wa kazi ya kawaida–kvanti inaweza kutoa faida ya gharama. Hakuna quantum advantage, quantum speedup au ubora wa nishati wa uwanjani ulioonyeshwa kwenye QPU halisi.

Uaminifu kwa chanzo: Mbinu zote za kisayansi, milinganyo, vigezo, matokeo ya uigaji na mipaka ya tafsiri katika maudhui haya zinategemea chanzo cha v1 chenye kurasa 12 kilichopakiwa. Vyanzo vya nje vilitumika tu kuthibitisha utambulisho wa kibibliografia, rekodi ya arXiv na hali ya uchapishaji wa baadaye wa jarida.

Muktadha wa Uturuki: Kwa kuwa utafiti hauna data kuhusu mtandao wa simu wa Uturuki, bei za nishati, mgawanyo wa vifaa, ugawaji wa masafa au miundombinu ya kvanti ya Uturuki, matokeo hayajahawilishwi moja kwa moja kwenda Uturuki. Kwa matumizi ya ndani, uthibitishaji upya kwa kutumia mtandao halisi wa mwendeshaji, ufikiaji wa kituo cha data/QPU, gharama za nishati na masharti ya udhibiti unahitajika.