量子科技中心_量科网

量子网络（QNs）通过噪声量子信道传输敏感的量子信息。量子密钥分发（QKD）和分布式量子计算（DQC）等关键应用都依赖于高效的量子信息传输。在量子网络中学习端节点之间的最佳路径是提升此类应用性能的核心。本文研究了在线学习环境下量子网络最优路径的学习问题，探讨了两种反馈类型：“链路级反馈”与“路径级反馈”——前者适用于配备先进量子交换器、可实现链路基准测试的网络，后者对应仅支持路径级基准测试的基础量子交换器网络。该团队提出了两种在线学习算法：BeQuP-Link和BeQuP-Path，分别利用链路级和路径级反馈来识别最优路径。其中BeQuP-Link通过动态基准测试关键链路进行学习，而BeQuP-Path则依托子程序将路径级观测数据批量转化为链路级参数估计。理论分析表明，两种算法均能以高概率高效确定最优路径，同时保持较低的量子资源复杂度。基于NetSquid的仿真实验进一步验证了这两种算法在识别最优路径时的准确性与高效性。