量子科技中心_量科网

随着量子计算和量子传感（如分布式量子计算与联邦量子机器学习领域的最新进展）的进步，量子网络正变得日益重要。在量子网络中实现纠缠路由面临着若干基础性与技术性挑战，包括量子网络链路的高度动态性以及量子操作的概率性特征。因此，手工设计启发式方案具有较高难度，且往往导致次优性能——尤其在缺乏全局网络拓扑信息的情况下。 本论文提出RELiQ方案，这是一种基于强化学习的纠缠路由方法，仅依赖局部信息和迭代式消息交换。通过采用图神经网络，RELiQ能学习图表示并避免对特定网络拓扑的过拟合（这是基于学习方法普遍存在的问题）。该方案在随机图上完成训练后，无论是应用于随机拓扑还是真实世界拓扑，其性能始终优于现有基于局部信息的启发式方法和学习方法。相较于依赖全局信息的启发式方法，由于能快速响应拓扑变化，RELiQ可取得相当或更优的性能表现。