基于对抗性群组神经赌博机的量子纠缠路径选择与量子比特分配

量子数据网络（QDN）已成为信息处理与传输领域一个有前景的框架，它利用了量子力学原理。QDN 通过长距离纠缠连接使用量子隐形传态技术，将数据信息编码在量子比特（qubits）中。尽管量子纠缠是各种量子应用的基石，但由于受光纤损耗等因素影响的概率性过程，其在建立长距离连接时面临挑战。在量子计算机之间建立长距离纠缠连接涉及多个纠缠链路和通过连续量子节点（包括量子计算机和量子中继器）进行的纠缠交换技术，这需要最优的路径选择和量子比特分配。当前研究通常假设相邻量子节点间纠缠链路的成功概率已知，并忽略了潜在的网络攻击者。本文解决了在线最优路径选择和量子比特分配的挑战，旨在没有先验成功概率知识且存在 QDN 攻击者的情况下，学习在选定的两台量子计算机之间实现最高纠缠连接成功率的最佳策略。所提出的方法基于多臂赌博机，特别是对抗性群组神经赌博机，它将每条路径视为一个群组，并将量子比特分配视为臂的选择。我们的贡献包括：形式化一个在线对抗优化问题，引入具有理论性能保证的 EXPNeuralUCB 赌博机算法，并进行全面的仿真以展示其相对于现有先进算法的优越性。