基于量子网络中强化学习的可扩展纠缠路由：RELiQ 方法
量子物理
2026-04-13 v1 人工智能
网络与互联网体系结构
摘要
量子网络因量子计算和量子探测等技术的进步而日益重要，例如最近在分布式量子计算和联邦量子机器学习方面的发展。量子网络中的纠缠路由面临诸多根本性和技术性挑战，包括量子网络链路的高动态性以及量子操作的概率性。因此，设计手工制定的启发式方法困难，且常常导致次优性能，尤其是当全局网络拓扑信息不可用时。本文提出 REliQ，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消息交换。利用图神经网络，REliQ 学习图表示，避免对特定网络拓扑过拟合——这是基于学习的方法常见的问题。我们的 approach 在随机图和真实拓扑上都优于现有的局部信息启发式方法和基于学习的方法。与全局信息启发式方法相比，我们的方法由于对拓扑变化的快速响应，实现了相似或更优的性能。
引用
@article{arxiv.2511.22321,
title = {RELiQ: Scalable Entanglement Routing via Reinforcement Learning in Quantum Networks},
author = {Tobias Meuser and Jannis Weil and Aninda Lahiri and Marius Paraschiv},
journal= {arXiv preprint arXiv:2511.22321},
year = {2026}
}