去相干与时变条件下量子网络路由的鲁棒信念状态策略学习
量子物理
2025-09-11 v1 人工智能
机器学习
网络与互联网体系结构
摘要
本文提出了一种基于特征的部分可观测马尔可夫决策过程（POMDP）框架，用于量子网络路由，结合信念状态规划与图神经网络（GNN），以解决动态量子系统中的部分可观测性、去相干和可扩展性挑战。我们的方法将复杂的量子网络动力学，包括纠缠退化和时变信道噪声，编码到低维特征空间，从而实现高效的信念更新和可扩展的策略学习。本框架的核心是一种混合GNN-POMDP架构，用于处理表示纠缠链路的图结构，以学习路由策略，同时引入一种噪声自适应机制，将POMDP信念更新与GNN输出融合，以实现稳健决策。我们提供了理论分析，确立了信念收敛、策略改进和对噪声鲁棒性的保证。在最多100个节点的仿真量子网络上的实验表明，与最先进的基线方法相比，本方法在路由保真度和纠缠传递率方面显著提高，尤其是在高去相干和非平稳条件下表现更佳。
引用
@article{arxiv.2509.08654,
title = {Robust Belief-State Policy Learning for Quantum Network Routing Under Decoherence and Time-Varying Conditions},
author = {Amirhossein Taherpour and Abbas Taherpour and Tamer Khattab},
journal= {arXiv preprint arXiv:2509.08654},
year = {2025}
}