As one of the most important function in quantum networks, entanglement routing, i.e., how to efficiently establish remote entanglement connection between two arbitrary quantum nodes, becomes a critical problem that is worth to be studied. However, the entanglement fidelity, which can be regarded as the most important metric to evaluate the quality of connection, is rarely considered in existing works. Thus, in this paper, we propose purification-enabled entanglement routing designs to provide fidelity guarantee for multiple Source-Destination (S-D) pairs in quantum networks. To find the routing path with minimum entangled pair cost, we first design an iterative routing algorithm for single S-D pair, called Q-PATH, to find the optimal solution. After that, due to the relatively high computational complexity, we also design a low-complexity routing algorithm by using an extended dijkstra algorithm, called Q-LEAP, to efficiently find the near-optimal solution. Based on these two algorithms, we design a utility metric to solve the resource allocation problem for multiple S-D pairs, and further design a greedy-based algorithm considering resource allocation and re-routing process for routing requests from multiple S-D pairs. To verify the effectiveness and superiority of the proposed algorithms, extensive simulations are conducted compared to the existing purification-enabled routing algorithm. The simulation results show that, compared with the traditional routing scheme, the proposed algorithms not only can provide fidelity-guaranteed routing solutions under various scenarios, but also has superior performance in terms of throughput, fidelity of end-to-end entanglement connection, and resource utilization ratio.


翻译:作为量子网络中最重要的功能之一,纠缠路由,即如何高效地在两个任意的量子节节点之间建立远程纠缠连接,成为值得研究的关键问题。然而,在现有的工程中,可以被视为评估连接质量的最重要衡量标准的纠缠对等性很少被考虑。因此,在本文中,我们建议净化驱动路由设计,以便为量子网络中多个源流-目的地对配方提供忠实保证。为了找到两个带有最小串缠的顺流对流成本的顺流路径路径,我们首先为单一的S-D对配方设计迭接路算法,称为Q-PATH,以找到最佳的解决办法。此后,由于计算的复杂性相对较高,我们还设计了一个低兼容性路由净化的绕行算法,称为Q-LEAP,以便高效地找到各种近似最佳的解决办法。基于这两套算法,我们设计了一个用于S-D对等分流、用于解决资源配置的多条路运算法,然后又通过S-D对面的比较,通过S-routal-ral-tradal-trading S-comtrading comtrading strading extrading des,我们设计了一个用于解决多项要求。

0
下载
关闭预览

相关内容

专知会员服务
25+阅读 · 2021年4月2日
最新《序列预测问题导论》教程,212页ppt
专知会员服务
84+阅读 · 2020年8月22日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Arxiv
2+阅读 · 2022年1月13日
Arxiv
7+阅读 · 2021年10月19日
Arxiv
4+阅读 · 2020年10月18日
Arxiv
17+阅读 · 2019年3月28日
Arxiv
4+阅读 · 2018年4月30日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
相关论文
Arxiv
2+阅读 · 2022年1月13日
Arxiv
7+阅读 · 2021年10月19日
Arxiv
4+阅读 · 2020年10月18日
Arxiv
17+阅读 · 2019年3月28日
Arxiv
4+阅读 · 2018年4月30日
Top
微信扫码咨询专知VIP会员