AI 與世界的難題 · 量子物理與量子運算 · arXiv · 2026-10-21
動態量子網路中的並行糾纏純化排程
原標題: Concurrent Entanglement Purification Scheduling in Dynamic Quantum Networks
量子網路必須提供保真度符合應用需求的端對端糾纏，通常透過沿多跳路徑的純化來達成，但現有的排程器僅在鏈結層級運作或只針對靜態請求集合，忽略了競爭鏈結容量與量子記憶體的並行請求。本文研究具異質鏈結的時槽式網路中的並行糾纏純化排程，建構一個以 max-min 路徑分配作為公平性準則、使已排程請求數最大化的 MILP 排程器，以及基於 DQN、PPO 與 SAC 的強化學習排程器。在不同負載、拓撲與保真度目標下，RL 排程器達到最高的成功率，較 MILP 提升最多 6%，較 Progressive Filling 與 Greedy 啟發式方法分別提升 16.5% 與 19.5%，代價是較高的貝爾對消耗與部分請求延後；而 MILP 在大多數情境中則給出最高的公平性與最低的貝爾對消耗。