Predictive Fidelity-Aware Routing and Adaptive Scheduling in Distributed NISQ Quantum Networks via Actor–Critic Reinforcement Learning
Dieses Paper schlägt ein auf Deep Reinforcement Learning basierendes Framework (DRL-QCOF) vor, das einen Bi-LSTM-Fidelity-Prädiktor mit einem Actor–Critic-Scheduling-Agenten integriert, um Routing und Scheduling in verteilten NISQ-Quantennetzwerken gemeinsam zu optimieren, wobei es bestehende Methoden unter dynamischen Bedingungen hinsichtlich Link-Fidelity, Latenz und Ressourcenauslastung signifikant übertrifft.