《Journal of Energy Storage》：A quantum neural network with hidden markov model approach for optimizing energy storage system performance and path prediction in mobile ad-hoc networks
编辑推荐：
移动自组网(MANET)面临由于节点能量存储有限和复杂路径预测问题带来的重大运行挑战，这些问题共同降低了网络寿命。为应对这些限制，本研究提出了一种创新的路径规划方案，该方案由量子神经网络(QNN)机制与隐马尔可夫模型(HMM)集成驱动。提出的框架利用量子计算优
移动自组网(MANET)面临由于节点能量存储有限和复杂路径预测问题带来的重大运行挑战，这些问题共同降低了网络寿命。为应对这些限制，本研究提出了一种创新的路径规划方案，该方案由量子神经网络(QNN)机制与隐马尔可夫模型(HMM)集成驱动。提出的框架利用量子计算优越的并行处理能力，对复杂的节点行为和动态能耗模式产生高精度预测。在该架构中，QNN分析历史能量存储数据以预测未来需求，而HMM专门记录离散能量水平之间的随机状态转换。这种双重方法有助于早期检测潜在的能量耗尽风险，允许路由协议优化路径选择以实现最大效率。使用NS-2仿真环境，通过多个关键指标严格评估了QNN-HMM方案的性能，包括网络寿命、能耗、数据包投递率(PDR)、平均端到端延迟、路由控制开销(RCO)、节点故障率(NFR)和总路径长度(TPL)。比较分析表明，该量子增强模型显著优于传统的能量感知协议以及经典的机器学习或深度学习架构。具体来说，在100节点网络场景中，该协议实现了465秒的峰值网络寿命和最小化的514焦耳能耗。此外，该系统保持了97.3%的高PDR和122毫秒的低延迟。这些发现证实，基于量子的能量感知解决方案为MANET的可持续性和硬件级近中期量子(NISQ)实现提供了变革潜力。
论文解读文章
**研究背景与问题**
移动自组织网络(MANET)由无中心基础设施的移动节点动态聚合而成，在灾害通信、军事行动等场景中具有快速部署优势。然而，节点有限能量存储与复杂路径预测问题严重制约网络寿命。传统能量感知路由协议（如AODV）仅依赖节点当前剩余能量，无法预测未来能耗与动态移动性，导致关键节点能量耗尽后网络断裂。尽管机器学习(ML)与深度学习方法（如SVM、LSTM、CNN）提升了预测能力，但需大量标注数据且计算开销高，不适用于资源受限的移动设备。现有研究在主动预防节点故障方面存在空白，缺少高精度、低延迟、低计算量的能耗预测机制。为此，研究人员提出一种结合量子神经网络(QNN)与隐马尔可夫模型(HMM)的路径规划方案。
**研究内容与结论**
研究人员创新性地设计并实现了基于HMM-QNN的路径路由协议。该框架中，QNN利用量子比特的叠加与纠缠特性，以少于经典神经网络的样本量和更快的收敛速度学习节点历史能量数据，输出高精度未来能耗预测；HMM则根据预测结果建模节点在离散能量状态（如高、中、低）间的随机转移概率，提前预警能量耗尽风险。通过NS-2仿真环境（C++核心可精细修改能量模型与MAC层）进行严格评估，在100节点场景下，该协议达到峰值网络寿命465秒、能耗514焦耳、数据包投递率(PDR)97.3%、端到端延迟122毫秒。与FL-AODV、MR-AOMDV、LAT-DSR、OFC-TR等传统协议及SVM、ANN、CNN等ML/DL方法对比，QNN-HMM在各项指标上均显著领先。该工作填补了量子计算与HMM结合应用于MANET路由的空白，为MANET可持续性与硬件级近中期量子(NISQ)实现提供了变革性方案，论文发表在《Journal of Energy Storage》。
**主要关键技术方法**（不超过250字）
研究人员提出并实现了HMM-QNN集成路径规划方案。方法核心包括：1）QNN采用角度与幅度编码(angle and amplitude encoded)的量子神经网络，以量子并行计算处理节点历史能耗时间序列，生成连续预测；2）HMM基于QNN预测输出，建模节点在离散能量水平间的随机状态转移，计算能量耗尽概率；3）路由协议根据HMM提供的概率信息，在路径选择时排除短期内可能降至临界能量水平的节点，实现主动预防。仿真使用NS-2工具，在100节点网络中设置标准参数，对比了FL-AODV、MR-AOMDV、LAT-DSR、OFC-TR、SVM、ANN、CNN共七种方法。所有实现基于公开能量模型与MAC层修改，无特殊试剂或质粒操作。
**研究结果**
**Proposed methods**
研究人员设计了双机制架构：预测机制中，HMM对每个节点的能量水平变化建模，QNN分析历史数据后输出未来能量需求预测，HMM据此记录状态转移概率；路由机制中，协议根据预测结果动态调整路径，避开即将耗尽能量的节点。两种机制协同工作，实现前瞻性而非反应式的能量管理。
**Experimental analysis and results**
通过NS-2仿真，研究人员从网络寿命、能耗、PDR、平均端到端延迟、路由控制开销(RCO)、节点故障率(NFR)和总路径长度(TPL)七个维度评估性能。结果明确显示：在100节点网络中，QNN-HMM协议达到网络寿命465秒、能耗514焦耳、PDR 97.3%、延迟122毫秒，远优于所有对比方案（传统协议如FL-AODV、MR-AOMDV、LAT-DSR、OFC-TR，以及ML/DL方法如SVM、ANN、CNN）。例如，对比方法中最优的网络寿命仅为约300秒，PDR约90%。此外，QNN-HMM在RCO和NFR上同样表现出最低值，验证了其在能耗均衡与故障预防上的优越性。
**Conclusion**
研究结论部分翻译：本研究通过提出一种集成HMM的QNN路径路由方案，解决了MANET中节点能量有限的根本问题。所提出的HMM-QNN方法利用QNN的卓越计算能力预测节点的复杂能耗模式，同时通过HMM的概率状态转换建模主动预测能量耗尽风险。使用NS-2进行的广泛仿真清楚表明，与现有传统和ML/DL方法相比，该方案显著延长了网络寿命、降低了能耗、提高了PDR并减少了延迟。研究结果为MANET的可持续性提供了变革潜力，并展示了在NISQ硬件上实施的可能性。未来工作将探索该方案在真实NISQ设备上的部署，并考虑与其他量子协议集成以进一步增强安全性。
