Routage adaptatif pour les réseaux quantiques sans connexion // adaptive routing for connectionless quantum networks

Topic description

Contexte général et problématique
L'Internet quantique vise à établir de l'intrication de bout en bout entre nœuds distants pour activer des applications comme la distribution de clés quantiques (Quantum Key Distribution, QKD), la synchronisation de référence temporelle, la métrologie distribuée et le calcul quantique distribué. Les réseaux terrestres (fibres, répéteurs quantiques) fournissent une ossature mais restent limités par l'atténuation. L'intégration de liens satellites (optique en espace libre, Free Space Optical, FSO) étend la portée au niveau global, au prix d'une forte dynamique topologique (orbites, visibilité intermittente, pertes variables) et de contraintes temporelles strictes (temps de cohérence, durée des fenêtres de visibilité périodiques).
Le modèle q-datagramme [1] transpose les principes “sans connexion / sans état global” d'Internet au réseau quantique : l'intrication est gérée en unités transportables (q-datagrammes) avec décisions locales et retour d'expérience de voisinage, favorisant la modularité et la résilience [1]. Dans les STQNs, l'enjeu devient d'adapter le routage par apprentissage local aux changements orbitaux et aux fenêtres de visibilité périodiques [2].

État de l'art
Optimisation centralisée par apprentissage par renforcement (Renforcement Learning, RL) : des travaux récents montrent des gains avec Q learning [3] et Deep Q Network (DQN) [4] pour le routage d'intrication, mais en contrôleur central avec vue globale de l'état, ce qui ne passe pas à l'échelle et induit des latences de signalisation incompatibles avec la dynamique satellite [5–6].
Alternatives décentralisées via réseaux de neurones de graphes (Graph Neural Networks, GNN)[8] : elles capturent efficacement la structure topologique, mais n'exploitent pas nativement les mécanismes d'apprentissage de coût de chemin propres au Q routing [7] pour environnements non stationnaires [8].
Lacune : À ce jour, le paradigme Q routing décentralisé n'a pas été appliqué au modèle q-datagramme en contexte hybride satellite terrestre. Notre projet comble cette lacune en mariant datagramme quantique [1] et mobilité STQN [2] avec un cœur DQN (stabilité d'apprentissage inspirée de [4]) intégré dans le paradigme Q routing [7].

Avancées escomptées
Dans un contexte de forte dynamique topologique des réseaux, les avancées escomptées portent sur l'augmentation du débit d'intrication, l'amélioration du taux de succès des demandes, une meilleure fidélité de bout en bout, une robustesse accrue aux pannes de liens ainsi qu'une scalabilité permettant de gérer un grand nombre de nœuds.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

General Context and Problem Statement
The Quantum Internet aims to establish end-to-end entanglement between remote nodes to enable applications such as Quantum Key Distribution (QKD), time reference synchronization, distributed metrology, and distributed quantum computing. Terrestrial networks (fibers, quantum repeaters) provide a backbone but remain limited by attenuation. The integration of satellite links (Free Space Optical, FSO) extends the range to a global level, at the cost of high topological dynamics (orbits, intermittent visibility, variable losses) and strict temporal constraints (coherence time, duration of periodic visibility windows).
The q-datagram model [1] transposes the 'connectionless / stateless' principles of the Internet to the quantum network: entanglement is managed in transportable units (q-datagrams) with local decisions and neighborhood feedback, promoting modularity and resilience [1]. In STQNs, the challenge becomes adapting routing through local learning to orbital changes and periodic visibility windows [2].

State of the Art
Centralized optimization via Reinforcement Learning (RL): recent works show gains with Q-learning [3] and Deep Q-Network (DQN) [4] for entanglement routing, but using a central controller with a global view of the state, which does not scale and induces signaling latencies incompatible with satellite dynamics [5–6].
Decentralized alternatives via Graph Neural Networks (GNN) [8]: these effectively capture topological structure but do not natively exploit the path-cost learning mechanisms inherent to Q-routing [7] for non-stationary environments [8].
Gap: To date, the decentralized Q-routing paradigm has not been applied to the q-datagram model in a hybrid satellite-terrestrial context. Our project fills this gap by marrying the quantum datagram [1] and STQN mobility [2] with a DQN core (learning stability inspired by [4]) integrated into the Q-routing paradigm [7].

Expected Advancements
In a context of high network topological dynamics, the expected advancements include increasing entanglement throughput, improving request success rates, better end-to-end fidelity, increased robustness to link failures, as well as scalability allowing for the management of a large number of nodes.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/

Funding category

Funding further details

Contrat doctoral EDSTIC-DS4H