Zusammenfassung - Hybrid Quantum Convolutional Neural Network-gestütztes Pilotenzuweisungssystem in zellfreien Massively MIMO-Systemen

Hybrid Quantum Convolutional Neural Network-gestütztes Pilotenzuweisungssystem in zellfreien Massively MIMO-Systemen

2025-07-09 06:33:43

{"Doan Hieu Nguyen","Xuan Tung Nguyen","Seon-Geun Jeong","Trinh Van Chien","Lajos Hanzo","Won Joo Hwang"}

{cs.IT,eess.SP,math.IT}

Dieses Papier schlägt einen hybriden quanten-convolutionalen Neuralnetz (HQCNN) zur Pilotenzuweisung in zellenfreien massiven MIMO-Systemen vor. Ziel ist es, den Gesamtwert des ergodischen Summendurchsatzes zu maximieren, während Pilotenverunreinigungen gemindert werden. Der vorgeschlagene HQCNN nutzt parametrisierte Quantenschaltungen (PQCs) zur verbesserten Merkmalsextraktion und verwendet dieselben PQCs in allen Convolutionsschichten, um das Neuronale Netz anzupassen und die Konvergenz zu beschleunigen. Bestehende modellbasierte Lösungen und konventionelle tiefe Neuralnetze sind ineffizient und rechenintensiv für die Pilotenzuweisung in zellenfreien massiven MIMO-Systemen. Der vorgeschlagene HQCNN behebt diese Einschränkungen durch die Nutzung der einzigartigen Vorteile des Quantenmaschinenlernens (QML), einschließlich Superposition, Tensorproduktstruktur und unitäre Evolution. Das vorgeschlagene HQCNN-Modell besteht aus drei Hauptteilen: Vorverarbeitung, Quanten-convolutionales Neuralnetz (QCNN) und Nachverarbeitung. Die Vorverarbeitungsschicht integriert klassische Daten in Quantenzustände, während das QCNN Quantenzustände verarbeitet und Merkmale extrahiert. Die Nachverarbeitungsschicht wandelt die Ergebnisse des QCNN in Pilotenauswahlwahrscheinlichkeiten um. Das vorgeschlagene HQCNN-Modell wurde sowohl unter überwachtem als auch unter unsichtbarem Trainingsrahmen bewertet. Numerische Ergebnisse zeigen, dass das vorgeschlagene HQCNN schneller konvergiert als klassische tiefenlernende Modelle und für kleine Systeme nahezu optimalen ergodischen Durchsatz erreicht. Zusätzlich übertrifft der vorgeschlagene HQCNN andere Pilotenzuweisungsmethoden wie zufällig, greedy, master-AP und standortbasierte Methoden im Hinblick auf die durchschnittliche Summenrate. Dennoch ist das vorgeschlagene HQCNN-Modell durch die Einschränkungen des nahen Zukunftshardware, wie z.B. Störungsquellen und Dekohärenz, begrenzt. Diese Einschränkungen können durch die Nutzung tiefer PQCs, die Einführung von Zero-Noise Extrapolation (ZNE)-Techniken und die Optimierung der Anzahl der Qubits und des PQC-Designs angegangen werden. Zusammenfassend lässt sich sagen, dass das vorgeschlagene HQCNN-Modell eine effiziente und effektive Lösung für die Pilotenzuweisung in zellenfreien massiven MIMO-Systemen bietet. Das Modell nutzt die Vorteile des QML, um eine überlegene Leistung im Vergleich zu klassischen Methoden zu erzielen. Weitere Forschung ist erforderlich, um die Einschränkungen des nahen Zukunftshardware zu bewältigen und die Robustheit und Skalierbarkeit des vorgeschlagenen HQCNN-Modells zu verbessern.