Resumen - Asignación de pilotos asistida por una Red Neuronal Convolucional Cuántica Híbrida en Sistemas de MIMO Masivo sin Célula

Asignación de pilotos asistida por una Red Neuronal Convolucional Cuántica Híbrida en Sistemas de MIMO Masivo sin Célula

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}

Este documento propone una red neuronal de convolución cuántica híbrida (HQCNN) para la asignación de pilotos en sistemas MIMO masivos sin celdas. El objetivo es maximizar el throughput total ergódico mientras se mitigan las contaminaciones de piloto. La HQCNN propuesta utiliza circuitos cuánticos parametrizados (PQC) para una extracción de características mejorada y utiliza el mismo PQC a través de todas las capas de convolución para personalizar la red neuronal y acelerar la convergencia. Las soluciones basadas en modelos existentes y las redes neuronales profundas convencionales son ineficientes y demandan mucho en términos de computación para la asignación de pilotos en sistemas MIMO masivos sin celdas. La HQCNN propuesta aborda estas limitaciones aprovechando las ventajas únicas del aprendizaje automático cuántico (QML), incluyendo la superposición, la estructura de producto tensorial y la evolución unitaria. El modelo HQCNN propuesto consta de tres partes principales: preprocesamiento, red neuronal de convolución cuántica (QCNN) y postprocesamiento. La capa de preprocesamiento embebe datos clásicos en estados cuánticos, mientras que el QCNN procesa estados cuánticos y extrae características. La capa de postprocesamiento convierte los resultados del QCNN en probabilidades de selección de piloto. El modelo HQCNN propuesto fue evaluado bajo marcos de entrenamiento supervisado e insupervisado. Los resultados numéricos demuestran que la HQCNN propuesta converge más rápido que los modelos de aprendizaje profundo clásicos y alcanza un throughput ergódico cercano a óptimo para sistemas a pequeña escala. Además, la HQCNN propuesta supera a otros métodos de asignación de piloto, como los aleatorios, greedy, master-AP y basados en ubicación, en términos de tasa promedio de suma. Sin embargo, el modelo HQCNN propuesto está limitado por las limitaciones del hardware cuántico a corto plazo, como fuentes de ruido y decoherencia. Estas limitaciones pueden abordarse utilizando PQC de baja profundidad, adoptando técnicas de extrapolación de cero ruido (ZNE) y optimizando el número de qubits y el diseño del PQC. En conclusión, el modelo HQCNN propuesto ofrece una solución eficiente y efectiva para la asignación de piloto en sistemas MIMO masivos sin celdas. El modelo aprovecha las ventajas del QML para lograr un rendimiento superior en comparación con los métodos clásicos. Se necesita más investigación para abordar las limitaciones del hardware cuántico a corto plazo y mejorar la robustez y escalabilidad del modelo HQCNN propuesto.