Résumé - Réseau de neurones convolutifs quantiques hybrides assisté par l'assignation de pilotes dans les systèmes Cell-Free Massive MIMO

Réseau de neurones convolutifs quantiques hybrides assisté par l'assignation de pilotes dans les systèmes Cell-Free Massive MIMO

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}

Ce papier propose un réseau de neurones convolutionnels quantique hybride (HQCNN) pour l'attribution des pilotes dans des systèmes massive MIMO sans site. Le but est de maximiser le total de throughput ergodique tout en atténuant la contamination des pilotes. Le HQCNN proposé utilise des circuits quantiques paramétrés (PQCs) pour une extraction de caractéristiques améliorée et utilise le même PQC à travers toutes les couches convolutionnelles pour personnaliser le réseau de neurones et accélérer la convergence. Les solutions existantes basées sur le modèle et les réseaux de neurones profonds conventionnels sont inefficaces et demandent beaucoup de calcul pour l'attribution des pilotes dans les systèmes massive MIMO sans site. Le HQCNN proposé surmonte ces limitations en exploitant les avantages uniques de l'apprentissage machine quantique (QML), y compris la superposition, la structure de produit tensoriel et l'évolution unitaire. Le modèle HQCNN proposé se compose de trois parties principales : pré-traitement, réseau de neurones convolutionnel quantique (QCNN) et post-traitement. La couche de pré-traitement encapsule les données classiques dans des états quantiques, tandis que le QCNN traite les états quantiques et extrait des caractéristiques. La couche de post-traitement convertit les résultats du QCNN en probabilités de sélection des pilotes. Le modèle HQCNN proposé a été évalué sous les cadres d'entraînement supervisé et non supervisé. Les résultats numériques montrent que le HQCNN proposé converge plus rapidement que les modèles d'apprentissage profond classique et atteint un throughput ergodique proche de l'optimal pour les systèmes à petite échelle. De plus, le HQCNN proposé surperforme d'autres méthodes d'attribution des pilotes, telles que le tirage au sort, la méthode greedy, la méthode master-AP et les méthodes basées sur la localisation, en termes de taux moyen de somme. Cependant, le modèle HQCNN proposé est limité par les contraintes des matérielles quantiques à court terme, telles que les bruits et la décohérence. Ces limitations peuvent être traitées en utilisant des PQCs à faible profondeur, en adoptant des techniques d'extrapolation à zéro bruit (ZNE) et en optimisant le nombre de qubits et le design du PQC. En conclusion, le modèle HQCNN proposé offre une solution efficace et efficace pour l'attribution des pilotes dans les systèmes massive MIMO sans site. Le modèle exploite les avantages de l'apprentissage machine quantique pour réaliser une performance supérieure par rapport aux méthodes classiques. Des recherches supplémentaires sont nécessaires pour traiter les limitations des matérielles quantiques à court terme et améliorer la robustesse et l'échelle du modèle HQCNN proposé.