概要 - 細胞無しのマスive MIMOシステムにおけるハイブリッド量子卷積神経網補助のパイロットアサインメント

タイトル

細胞無しのマスive MIMOシステムにおけるハイブリッド量子卷積神経網補助のパイロットアサインメント

時間

2025-07-09 06:33:43

著者

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

カテゴリ

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

リンク
http://arxiv.org/abs/2507.06585v1

PDF リンク
http://arxiv.org/pdf/2507.06585v1

概要

この論文では、セルフリースの大規模MIMOシステムにおけるパイロット割り当てにハイブリッド量子卷積ニューラルネットワーク（HQCNN）を提案しています。目標は、パイロット汚染を抑えつつ、総エルゴディック和トランジット通量を最大化することです。提案されたHQCNNは、パラメータ化量子回路（PQC）を利用して特徴抽出を強化し、全ての卷積層で同じPQCを使用してニューラルネットワークをカスタマイズし、収束を加速します。既存のモデルベースの解決策や従来の深層ニューラルネットワークは、セルフリースの大規模MIMOシステムにおけるパイロット割り当てには効率が悪く、計算負荷が高いです。提案されたHQCNNは、量子機械学習（QML）の独特の利点、すなわち重ね合わせ、テンソル積構造、ユニタリー進化を利用してこれらの限界を克服します。提案されたHQCNNモデルは、主に3つの部分で構成されています：前処理、量子卷積ニューラルネットワーク（QCNN）、後処理。前処理層は、古典データを量子状態にエンコードし、QCNNは量子状態を処理し、特徴を抽出します。後処理層は、QCNNの結果をパイロット選択確率に変換します。提案されたHQCNNモデルは、監督学習および非監督学習の両方のフレームワークで評価されました。数値結果は、提案されたHQCNNが古典的な深層学習モデルよりも速く収束し、小規模システムにおける近い最適エルゴディックトランジット通量を達成することを示しています。さらに、提案されたHQCNNは、ランダム、贪婪、マスター-AP、場所ベースなどの他のパイロット割り当て手法と比較して、平均和率において優れています。しかし、提案されたHQCNNモデルは、量子ハードウェアの近期の限界、例えばノイズ源や不純化の限界に制約されています。これらの限界は、低深度PQCの使用、ゼロノイズ外推（ZNE）技術の採用、量子ビット数やPQC設計の最適化を通じて解決できます。結論として、提案されたHQCNNモデルは、セルフリースの大規模MIMOシステムにおけるパイロット割り当てに対する効率的かつ効果的な解決策を提供します。モデルはQMLの利点を活用して、古典方法と比較して優れた性能を達成します。今後の研究では、量子ハードウェアの近期の限界を克服し、提案されたHQCNNモデルの堅牢性とスケーラビリティを向上させる必要があります。

推奨論文

多源CTスキャン分類におけるドメインシフトの抑え込みを目的とする入力空間標準化

無限群の隠れた部分群問題

ロボットサッカーのための効率的なライン検出

可変構成AIアクセラレータにおけるデータと指令のストリーミングのための7-Dフラットコンボベーションループネストの神秘を解明

どのグラフモチーフのパラメータが重要ですか？

SafeWork-R1: AI-45°法のもとでの共生進化する安全と知能

記述の連鎖: VHDLコード生成と要約のためのコードLLMsの向上

PRACtical：効率的なPRAC Rowhammer対策のためのサブアレイレベルのカウンタ更新とバンクレベルのリカバリ保護

柔軟なN-タプル弱い監督のための統一した経験的リスク最小化枠組

他者の心：言語モデルが人間の時的認知を示す方法