[論文レビュー] Learning to Learn Quantum Turbo Detection

Bryan Liu, Toshiaki Koike‐Akino+2 more|arXiv (Cornell University)|May 17, 2022

Quantum Computing Algorithms and Architecture被引用数 8

ひとこと要約

本稿では、MIMOシステム向けに、量子近似最適化アルゴリズム（QAOA）に基づく変分量子回路（VQC）を用いた、学習する学習（L2L）量子トゥルーブ検出フレームワークを提案する。LSTMに基づくL2L最適化手法を用いてVQCパラメータを高速に調整することで、計算遅延が低く抑えられ、短距離符号化MIMOシステムにおいてほぼ最大尤度性能に近いビット誤り率（BER）性能を達成した。

ABSTRACT

This paper investigates a turbo receiver employing a variational quantum circuit (VQC). The VQC is configured with an ansatz of the quantum approximate optimization algorithm (QAOA). We propose a 'learning to learn' (L2L) framework to optimize the turbo VQC decoder such that high fidelity soft-decision output is generated. Besides demonstrating the proposed algorithm's computational complexity, we show that the L2L VQC turbo decoder can achieve an excellent performance close to the optimal maximum-likelihood performance in a multiple-input multiple-output system.

研究の動機と目的

• MIMOシステムにおける古典的最尤（ML）デコードの高い計算複雑性に対処すること。
• トゥルーブ均衡化に不可欠であるが、標準的なQAOAでは不足している、量子デコーダからのソフトデシジョン出力を可能にすること。
• 古典的メタヒューリスティクスに代えて、学習された高速なL2Lアプローチを用いることで、変分量子回路のパラメータ最適化の遅延を低減すること。
• 実用的MIMO環境下で、量子強化トゥルーブ検出が最適ML性能に近づけることを実証すること。

提案手法

• MIMOチャネル検出問題に適合するように、コストおよびミキサーのハミルトニアンを調整したQAOAアーキテクチャに基づくVQCデコーダを構築する。
• L2Lフレームワークは、20イテレーション以内でVQCの最適な変分パラメータ（γ, β）を予測するための長短期記憶（LSTM）ネットワークを用いる。
• VQCからのソフトデシジョン出力を変換関数を介して対数尤度比（LLR）に変換し、トゥルーブ検出ループでのフィードバックを可能にする。
• VQCデコーダを直交近似メッセージパッシング（OAMP）検出器と統合し、VQCベースのトゥルーブ検出（VQC-TD）アーキテクチャを構築する。
• VQC-TDフレームワークは、複数のトレーニングインスタンスにわたるパラメータ収束を加速するLSTMの学習を統合した共同最適化プロセスを採用する。
• 本手法は、古典的・量子の共同設計を活用しており、古典的LSTMがVQCパラメータチューニングに必要な量子プロセッサ呼び出し回数を削減する。

実験結果

リサーチクエスチョン

• RQ1 QAOAに基づく量子回路は、符号化MIMOシステムにおいて、ほぼ最適なソフトデシジョンデコード性能を達成できるか？
• RQ2 学習する学習（L2L）LSTMフレームワークは、変分量子回路パラメータの最適化に必要な量子プロセッサ呼び出し回数を顕著に削減できるか？
• RQ3 VQC-TDシステムの性能は、古典的ニューラルネットワークベースのデコーダおよび最大尤度（ML）の上限と比較して、ビット誤り率（BER）の観点でどうか？
• RQ4 提案されたL2L-VQC-TDフレームワークの計算複雑性は、古典的および量子演算の観点からどのように評価できるか？

主な発見

• EMA-OAMP検出ループの3イテレーション後、VQC-TDシステムは最適最大尤度（ML）性能と0.5 dB以内のビット誤り率（BER）性能を達成した。
• L2L LSTM最適化器は、最適な変分パラメータ（γ, β）に収束するまで約20ステップで完了し、量子プロセッサとのインタラクション時間の大幅な短縮が達成された。
• N=20のLDPCおよび最高知られ線形符号（BKLC）の両方において、VQC-TDは古典的LSTMベースのデコーダを上回り、ML性能に非常に近い性能を示した。
• VQC-TDシステムの計算複雑性は、QAOA深さDおよび生成行列Gの平均列重みに二次的に比例し、古典的処理コストの大部分をLSTMセルが占める。
• VQC-TDフレームワークは、ソフトデシジョン出力と学習された低遅延パラメータ最適化戦略を組み合わせた、最初の量子トゥルーブ検出システムである。