[논문 리뷰] Learning to Learn Quantum Turbo Detection

Bryan Liu, Toshiaki Koike‐Akino외 2명|arXiv (Cornell University)|2022. 05. 17.

Quantum Computing Algorithms and Architecture인용 수 8

한 줄 요약

이 논문은 MIMO 시스템을 위한 변분 양자 회로(VQC) 기반의 양자 근사 최적화 알고리즘(QAOA)을 사용한 학습-학습(L2L) 양자 터보 검출 프레임워크를 제안한다. L2L 최적화기로 구성된 LSTM을 활용해 VQC 파라미터를 신속하게 조정함으로써, 낮은 계산 지연으로 최대우도(ML) 성능에 근접한 성능을 달성하며, 짧은 길이의 코딩된 MIMO 시스템에서 거의 최적의 비트 오류율(BER) 성능을 보여준다.

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.

연구 동기 및 목표

• MIMO 시스템에서 고전적 최대우도(ML) 디코딩의 높은 계산 복잡도 문제를 해결하기 위해.
• 터보 균형화에 필수적인 소프트 디시전 출력을 가능하게 하되, 표준 QAOA에서 부족한 양자 디코더의 소프트 디시전 출력을 제공하기 위해.
• 기존의 고전적 메타휴리스틱 기반 최적화 방식을 대체하여 빠른 L2L 접근 방식을 통해 변분 양자 회로의 파라미터 최적화 지연을 줄이기 위해.
• 실제 MIMO 환경에서 양자 강화 터보 검출이 최적의 ML 성능에 근접할 수 있음을 입증하기 위해.

제안 방법

• 비용 해밀토니안과 믹서 해밀토니안을 MIMO 채널 검출 문제에 맞게 조정한 QAOA 앤사즈를 사용해 VQC 디코더를 구성한다.
• L2L 프레임워크는 장기적 단기 기억(LSTM) 네트워크를 사용해 VQC의 변분 파라미터(γ, β)를 단 20회 반복 내에 최적화된 값을 예측한다.
• VQC에서 생성된 소프트 디시전 출력은 변환 함수를 통해 로그 우도비(LLR)로 변환되어 터보 검출 루프의 피드백을 가능하게 한다.
• VQC 디코더를 정규직교 근사 메시지 전달(OAMP) 검출기와 통합하여 VQC 기반 터보 검출(VQC-TD) 아키텍처를 구성한다.
• VQC-TD 프레임워크는 LSTM이 여러 학습 인스턴스를 거쳐 파라미터 수렴 속도를 가속화하도록 공동 최적화 과정을 사용한다.
• 이 방법은 고전적-양자 공동 설계를 활용하여, 파라미터 조정을 위한 양자 프로세서 호출 횟수를 줄인다.

실험 결과

연구 질문

• RQ1 QAOA 기반 양자 회로가 코딩된 MIMO 시스템에서 거의 최적의 소프트 디시전 디코딩 성능을 달성할 수 있는가?
• RQ2 학습-학습(L2L) LSTM 프레임워크가 변분 양자 회로의 파라미터 최적화에 필요한 양자 프로세서 호출 횟수를 크게 줄일 수 있는가?
• RQ3 VQC-TD 시스템의 성능은 비트 오류율(BER) 측면에서 고전적 신경망 기반 디코더와 최대우도(ML) 한계와 비교해 어떻게 되는가?
• RQ4 제안된 L2L-VQC-TD 프레임워크의 계산 복잡도는 고전적 연산과 양자 연산 측면에서 어떻게 되는가?

주요 결과

• EMA-OAMP 검출 루프의 3회 반복 후 VQC-TD 시스템은 최적의 최대우도(ML) 성능에 0.5 dB 이내의 비트 오류율(BER) 성능을 달성한다.
• L2L LSTM 최적화기는 최적의 변분 파라미터(γ, β)에 도달하기 위해 약 20단계의 시간 단위만을 소요하여, 양자 프로세서와의 상호작용 시간을 크게 줄였다.
• N=20인 LDPC 및 최고의 선형 코드(BKLC)에 대해 VQC-TD는 고전적 LSTM 기반 디코더를 능가했으며, ML 성능에 매우 가까이 다가섰다.
• VQC-TD 시스템의 계산 복잡도는 QAOA 깊이 D와 생성 행렬 G의 평균 열 무게에 대해 제곱형으로 증가하며, 고전적 처리 비용의 주요 기여자는 LSTM 셀이다.
• VQC-TD 프레임워크는 소프트 디시전 출력과 학습된 저지연도 파라미터 최적화 전략을 결합한 첫 번째 양자 터보 검출 시스템을 구현한 것이다.