[论文解读] 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 8

一句话总结

该论文提出了一种基于变分量子线路（VQC）的元学习（L2L）量子湍流检测框架，该VQC基于量子近似优化算法（QAOA），用于MIMO系统。通过采用基于长短期记忆网络（LSTM）的L2L优化器，快速调节VQC参数，该方法在计算延迟较低的情况下实现了接近最大似然（ML）的性能，在短码长MIMO系统中表现出接近最优的误比特率（BER）性能。

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.

研究动机与目标

• 解决经典最大似然（ML）检测在MIMO系统中计算复杂度过高的问题。
• 实现量子解码器的软决策输出，这对于湍流均衡至关重要，但标准QAOA中尚不具备此功能。
• 通过用学习的、快速的L2L方法替代经典元启发式方法，降低变分量子线路参数优化的延迟。
• 证明量子增强的湍流检测可在实际MIMO场景中逼近最优ML性能。

提出的方法

• 使用QAOA电路结构构建VQC解码器，其代价哈密顿量和混合哈密顿量针对MIMO信道检测问题进行定制。
• L2L框架利用长短期记忆（LSTM）网络，在仅20次迭代内预测VQC的最优变分参数（γ, β）。
• 通过变换函数将VQC的软决策输出转换为对数似然比（LLRs），以支持湍流检测环路中的反馈。
• 将VQC解码器与正交近似消息传递（OAMP）检测器集成，形成基于VQC的湍流检测（VQC-TD）架构。
• VQC-TD框架采用联合优化过程，其中LSTM学习在多个训练实例中加速参数收敛。
• 该方法采用经典-量子协同设计，其中经典LSTM减少了参数调优所需的量子处理器调用次数。

实验结果

研究问题

• RQ1 基于QAOA的量子线路是否能在编码MIMO系统中实现接近最优的软决策解码性能？
• RQ2 基于元学习（L2L）的LSTM框架是否能显著减少优化变分量子线路参数所需的量子处理器调用次数？
• RQ3 VQC-TD系统的性能与基于经典神经网络的解码器及最大似然（ML）性能界限相比，在误比特率（BER）方面如何？
• RQ4 所提出的L2L-VQC-TD框架在经典与量子操作方面的计算复杂度如何？

主要发现

• 在EMA-OAMP检测环路仅进行3次迭代后，VQC-TD系统实现的误比特率（BER）性能与最优最大似然（ML）性能相差不超过0.5 dB。
• L2L LSTM优化器仅需约20个时间步即可收敛至最优变分参数（γ, β），显著减少了与量子处理器的交互时间。
• 对于N=20的LDPC码和最佳已知线性码（BKLC），VQC-TD均优于经典LSTM基解码器，并且非常接近ML性能。
• VQC-TD系统的计算复杂度与QAOA深度D及生成矩阵G的平均列权重呈二次方增长，其中LSTM单元主导了经典处理成本。
• VQC-TD框架是首个展示结合软决策输出与学习型低延迟参数优化策略的量子湍流检测系统。