面向5G/6G超大规模MIMO系统的AI-量子信道估计框架AQCME：量子克拉美-罗下界的可达性证明与性能验证

《Scientific Reports》：AI-quantum hybrid channel modeling and noise mitigation for 5G/6G wireless networks: the AQCME framework

　　

摘要

信道估计是第五代（5G）及新兴第六代（6G）无线网络中最基础且具有性能瓶颈的关键操作之一，在这些网络中，超大规模MIMO阵列、毫米波和太赫兹载波频率以及非高斯硬件噪声的共同作用使得经典的普通最小二乘估计器和最小均方误差估计器不再适用。深度学习已缩小了性能差距，但无法在信息论层面提供任何保证，来确认任何特定网络架构接近基本噪声底层的程度。本文提出了AI-量子信道建模与估计（AQCME）框架，该框架将变分量子线路、量子信号处理和量子特征空间去噪算子整合为一种统一的可训练架构，用于MIMO-OFDM系统中信道估计与噪声抑制的同步实现。该框架的核心理论成果是基于编码信道态量子Fisher信息矩阵的归一化均方误差量子克拉美-罗下界，并严格证明了随着训练数据的增加，AQCME估计器将趋近该下界——据我们所知，这是无线信道估计文献中首个此类可构造可达性结果。该框架得到了量子信道态制备的形式化分析、量子核的普遍性（含明确的 barren-plateau 可训练性讨论）、遍历谱效率、Nakagami-m 中断概率以及混合量子-经典梯度下降收敛性的支撑。通过50,000次信道实现的蒙特卡洛模拟进行了验证，全文均以90%置信区间报告结果，验证了每一项理论预测。跨线路深度和量子比特数的消融研究、门错误率从1e-4到1e-2的硬件噪声扫描以及超参数敏感性分析确认了鲁棒性。在20 dB信噪比下，AQCME相比MMSE将归一化均方误差降低了4.8 dB，相比最佳深度学习基线降低了2.1 dB；在模拟的近期中期含噪量子硬件条件下，仍以2.6 dB的优势超越MMSE。本工作中所有量子结果均通过变分线路的精确经典态向量仿真获得，未使用任何物理量子处理器，所报告的硬件噪声行为通过退极化信道建模。在大规模MIMO场景中，谱效率提升高达22.4%，URLLC中断目标1e-5比MMSE所需的信噪比低6.2 dB即可满足，推理复杂度随天线数量呈对数增长，而非如MMSE矩阵求逆那样呈四次方增长。