面向AI-Agent通信网络中mURLLC的考虑导频污染轻量化混合量子-经典卷积神经网络(HQCNN)算法

《Chinese Journal of Electronics》：A Pilot Contamination-Aware Lightweight HQCNN Algorithm for mURLLC in AI-Agent Communication Networks

　　

摘要：人工智能Agent通信网络（AI-Agent Communication Networks, ACNs）已成为未来第六代（6G）通信系统的关键场景，其中自主Agent需在无小区（Cell-Free）架构下通过实时协作实现海量超高可靠低时延通信（massive Ultra-Reliable and Low-Latency Communications, mURLLC）。为支持mURLLC需求，研究人员研究了无小区大规模多输入多输出（Cell-Free Massive Multiple-Input Multiple-Output, CF mMIMO）系统中的导频污染（Pilot Contamination）问题。研究人员提出了一种ACN架构，推导了导频污染的闭式表达式，并提出一种轻量化混合量子-经典卷积神经网络（Light-weight Hybrid Quantum-Classic Convolutional Neural Network, HQCNN）算法，利用量子并行性（Quantum Parallelism）和非线性学习有效抑制导频污染。仿真结果表明，该算法使误码概率降低99.71%，连接密度提升31.8%，在工业元宇宙和下一代ACN中群体机器人应用方面展现出巨大潜力。

论文解读：面向AI-Agent通信网络中mURLLC的考虑导频污染轻量化HQCNN算法研究

一、研究背景与意义

第六代（6G）无线通信系统旨在支持智能工厂、协同机器人等高动态智能应用。为实现内生智能通信，人工智能Agent通信网络（AI-Agent Communication Networks, ACNs）成为重要范式，其中大量执行Agent（E-Agents）通过实时信息交互完成协作，其控制指令传输对海量超高可靠低时延通信（massive Ultra-Reliable and Low-Latency Communications, mURLLC）提出严格要求：空口时延低于0.5 ms、可靠性优于99.9999%、连接密度大于10⁷设备/km²。无小区大规模多输入多输出（Cell-Free Massive Multiple-Input Multiple-Output, CF mMIMO）系统是mURLLC的重要使能技术，通过大量接入点（Access Points, APs）协作服务用户。mURLLC采用短包传输导致相干时间块有限、导频长度受限，大规模部署时正交导频不足引发严重的导频污染（Pilot Contamination），劣化信道估计并影响Agent间协调。现有传统解法（凸优化、图着色、匈牙利算法）复杂度随维度剧增且泛化性差；基于人工智能的导频分配（K-means、强化学习、卷积神经网络CNN）虽有一定优势，但ACNs中高密度Agent交互带来的高并发与非平稳上行链路模式仍具挑战；量子计算具并行性与叠加态优势可求解组合优化问题，但与CF mMIMO图形特征及导频污染精确刻画结合尚属空白。为此，研究人员推导导频污染表达式，提出轻量化混合量子-经典卷积神经网络（Hybrid Quantum-Classic Convolutional Neural Network, HQCNN）导频分配策略，以满足mURLLC需求。本文发表于《Chinese Journal of Electronics》。

二、主要关键技术方法

研究人员首先建立CF mMIMO-enabled ACN系统模型（M个L天线AP、K个单天线E-Agent，TDD模式），推导最小均方误差（Minimum Mean Square Error, MMSE）信道估计及最大比合并（Maximum-Ratio Combining, MRC）下上行SINR与误包率（Error Probability, EP）Polyanskiy近似表达式，从多用户干扰项提取导频污染闭式C_k，将导频分配建模为以最小化平均C_k为目标的NP-hard约束优化问题（需满足Agent可用、电量阈值、最小间距、总功率约束）。提出HQCNN算法：以大尺度衰落（Large-Scale Fading, LSF）矩阵B为输入，经量子主成分分析（Quantum PCA, QPCA）降维后做角度编码（Angle Encoding，RX旋转门），构建4量子比特浅变分量子电路（Single-layer Nearest-Neighbor CNOT纠缠），Pauli-Z测量得经典特征向量，再送入全连接层与Softmax输出K×τ_p导频分配概率矩阵，以交叉熵为损失函数，采用Parameter-Shift Rule求量子梯度并更新变分参数，Early Stopping控制训练。复杂度分析给出总体计算复杂度为O(n(MK²+Kτ_p)+N_sK)。

三、研究结果

SECTION II. System Model

研究人员建立智能工厂ACN场景（O- Agent编排、K个E-Agent上传状态向量含荷电状态SOC、位置、物理与任务状态），给出AP m与E-Agent i间信道模型g_mi=√(β_mi)h_mi（β_mi大尺度衰落，h_mi~CN(0,I_L)小尺度瑞利衰落），MMSE估计?_mi及估计误差协方差?_mi。采用MRC检测推导上行接收SINR γ_k=E[|DS_k|²]/(E[|MU_k|²]+E[|EE_k|²]+E[|N|²])，其中期望项分别含信道估计四阶矩、多用户干扰（含同导频复用集合S_ijk与非复用集S_ij的大尺度衰落乘积）、估计误差与噪声。基于Polyanskiy短包近似得第k个E-Agent误包率ε_k≈Q(√((Bt_D-τ_p)/V(γ_k))(C(γ_k)-(D/(Bt_D-τ_p))))，系统平均误包率ε?=1/K Σ ε_k，可靠性为1-ε?。

SECTION III. Hybrid Quantum Convolutional Neural Network-Based Pilot Assignment

问题建模：展开E[|MU_k|²]明确导频污染来源于非正交导频内积项|S_ijk|与|S_ij|及大尺度衰落差异，定义导频污染项C_k=p_uζ_k{Σ_mL Σ_i∈SijΣ_j∈Sijβ_mk²β_miβ_mj+ Σ_i∈SijkΣ_j∈Sijk(β_miβ_mj/β_mk²)(LΣ_mβ_mk⁴+L²(Σ_mβ_mk²)²)}，目标为arg min_Φ1/K Σ_k=1^KC_k，约束为导频索引矩阵、Agent可用(ξ_i=μ_i=1)、SOC κ_i≥κ_min、同用导频Agent间距‖λ_i-λ_j‖²≥d_min、总功率p_uΣζ_i≤P。

HQCNN结构与流程：LSF矩阵B元素β_ij经QPCA压缩为4维特征x?，通过RX(θ)=[[cos(θ/2),-isin(θ/2)];[-isin(θ/2),cos(θ/2)]]做角度编码得|ψ_enc(x)?=?_i=1⁴R_X(x?_i)|0?^?4；经单层最近邻CNOT纠缠U_CNOT=CNOT_0→1·CNOT_1→2·CNOT_2→3得|ψ_ent(θ,x)?=U_CNOT·(?R_X(θ_i))·|ψ_enc(x)?；Pauli-Z测量z_i=?ψ_ent|Z_i|ψ_ent?得4维向量z；经典后端h₁=ReLU(W₁z+b₁)，h₂=W₂h₁+b₂，P?=Softmax(reshape(h₂,K,τ_p))；量子参数用Parameter-Shift Rule ??Z_i?/?θ_j=(1/2)[?Z_i?_θj+π/2-?Z_i?_θj-π/2]更新：θ_j^(t+1)=θ_j^(t)-η·??/?θ_j。算法伪代码含早停（验证损失变化≤10^-4连续patience次则终止）。

复杂度分析：量子层需K×4次线路调用，复杂度O(MK²)，前向/反向O(K+Kτ_p)，预测O(Kτ_p)，总复杂度O(n(MK²+Kτ_p)+N_sK)，低于多智能体深度强化学习（MADRL）。

SECTION IV. Numerical Results and Analyses

仿真设M个AP、K个E-Agent均匀分布于0.25×0.25 km²，路径损耗参照3GPP式，活跃用户比统一，PennyLane+PyTorch仿真（i7-13620H, RTX 4060），对照基准为DSatur、IB-KM、MADRL、纯CNN、QPCA+CNN、GNN、Transformer；M=100,L=2。

结论：(1) 可靠性-时延-连接密度三维关系：τ_p=80,t=0.25 ms时HQCNN较MADRL误包率降98.31%，较IB-KM降79.74%；(2) 固定EP=10^-5时HQCNN时延降42.5%，时延由0.2 ms增至0.45 ms时连接密度翻倍；(3) 同EP下HQCNN较MADRL支持多31.81% E-Agent；(4) EP约束10^-5下w=4.8时HQCNN较MADRL时延降25.39%，t=0.5 ms时连接密度较MADRL升42.10%；(5) 随τ_p增大EP先降后升（过τ_p≈200因数据符号缩短致可靠性降），τ_p由100→150 EP降99.99%，HQCNN较DSatur EP降97.75%；(6) HQCNN较纯QPCA+CNN（τ_p=60 EP降67.33%，τ_p=40 EP降97.91%）证明量子并行结构贡献而非仅QPCA；较GNN EP降12.27%，较Transformer EP降92.26%；(7) 计算时间：匈牙利算法指数增长，HQCNN与DSatur、Min-Interference近似线性增长，HQCNN略慢于DSatur但EP显著更低可接受；(8) 固定总天线数ML=200时，更多单天线AP(M=200,L=1)优于少多天线AP(M=50,L=4)，宏分集增益更明显。

SECTION V. Conclusion（结论翻译）

为解决CF mMIMO系统中导频污染关键问题并满足ACN中mURLLC及高并发需求，研究人员分析了导频污染项并提出了一种基于HQCNN的轻量化导频分配算法。该算法利用角度编码、基于QPCA的特征提取及带经典CNN骨干的浅变分量子电路，实现导频污染抑制与计算高效性。仿真结果表明，该算法使误包概率降低99.71%，连接密度提升31.81%，验证了其在工业元宇宙、自主集群机器人和精密远程医疗等关键时间敏感应用中的有效性。

四、讨论总结

本研究针对6G ACN中CF mMIMO系统mURLLC场景下的导频污染NP-hard分配问题，首次将QPCA角度编码与4-qubit浅变分量子电路引入导频分配HQCNN框架，结合经典全连接层实现端到端学习。理论推导给出导频污染闭式表达式及SINR、短包误包率公式，明确污染与大尺度衰落差异及导频复用集合的关系。仿真验证HQCNN在误包率、时延、连接密度三项指标上均优于DSatur、IB-KM、MADRL、GNN及Transformer等对照方法，兼顾线性计算时间增长与显著可靠性提升，说明量子-经典混合架构适合高密度ACN动态环境。研究同时指出导频长度存在最优区间（先降后升EP），增加AP数比单AP增天线数更有利宏分集与可靠性，MRC在低复杂度下可满足mURLLC性能要求。该工作为下一代ACN中量子启发式通信资源分配提供了理论与实证基础。