用于6G低地球轨道卫星通信的混合量子-经典神经网络

《Scientific Reports》：Hybrid quantum-classical neural networks for low earth orbit satellite communications in 6G

　　

摘要

近地轨道卫星通信对于下一代6G无线系统而言至关重要，但面临着严重的信道缺陷，包括较大的多普勒频移以及时变的多径瑞利衰落。这些动态变化条件再加上信道老化问题，会显著降低传统接收器的可靠性。虽然基于深度学习的解决方案能够提升性能，但其较高的计算复杂度给资源有限的卫星载荷带来了挑战。本文提出了一种基于量子卷积神经网络的参数高效型混合量子-经典接收器，该接收器在文中被简称为混合QCNN。该模型还通过迭代数据重上传机制来最大化有限量子比特的表达能力。为提升混合量子-经典训练过程中的优化稳定性，本文引入了双学习率优化策略。由于梯度幅值可能较小且在不同参数组之间存在差异，该策略为量子参数和经典参数分配了不同的学习率。本文使用高精度信道模拟器对所提模型进行了验证，该模拟器结合了3GPP TR 38.811中的高度相关K因子模型与Loo的多径瑞利衰落模型，能够动态呈现不同高度角下的真实衰落特性。仿真结果表明，所提出的混合QCNN的误码率性能与传统的CNN基准模型几乎相当。在各种信道条件下，两者的性能差距始终低于1%，而混合QCNN的参数数量则减少了约89%。此外，在一项消融研究中，与标准量子池化基准模型相比，该迭代重处理机制在10分贝的信噪比下可使相对误码率降低26.9%。这一结果表明量子池化过程中特征保留效果得到了改善。