ترجمه فارسی مقاله شبکه‌های عصبی کوانتومی-کلاسیک ترکیبی برای بهینه‌سازی شکل‌دهی پرتو در سیگنال‌های دریافتی

چکیده

This paper investigates quantum machine learning to optimize the beamforming in a multiuser multiple-input single-output downlink system. We aim to combine the power of quantum neural networks and the success of classical deep neural networks to enhance the learning performance. Specifically, we propose two hybrid quantum-classical neural networks to maximize the sum rate of a downlink system. The first one proposes a quantum neural network employing parameterized quantum circuits that follows a classical convolutional neural network. The classical neural network can be jointly trained with the quantum neural network or pre-trained leading to a fine-tuning transfer learning method. The second one designs a quantum convolutional neural network to better extract features followed by a classical deep neural network. Our results demonstrate the feasibility of the proposed hybrid neural networks, and reveal that the first method can achieve similar sum rate performance compared to a benchmark classical neural network with significantly less training parameters; while the second method can achieve higher sum rate especially in presence of many users still with less training parameters. The robustness of the proposed methods is verified using both software simulators and hardware emulators considering noisy intermediate-scale quantum devices.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله به بررسی یادگیری ماشین کوانتومی برای بهینه سازی پرتو در یک سیستم downlink تک خروجی چند ورودی چندرسانه ای می پردازیم.هدف ما ترکیب قدرت شبکه های عصبی کوانتومی و موفقیت شبکه های عصبی عمیق کلاسیک برای تقویت عملکرد یادگیری است.به طور خاص ، ما دو شبکه عصبی کلاسیک کوانتومی ترکیبی را برای به حداکثر رساندن میزان کل یک سیستم downlink پیشنهاد می کنیم.مورد اول یک شبکه عصبی کوانتومی با استفاده از مدارهای کوانتومی پارامتری که از یک شبکه عصبی کلاسیک Convolutional پیروی می کند ، پیشنهاد می کند.شبکه عصبی کلاسیک را می توان به طور مشترک با شبکه عصبی کوانتومی آموزش داد یا از قبل آموزش دیده منتهی به یک روش یادگیری تنظیم دقیق.مورد دوم یک شبکه عصبی کوانتومی کوانتومی را برای استخراج بهتر ویژگی ها و به دنبال آن یک شبکه عصبی عمیق کلاسیک طراحی می کند.نتایج ما امکان سنجی شبکه های عصبی ترکیبی پیشنهادی را نشان می دهد ، و نشان می دهد که روش اول می تواند در مقایسه با یک شبکه عصبی کلاسیک معیار با پارامترهای آموزشی به طور قابل توجهی کمتر به عملکرد میزان جمع مشابه برسد.در حالی که روش دوم می تواند به ویژه در حضور بسیاری از کاربران که هنوز پارامترهای آموزش کمتری دارند ، به میزان جمع بیشتری برسند.استحکام روشهای پیشنهادی با استفاده از هر دو شبیه ساز نرم افزار و شبیه سازهای سخت افزار با توجه به دستگاه های کوانتومی در مقیاس متوسط ​​پر سر و صدا تأیید می شود.