論文の概要: Quantum Approximate Optimization Algorithm for Maximum Likelihood Detection in Massive MIMO

• arxiv url: http://arxiv.org/abs/2510.13350v1
• Date: Wed, 15 Oct 2025 09:37:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.600939
• Title: Quantum Approximate Optimization Algorithm for Maximum Likelihood Detection in Massive MIMO
• Title（参考訳）: 大規模MIMOにおける最大類似度検出のための量子近似最適化アルゴリズム
• Authors: Yuxiang Liu, Fanxu Meng, Zetong Li, Xutao Yu, Zaichen Zhang,
• Abstract要約: 本稿では,二項記号の最大度検出解法をQAOAに基づいて提案する。 最先端のQAOAベースのML検出アルゴリズムと比較して,提案手法は1レベルQAOAのより普遍的でコンパクトな期待値式を持つ。
• 参考スコア（独自算出の注目度）: 21.477208706334608
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the massive multiple-input and multiple-output (Massive MIMO) systems, the maximum likelihood (ML) detection problem is NP-hard and becoming classically intricate with the number of the transmitting antennas and the symbols increasing. The quantum approximate optimization algorithm (QAOA), a leading candidate algorithm running in the noisy intermediate-scale quantum (NISQ) devices, can show quantum advantage for approximately solving combinatorial optimization problems. In this paper, we propose the QAOA based the maximum likelihood detection solver of binary symbols. In proposed scheme, we first conduct a universal and compact analytical expression for the expectation value of the 1-level QAOA. Second, a bayesian optimization based parameters initialization is presented, which can speedup the convergence of the QAOA to a lower local minimum and improve the probability of measuring the exact solution. Compared to the state-of-the-art QAOA based ML detection algorithm, our scheme have the more universal and compact expectation value expression of the 1-level QAOA, and requires few quantum resources and has the higher probability to obtain the exact solution.
• Abstract（参考訳）: 大規模マルチインプットおよびマルチアウトプット(Massive MIMO)システムでは、最大可能性(ML)検出問題はNPハードであり、送信アンテナの数とシンボルの増加とともに古典的に複雑になる。 ノイズの多い中間スケール量子(NISQ)デバイスで動作する主候補アルゴリズムである量子近似最適化アルゴリズム(QAOA)は、組合せ最適化問題を解く上での量子優位性を示すことができる。 本稿では,二項記号の最大極大検出解法に基づくQAOAを提案する。 提案手法では,まず1レベルQAOAの期待値に対する普遍的かつコンパクトな解析式を実行する。 第二に、ベイズ最適化に基づくパラメータ初期化が提示され、QAOAの収束をより低い局所最小に高速化し、正確な解を測定する確率を向上させることができる。 最先端のQAOAベースのML検出アルゴリズムと比較して,本手法は1レベルQAOAのより普遍的でコンパクトな期待値式を持ち,量子資源をほとんど必要とせず,正確な解を得る確率が高い。

関連論文リスト

• Learning Feasible Quantum States for Quadratic Constrained Binary Optimization Problems [41.23247424467223]
  我々はQCBOの制約を満たす量子状態の同値重ね合わせを生成する変動的アプローチを開発する。 結果として生じる同値な重ね合わせは、QUBO/QCBOを解く量子アルゴリズムの初期状態として使用できる。
  論文  参考訳（メタデータ） (2025-08-04T16:44:53Z)
• Evaluating the Practicality of Quantum Optimization Algorithms for Prototypical Industrial Applications [44.88678858860675]
  本稿では,量子近似最適化アルゴリズム (QAOA) と量子断熱アルゴリズム (QAA) の応用について検討する。 我々は,これらの2つのアルゴリズムの性能を,選択した評価指標を用いて,ソリューションの品質の観点から比較する。
  論文  参考訳（メタデータ） (2023-11-20T09:09:55Z)
• Multi-sequence alignment using the Quantum Approximate Optimization Algorithm [0.0]
  本稿では、変分量子近似最適化アルゴリズム(QAOA)を用いた多重系列アライメント問題のハミルトニアン定式化と実装について述べる。 我々は、量子シミュレーターと実際の量子コンピュータ上での性能の両方において、我々のQAOA-MSAアルゴリズムの小さな例を考える。 調査されたMSAのインスタンスに対する理想的な解決策は、浅いp5量子回路でサンプリングされた最も可能性の高い状態であることが示されているが、現在のデバイスにおけるノイズのレベルは依然として深刻な課題である。
  論文  参考訳（メタデータ） (2023-08-23T12:46:24Z)
• An Expressive Ansatz for Low-Depth Quantum Approximate Optimisation [0.23999111269325263]
  量子近似最適化アルゴリズム(QAOA)は、最適化問題を解くために用いられるハイブリッド量子古典アルゴリズムである。 QAOAはNISQデバイスに実装できるが、物理的制限は回路深さを制限し、性能を低下させる。 この研究は、より古典的なパラメータをアンサッツに割り当て、低深さでの性能を改善するeXpressive QAOA (XQAOA)を導入している。
  論文  参考訳（メタデータ） (2023-02-09T07:47:06Z)
• Analyzing Prospects for Quantum Advantage in Topological Data Analysis [35.423446067065576]
  我々は、トポロジカルデータ解析のための改良された量子アルゴリズムを解析し、最適化する。 超二次量子スピードアップは乗法誤差近似をターゲットとする場合にのみ可能であることを示す。 数百億のトフォリを持つ量子回路は、古典的に難解なインスタンスを解くことができると我々は主張する。
  論文  参考訳（メタデータ） (2022-09-27T17:56:15Z)
• Quantum Approximate Optimization Algorithm in Non-Markovian Quantum Systems [5.249219039097684]
  本稿では,非マルコフ量子系上でQAOAを実行するためのフレームワークを提案する。 我々はQAOAを拡張システムの断片的ハミルトン制御として数学的に定式化する。 非マルコビアン性は量子資源として利用でき、QAOAの比較的優れた性能を実現することができる。
  論文  参考訳（メタデータ） (2022-08-03T13:34:50Z)
• General Hamiltonian Representation of ML Detection Relying on the Quantum Approximate Optimization Algorithm [74.6114458993128]
  最適化問題を解くために考案された量子近似最適化アルゴリズム(QAOA)は、既存のノイズのある中間スケール量子(NISQ)デバイス上で実行することができる。 我々は、QAOAを適切に適応させることにより、一般星座の最大可能性(ML)検出問題を解く。 特に、M-ary Gray-mapped Quarature amplitude modulation (MQAM) 星座では、同相成分をコードする特定の量子ビットと二次成分をコードする量子ビットが、興味のある量子系において独立であることを示す。
  論文  参考訳（メタデータ） (2022-04-11T14:11:24Z)
• Scaling Quantum Approximate Optimization on Near-term Hardware [49.94954584453379]
  我々は、様々なレベルの接続性を持つハードウェアアーキテクチャのための最適化回路により、期待されるリソース要求のスケーリングを定量化する。 問題の大きさと問題グラフの次数で指数関数的に増大する。 これらの問題は、ハードウェア接続性の向上や、より少ない回路層で高い性能を達成するQAOAの変更によって緩和される可能性がある。
  論文  参考訳（メタデータ） (2022-01-06T21:02:30Z)
• Quantum Approximate Optimization Algorithm Based Maximum Likelihood Detection [80.28858481461418]
  量子技術の最近の進歩は、ノイズの多い中間スケール量子(NISQ)デバイスへの道を開く。 量子技術の最近の進歩は、ノイズの多い中間スケール量子(NISQ)デバイスへの道を開く。
  論文  参考訳（メタデータ） (2021-07-11T10:56:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。