論文の概要: M-QAM MIMO Maximum-Likelihood Detection with QAOA: ML-Rate Offline Angle Design and Correlated Infinite-Size Spin-Glass Models
- arxiv url: http://arxiv.org/abs/2608.17721v1
- Date: Tue, 18 Aug 2026 12:45:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.337291
- Title: M-QAM MIMO Maximum-Likelihood Detection with QAOA: ML-Rate Offline Angle Design and Correlated Infinite-Size Spin-Glass Models
- Title（参考訳）: M-QAM MIMO Maximum-Likelihood Detection with QAOA: ML-Rate Offline Angle Design and Correlated infinite-sized Spin-Glass Models
- Abstract要約: 量子近似最適化アルゴリズム(QAOA)は、マルチインプット多重出力(MIMO)システムにおけるNP-hard maximum-likelihood(ML)検出を目標としている。
試験は4096-QAM、128アンテナ、$p=30$、シンボルごとのSNR 0-45 dBに達する。
このアプローチは、より深いノイズのないフォールトトレラント量子(FTQ)回路の準最適復号化に向けられている。
- 参考スコア（独自算出の注目度）: 9.13755431537592
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The quantum approximate optimization algorithm (QAOA) targets NP-hard maximum-likelihood (ML) detection in multiple-input multiple-output (MIMO) systems. Existing $M$-ary quadrature amplitude modulation (M-QAM) detectors design angles by expected Ising energy: online per instance, warm-started, or ramped, while train-once designs remain B/QPSK-only or block-local, leaving M-QAM without a size-scalable benchmark. Their infinite-size spin-glass theory assumes independent disorder, matching the retained covariances at B/QPSK but not M-QAM's correlated couplings and fields. We develop a correlated infinite-size multi-species spin-glass framework whose covariance-matched evaluators make that energy an offline objective with a size-scalable benchmark. In addition, the ML rate, the exponential rate of sampling the ML string, is for the first time exploited for QAOA angle design in MIMO detection. The energy evaluator is $q$-free at $O(p\,4^p)$ cost while the ML rate transfers angles from a fixed $q_{\rm ref}$-qubit reference. Tests reach 4096-QAM, 128 antennas, $p=30$ and per-symbol SNR 0-45 dB. In simulations, ML rates fall as a power law $r_0\,p^{-α}$, with larger exponents for the sampling design, which tracks exact ML at $5\times5$ 16-QAM (0-20 dB) and $3\times3$ 64-QAM (8-28 dB) while its bit-error rate (BER) advantage widens with SNR to two orders of magnitude. The approach points toward near-optimum decoding on deeper noiseless fault-tolerant quantum (FTQ) circuits.
- Abstract（参考訳）: 量子近似最適化アルゴリズム(QAOA)は、マルチインプット多重出力(MIMO)システムにおけるNP-hard maximum-likelihood(ML)検出を目標としている。
既存のM$M$-ary quadrature amplitude modulation (M-QAM)は、予想されるIsingエネルギーによる設計角度: インスタンスごとのオンライン、ウォームスタート、またはランプ、列車のオンス設計はB/QPSKのみまたはブロックローカルのままであり、M-QAMはサイズスケーリング可能なベンチマークなしで残っている。
彼らの無限サイズのスピングラス理論は独立障害を仮定し、B/QPSKで保持される共分散と一致するが、M-QAMの相関結合と場は一致しない。
我々は、共分散整合評価器が、そのエネルギーをスケールスケール可能なベンチマークでオフラインの目標とする、相関した無限大のスピングラスフレームワークを開発する。
さらに,ML文字列をサンプリングする指数速度であるMLレートは,MIMO検出におけるQAOA角設計に初めて活用される。
エネルギー評価器は$O(p\,4^p)$で$q$-freeであり、MLレートは固定された$q_{\rm ref}$-qubit参照から角度を転送する。
試験は4096-QAM、128アンテナ、$p=30$、シンボルごとのSNR 0-45 dBに達する。
シミュレーションでは、MLレートは$r_0\,p^{-α}$の電力法則に該当するが、サンプリング設計の指数はより大きく、正確なMLは$5\times5$ 16-QAM (0-20 dB)と$3\times3$ 64-QAM (8-28 dB)で、ビットエラーレート(BER)はSNRを2桁に拡大する。
このアプローチは、より深いノイズのないフォールトトレラント量子(FTQ)回路の準最適復号化に向けられている。
関連論文リスト
- Quantum Multi-Armed Bandits and Linear Bandits: Lower Bounds and Algorithms [42.57939149964391]
量子多重武装バンドイット(QMAB)と量子線形バンドイット(QLB)について検討する。
有限作用 QLB に対して、QMAB に対して $(Klog(T/K))$ および $(dlog(T/d))$ の最初のミニマックス下界を証明する。
論文 参考訳（メタデータ） (2026-08-14T14:04:21Z) - SSTQ:Privacy-Preserving Vector Quantization via Subsampled Stochastic TurboQuant [79.24089819400126]
Subsampled TurboQuant (SSTQ) は、オーバーコンプリートな等幅のタイトフレーム、座標サブサンプリング、プライバシ対応量子化を組み合わせたフレームワークである。
SSTQは平均2乗誤差スケーリングを実現し、クライアントあたり$lceil log N il + b$ bitsを使用する。
また、コードブックに依存したMSEスケーリングを$O(4b)$から$O(2b)$に削減する、プライバシを意識したコードブックの目的も導出します。
論文 参考訳（メタデータ） (2026-08-05T17:51:25Z) - Offline Channel-Independent QAOA Angles for RIS Power Aggregation: Unit-Circle Phase Dictionaries and Infinite-Size Spin-Glass Limits [0.0]
再構成可能な表面の電力を最適化するための$200M$-phase$$$$ Dictionaryを導入する。
N!le!16$ under order-2 modeling において,ほぼ最適なマルチスタートシングルフリップローカル検索基準に到達した性能を観察する。
このアプローチは、将来のフォールトトレラント(FTQ)量子コンピュータにおいて、ほぼ最適の大規模N$のパフォーマンスへのルートを示唆している。
論文 参考訳（メタデータ） (2026-06-23T13:07:10Z) - QANTIS: A Hardware-Validated Quantum Platform for POMDP Planning and Multi-Target Data Association [4.11040996037715]
本稿では、量子信念更新(Grover振幅増幅とBIQAE)、FPC-QAOAによるQUBOベースのデータアソシエーション、および構成可能なエラー軽減を統合するモジュールプラットフォームであるQSを紹介する。
ハードウェア上では、タイガーの信念に適用される単一のグローバー反復は、ベイズの後部を保ちながら、0.179$から9.07$(5.1times$; ISA 18)の稀な観測確率を増幅する。
さらに、我々の知る限り、超伝導ハードウェア上で最初のクローズドループハイブリッド量子古典型Tiger POMDPを実証する。
論文 参考訳（メタデータ） (2026-02-28T19:13:44Z) - Towards large-scale quantum optimization solvers with few qubits [59.63282173947468]
我々は、$m=mathcalO(nk)$バイナリ変数を$n$ qubitsだけを使って最適化するために、$k>1$で可変量子ソルバを導入する。
我々は,特定の量子ビット効率の符号化が,バレン高原の超ポリノミウム緩和を内蔵特徴としてもたらすことを解析的に証明した。
論文 参考訳（メタデータ） (2024-01-17T18:59:38Z) - Scaling Whole-Chip QAOA for Higher-Order Ising Spin Glass Models on Heavy-Hex Graphs [1.0765359420035392]
量子近似最適化アルゴリズム (QAOA) は高次, ランダム係数, 重ヘックス互換スピングラスに対して, 問題サイズに対して強いパラメータ濃度を有することを示す。
量子プロセッサでは、27量子ビット系では最大$p=3$、127量子ビット系では最大$p=2$となる。
論文 参考訳（メタデータ） (2023-12-02T01:47:05Z) - Quantum Multi-Parameter Adaptive Bayesian Estimation and Application to
Super-Resolution Imaging [1.4222887950206657]
量子センシングタスクでは、ユーザは$rho_theta$($theta$をエンコードする量子状態)を得る。
Personick氏はすべての可能な測定値に対してMMSEを最小限に抑える最適なPOVM $Pi_l$を発見した。
1971年のこの結果は量子フィッシャー情報(QFI)よりも広く知られておらず、これは偏りのない推定器のばらつきを低くしている。
論文 参考訳（メタデータ） (2022-02-21T04:12:55Z) - Tightening the Dependence on Horizon in the Sample Complexity of
Q-Learning [59.71676469100807]
この研究は、同期Q-ラーニングのサンプルの複雑さを、任意の$0varepsilon 1$に対して$frac|mathcalS| (1-gamma)4varepsilon2$の順序に絞る。
計算やストレージを余分に必要とせずに、高速なq-learningにマッチするvanilla q-learningの有効性を明らかにした。
論文 参考訳（メタデータ） (2021-02-12T14:22:05Z) - Model-Based Multi-Agent RL in Zero-Sum Markov Games with Near-Optimal
Sample Complexity [67.02490430380415]
モデルに基づくMARLは、Nash平衡値(NE)を求めるために$tilde O(|S||B|(gamma)-3epsilon-2)$のサンプル複雑性を実現する。
また、アルゴリズムが報酬に依存しない場合、そのようなサンプル境界は最小値(対数因子まで)であり、アルゴリズムは報酬知識のない遷移サンプルを問合せする。
論文 参考訳（メタデータ） (2020-07-15T03:25:24Z) - Sample Complexity of Asynchronous Q-Learning: Sharper Analysis and
Variance Reduction [63.41789556777387]
非同期Q-ラーニングはマルコフ決定過程(MDP)の最適行動値関数(またはQ-関数)を学習することを目的としている。
Q-関数の入出力$varepsilon$-正確な推定に必要なサンプルの数は、少なくとも$frac1mu_min (1-gamma)5varepsilon2+ fract_mixmu_min (1-gamma)$の順である。
論文 参考訳（メタデータ） (2020-06-04T17:51:00Z) - Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。
格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。
NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
論文 参考訳（メタデータ） (2020-02-25T19:18:36Z)
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。