基于量子神经网络框架的多用户下行非正交多址检测器多分类研究

《Journal of Communications and Networks》：QNN framework based multiclass classification for downlink NOMA detectors

本文针对下行非正交多址(NOMA)系统中多用户信号检测复杂度高的问题，开展了基于量子神经网络(QNN)的多分类检测器研究。通过设计融合最大似然(ML)、连续干扰消除(SIC)和旋转ML(RML)的QNN框架，在多种信噪比(SNR)和功率分配系数下验证了QNN-NOMA检测器的性能。结果表明QNN相比经典神经网络(DNN)具有更快的训练收敛速度和更低计算复杂度，为6G智能通信系统提供了新思路。

　　

随着第六代移动通信系统(6G)研发进程的推进，无线通信领域正面临前所未有的技术挑战。传统正交多址技术因频谱效率受限难以满足未来万物智联场景的海量连接需求，非正交多址(NOMA)技术通过允许用户在相同频段叠加传输，显著提升了系统容量，但其接收端信号检测复杂度随之急剧增加。特别是在下行NOMA系统中，基站向多个用户发送叠加信号后，接收端需要从混合信号中准确分离各用户信息，这一过程对检测算法的精确度和实时性提出了极高要求。

现有基于经典神经网络(DNN)的NOMA检测器虽能提升性能，但面临训练收敛慢、计算资源消耗大等瓶颈。而量子神经网络(QNN)作为量子计算与机器学习的交叉前沿，凭借其并行处理能力和指数级存储优势，为突破这一困境提供了新途径。韩国国立金乌技术大学WENS实验室团队在《Journal of Communications and Networks》发表的研究，首次系统构建了面向下行NOMA系统的QNN多分类检测框架，为6G智能通信设备研发提供了重要理论支撑。

本研究采用量子-经典混合计算框架，利用IBM Qiskit平台构建量子电路。通过角度编码将接收信号的同相和正交分量映射为量子态，采用改进的EfficientSU2变分量子电路作为ansatz（参数化量子电路），对比了ZFeatureMap和ZZFeatureMap两种特征映射方式。针对BPSK+BPSK、BPSK+QPSK、QPSK+QPSK三种NOMA场景，分别设计了适用于ML、SIC和RML检测器的量子电路结构，采用交叉熵损失函数和COBYLA/SLSQP优化器进行训练，使用200样本/类的数据集在0-30dB信噪比范围内验证性能。

QNN框架设计

研究团队创新性地将三类传统检测器量子化：ML检测器直接处理整个NOMA信号，所需量子比特数log₂(M₁M₂)；SIC检测器根据用户调制阶数差异采用独立或共享QNN框架；RML检测器则为每个用户独立设计量子电路。这种模块化设计使得QNN能够灵活适配不同NOMA配置，为后续扩展多用户场景奠定了基础。

性能验证分析

训练损失对比显示，QNN-ML检测器在SNR=15dB条件下仅需约20次迭代即实现收敛，而DNN需要40次以上。在混淆矩阵评估中，SIC和RML检测器对BPSK+BPSK场景的准确率均超过99%，显著优于ML检测器的74%。特别值得注意的是，当功率分配系数p₁从0.2变为0.1或0.3时，RML检测器凭借旋转星座图的固有优势，性能保持稳定（准确率>97%），而ML和SIC检测器因星座点分布变化出现明显性能波动。

复杂度量化比较

通过量子门操作数分析表明，当重复层数r_rep=2时，ML检测器复杂度最高（S1场景O(22)），SIC检测器最低（O(8)）。这种复杂度优势在高层调制场景中更为显著，如QPSK+QPSK配置下，QNN-SIC复杂度仅为O(22)，而经典神经网络通常需要O(N_layerN_neuron²)量级的计算资源。

优化算法对比

SLSQP优化器在高层调制场景中表现优于COBYLA，如BPSK+QPSK配置下QNN-ML准确率提升6个百分点。这表明梯度优化算法更适应复杂量子电路的参数调优，为后续研究提供了算法选择依据。

研究证实QNN框架特别适合处理NOMA系统中的多分类检测问题。其快速收敛特性可显著降低训练成本，模块化设计便于适配不同检测算法。虽然当前QNN在绝对准确率上略逊于优化后的DNN，但其计算复杂度优势为实时性要求高的应用场景提供了可行方案。值得注意的是，旋转编码型NOMA（RML）展现出对功率分配变化的强鲁棒性，这为动态功率调整场景提供了新思路。

未来研究将聚焦于三个方向：一是将资源分配算法集成到QNN检测框架中，二是研究非理想连续干扰消除（SIC）条件下的性能表现，三是探索更高效的量子编码方案以降低量子比特消耗。这项工作不仅为NOMA系统提供了新型检测范式，也为量子机器学习在通信领域的应用开辟了道路，对推动6G关键技术创新具有重要战略意义。