Quantum Machine Learning for Performance Optimization of RIS-Assisted Communications: Framework Design and Application to Energy Efficiency Maximization of Systems With RSMA
Notice bibliographique
Résumé
This study proposes the utilization of quantum machine learning (QML) to maximize the energy efficiency of reconfigurable intelligent surface (RIS) assisted communication with rate-splitting multiple access (RSMA). The next-generation wireless communications are expected to yield significantly higher energy efficiency compared to that of the previous generations. In a multiuser system, energy efficiency can be defined as a benefit-to-cost ratio between the achievable sum-rate and the energy consumption, where enhancements in the former come at the expense of increases in the latter. Recently, the integration between RSMA and RISs has been advocated as a powerful mean to control this tradeoff. Indeed, RSMA can enhance the rate region while RISs can lead to reduced energy consumption thanks to the use of low-energy phase shifters. However, optimizing a RIS-aided RSMA communication system is faced with a computational burden given that the RIS enlarges the volume of the required channel information, which expands the information that needs to be processed by the optimization module, even when the optimization is based on conventional learning techniques. The proposed QML optimization framework, which orchestrates non-linear quantum unitary operations to compose the learning models, enjoys information processing gains thanks to state vector operations in multi-dimensional Hilbert space. It is composed of two trainable quantum-based learning models employed in an alternating manner: the first establishes the transmission precoding, and the second designs the RIS phase shifting. Numerical results show that the proposed QML delivers comparable performance to that of conventional optimization but with reduced complexity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».