Channel Estimation for Reconfigurable Intelligent Surface-Aided 6G NOMA Systems: A Quantum Machine Learning Approach
Notice bibliographique
Résumé
The integration of reconfigurable intelligent surfaces (RISs) and non-orthogonal multiple access (NOMA) is considered a promising technique to enhance spectral efficiency and connectivity in future 6G networks. Accurate channel estimation remains a critical challenge in RIS-NOMA systems due to the increased complexity introduced by the combination of RIS and NOMA technologies. While quantum machine learning (QML) has demonstrated potential in wireless communications, its application in channel estimation remains underexplored. This paper investigates the effectiveness of a hybrid quantum-classical machine learning (ML) model for channel estimation in RIS-NOMA systems. We propose a hybrid architecture that integrates convolutional neural networks (CNNs) with quantum long short-term memory (QLSTM) networks, where CNNs perform spatial feature extraction while QLSTMs capture temporal dependencies in the time-varying channel. Extensive simulations are conducted to evaluate the performance of the model under various network configurations, considering different power allocation factors, the number of RIS elements, and signal-to-noise ratios (SNRs). The performance of the proposed model is benchmarked against both pure quantum and classical ML models, including a quantum neural network (QNN), a CNN, a long short-term memory (LSTM) model, a bidirectional LSTM (BiLSTM) model, and a CNN-LSTM model. The results demonstrate that the proposed CNN-QLSTM model outperforms all baseline methods in terms of root mean square error (RMSE), mean absolute error (MAE), and mean absolute percentage error (MAPE). These findings highlight the potential of quantum-enhanced ML for channel estimation in next-generation communication networks.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».