Efficient Quantum Algorithm for Phase Optimization of 1-Bit RIS-Assisted MIMO Communication System

Resumo Técnico: Algoritmo Quântico Eficiente para Otimização de Fase de Sistemas de Comunicação MIMO Assistidos por RIS de 1 Bit

Enunciado do Problema
O artigo aborda o desafio da otimização de fase em sistemas de comunicação MIMO (Múltiplas Entradas e Múltiplas Saídas) assistidos por Superfícies Inteligentes Reconfiguráveis (RIS). Especificamente, foca em configurações de RIS de "1 bit", onde cada elemento refletor é restrito a um deslocamento de fase binário de $0$ ou $\pi$. Esta restrição de hardware, embora reduza a complexidade do circuito e o overhead de controle, transforma o problema de otimização de fase de Máxima Verossimilhança (ML) em uma tarefa combinatória com $2^N$ configurações candidatas para uma superfície de $N$ elementos. Este problema é equivalente ao problema Max-Cut e é NP-difícil, tornando a busca exaustiva inviável para superfícies de grande escala. Embora abordagens clássicas como a Programação Semidefinida (SDR) com randomização Gaussiana ofereçam soluções próximas da ótima, sua complexidade computacional escala como $O(N^{3.5})$, o que se torna proibitivo para as superfícies de grande escala vislumbradas nas implantações do 6G. Além disso, as abordagens quânticas existentes, como o algoritmo padrão QAOA (Algoritmo de Otimização Aproximada Quântica), dependem de otimizadores clássicos de loop externo para ajustar os parâmetros variacionais, introduzindo um overhead significativo e avaliações repetidas de circuitos quânticos.

Metodologia
Os autores propõem um novo algoritmo denominado QAOA-LR (Algoritmo de Otimização Aproximada Quântica com um cronograma de rampa linear determinístico). A metodologia procede através das seguintes etapas:

1. Formulação do Problema: O problema de maximização da capacidade ML é mapeado para um Hamiltoniano de Ising. Ao maximizar a norma de Frobenius da matriz de canal efetiva, o objetivo é reduzido a uma forma quadrática $f(x) = x^T R x + p^T x$, onde $x$ representa os deslocamentos de fase binários. Isso é convertido em um problema de minimização adequado para o QAOA, onde o Hamiltoniano de custo $H_C$ é derivado de acoplamentos de pares e vieses de um único qubit.
2. Construção do Circuito QAOA: O problema é codificado em um circuito quântico parametrizado. O circuito alterna entre uma unitária de custo ($e^{-i\gamma_\ell H_C}$) e uma unitária de mixer ($e^{-i\beta_\ell H_M}$) ao longo de $p$ camadas. A unitária de custo lida com as interações de Ising usando portas CNOT e $R_Z$, enquanto o mixer utiliza rotações $R_X$.
3. Cronograma de Rampa Linear (QAOA-LR): Em vez de empregar um otimizador clássico para ajustar iterativamente os $2p$ parâmetros variacionais ($\gamma$ e $\beta$), os autores fixam esses parâmetros usando um cronograma de rampa linear determinístico inspirado na computação quântica adiabática. Os parâmetros são definidos como:
   • $\gamma_k = \frac{k}{p} \Delta$
   • $\beta_k = \left(1 - \frac{k-1}{p}\right) \Delta$
     Aqui, $\Delta$ é um único parâmetro de escala. O algoritmo realiza uma simples busca em grade unidimensional sobre $\Delta$ para encontrar o valor que minimiza o custo esperado, eliminando assim o loop de otimização clássica iterativa.
4. Decodificação: O vetor de fase binário ideal é decodificado medindo os valores de esperança dos operadores de Pauli-Z ($\langle Z_n \rangle$) e aplicando uma função de sinal.

Principais Contribuições
O artigo apresenta três contribuições primárias:

• Mapeamento de Ising: Formula o problema de capacidade MIMO assistido por RIS de 1 bit como um Hamiltoniano de Ising, incorporando explicitamente acoplamentos de pares e termos de viés de um único qubit induzidos pelo acoplamento cruzado de caminho direto, permitindo a implementação via QAOA.
• Algoritmo QAOA-LR: Introduz uma variante eficiente do QAOA que substitui a complexa otimização de parâmetros clássica iterativa por um cronograma de rampa linear fixo que requer apenas uma busca unidimensional sobre um único parâmetro de escala. Isso reduz significativamente o overhead de otimização.
• Validação Abrangente: Os autores conduzem simulações de Monte Carlo extensas para configurações MIMO de até $32 \times 32$ e elementos de RIS de até $N=12$. Crucialmente, eles validam a abordagem em hardware quântico real (processador ibm_marrakesh da IBM Quantum) para até 100 elementos de RIS, comparando o desempenho contra bases clássicas.

Resultados

• Desempenho de Simulação: Simulações de Monte Carlo sobre canais de desvanecimento Rayleigh demonstram que o QAOA-LR acompanha de perto a solução ótima de ML. Para tamanhos pequenos de RIS ($N \le 2$), o desempenho da capacidade coincide exatamente com a solução ML em todas as configurações MIMO testadas. À medida que $N$ aumenta para 12, uma pequena lacuna de desempenho aparece para arrays de antenas menores, mas diminui conforme o tamanho do MIMO cresce; para MIMO de $32 \times 32$, o QAOA-LR segue de perto a capacidade ML.
• Execução de Hardware: Experimentos no processador IBM Quantum confirmam que o QAOA-LR entrega alta capacidade (por exemplo, 68.2366 bits/s/Hz para $N=12$ em um sistema $32 \times 32$) e escala efetivamente até $N=100$.
• Complexidade e Escalonamento: O tempo de execução na Unidade de Processamento Quântico (QPU) escala linearmente com o número de elementos de RIS ($N$). Em contraste, as bases clássicas como a Busca Local de Reinício Aleatório (RRLS) e a SDR exibem crescimento superlinear. A complexidade do QAOA-LR é $O(MpN)$ (onde $M$ é o tamanho da grade), comparada a $O(d p N)$ para o QAOA padrão (onde $d$ é o número de iterações clássicas) e $O(N^{3.5})$ para a SDR.
• Sensibilidade de Parâmetros: A análise de sensibilidade mostra que o algoritmo atinge o pico em um parâmetro de escala específico ($\Delta = 1.0$) e supera o QAOA otimizado por Adam em toda a grade testada, confirmando que uma simples busca em grade é suficiente sem a necessidade de otimização iterativa.

Significância
O artigo afirma que o QAOA-LR aborda lacunas críticas de escalabilidade e praticidade para a otimização quântica baseada em portas em sistemas RIS. Ao remover a necessidade de ajuste iterativo de parâmetros clássicos, a abordagem reduz o overhead computacional e é bem adequada para hardware quântico de escala intermediária ruidosa (NISQ). Os resultados validam que técnicas assistidas por quantum podem atingir um desempenho de capacidade próximo ao ML com escalonamento polinomial do tempo de execução, oferecendo uma direção promissora para a otimização de configurações de RIS de 1 bit de grande escala em futuras redes 6G. Os autores observam que trabalhos futuros estenderão este framework para a otimização de fase de RIS de múltiplos bits.