Réseaux de Neurones Graphes Quantiques pour l'Optimisation des Surfaces Intelligentes Reconfigurables Double-Face

En tant que technologie clé pour les communications sans fil de sixième génération (6G), les surfaces intelligentes reconfigurables (RIS) offrent la flexibilité de contrôler l'intensité du signal. Néanmoins, l'optimisation de centaines d'éléments est coûteuse en calcul. Pour surmonter ce défi, nous présentons un cadre quantique (QGCN) pour optimiser conjointement la réponse physique et électromagnétique d'un design de RIS double-face incorporant des décalages de phase discrets et le couplage inter-éléments. La contribution principale est l'activation ou la désactivation adaptative des éléments, permettant un mécanisme d'espacement virtuel utilisant des interrupteurs à diode PIN. Nous résolvons ensuite un problème multi-objectifs qui maximise le débit de données minimum utilisateur sous contraintes de longueur d'ouverture et de couplage mutuel entre éléments actifs. Des résultats expérimentaux sur le processeur supraconducteur ibm kyiv de 127 qubits d'IBM Quantum montrent que l'algorithme QGCN proposé réduit à la fois la complexité computationnelle par itération et les besoins en mémoire comparé aux approches existantes. De plus, le QGCN surpasse les réseaux de neurones graphes classiques (GNN) sur une topologie de graphe équivalente de +0,38 bps/Hz supplémentaires. Cet avantage augmente avec la taille croissante des matrices.