6G 대규모 MIMO 양자 기반 빔포밍
6G 무선 네트워크의 발전은 대규모 MIMO 시스템에서 스펙트럼 및 에너지 효율을 최적화하는 고효율 빔포밍 전략을 요구합니다. 본 연구는 6G 대규모 MIMO 하이브리드 빔포밍을 위한 스펙트럼 에너지 최적화를 위해 양자 구동 강화 학습(QDRL) 프레임워크를 제안합니다. 이 프레임워크는 양자 딥 Q-네트워크(Q-DQN), 양자 정책 경사(QPG), 양자 근사 최적화 알고리즘(QAOA)을 활용합니다. 제안된 프레임워크는 엣지 AI 환경에 효율적으로 배포하기 위해 mruby 기반의 경량 스크립팅을 통합하여 계산 유연성과 자원 효율성을 향상시킵니다. 이를 통해 저전력 및 임베디드 환경에서 시스템의 적응성을 높여 실시간 6G 하이브리드 빔포밍을 위한 실행 가능한 솔루션을 제공합니다. 성능 평가 결과, 하이브리드 양자 모델은 11.21 bps/Hz의 스펙트럼 효율, 97%의 자원 활용 효율을 달성하고, 에너지 소비를 0.50 줄/비트로 줄여 기존 모델을 능가합니다. 비트 오류율(BER)은 0.0025로 최소화되었으며, 수렴 시간은 48.7초로 계산 효율성이 크게 향상되었습니다. 기존 딥 강화 학습(DRL) 기술과의 비교 분석에서, 제안된 양자 강화 모델은 에너지 효율성에서 32% 향상, 계산 복잡성에서 21% 감소를 보였습니다. 이 연구는 확장 가능하고 고속이며 에너지 효율적인 무선 통신을 위한 양자 지원 AI 프레임워크의 혁신적인 잠재력을 강조합니다.