中國信通院劉姿杉:通信網絡中量子計算潛在應用場景探索

以下文章來源於信息通信技術與政策 ，作者劉姿杉

1 引言

在信息通信社會加速發展和通信技術革新等多種因素驅動下，未來通信網絡將在覆蓋範圍、性能指標、智能化程度以及網絡服務邊界等方面顯著提升，整體呈現出「空天海地」連接一體化、超高速與超可靠的極致網絡性能，以及網絡泛在智能等特徵[1]。通信網絡日益龐大複雜的網絡結構、多維度與多狀態的網絡特徵、實時快速的計算與數據處理以及跨層級多目標優化的需求，使得當前快速崛起的量子計算等新型技術範式有望賦能通信系統，成為其潛在的核心使能技術之一。

2 通信網絡中量子計算潛在應用需求

近年來，量子計算因其強大的並行能力開始受到越來越多的關注，並已經成為信息技術領域的研究熱點與各國科技競爭的戰略要地。Google於2019年10月在《Nature》發表關於驗證「量子優越性」的論文，進一步提升了量子計算技術的全球關注度。未來網絡更加極致的網絡性能與服務體驗需求，對於網絡的設計、運行、維護和優化等帶來了巨大挑戰，量子計算因其強大的並行計算與尋優能力，有望高效滿足未來通信網絡面臨的如下應用需求。

2.1 複雜網絡優化

未來通信網絡將越來越龐大異構，傳統算法求解複雜問題能力有限、尋優效率低下，難以實現網絡跨層域和多目標優化，難以滿足未來網絡實時性與高效性的需求。量子計算對高維數據並行處理以及對最優解並行搜索的能力，可顯著提高通信網絡中資源利用效率，降低電信網絡中的運維、管理與優化成本。

2.2 極致網絡支撐

未來的通信網絡需要支持一系列比5G時代具有更高可靠性和超低時延的通信、高解析度定位和高精度同步的應用，例如無線工廠的自動化操作、工業和醫療手術控制等。這些應用可能要求延遲低於0.1 ms、比特錯誤率低至1/109、室內定位精度控制在釐米級等。與此同時，未來網絡中的設備連接數量將大大增加，最高連接密度可達1 億/km2[2]。這些應用需要超高速的計算能力在雲、邊端進行支撐，隨著後摩爾時代的到來，計算晶片算力趨於飽和，量子計算因其強大的並行計算能力，將有潛力提高整個網絡運行的效率，使得網絡計算能力和計算密度呈現倍數級增長。

2.3 智能自治融合

基於AI技術來實現未來網絡的智能化與自治操作已經是必然的發展趨勢。通過利用AI與機器學習算法對網絡數據、業務數據、用戶數據等多維數據進行感知學習，未來網絡的自主管理與自動控制能力將不斷提高，網絡內生安全不斷升級。然而，通信網絡的特徵維度多樣複雜，傳統機器學習方法在執行網絡感知分析與預測等任務時，需要較長的訓練時延和計算資源。量子計算與人工智慧的交叉融合，已經成為目前計算領域的研究熱點。將量子技術引入人工智慧來實現高效的量子神經網絡、量子遺傳算法和量子群智能技術等，天然地適合解決通信網絡包含多未知量、多狀態和多維度特徵的分類問題、優化問題，並能夠在智能製造、自動駕駛、智慧醫療、智慧生物等垂直應用中釋放巨大潛能。

3 量子計算及相關算法發展現狀

量子計算利用量子態疊加特性、量子糾纏性、量子坍塌和量子相干性等物理特性,來進行具備強大並行計算能力的信息運算和處理。量子計算的關鍵環節包括硬體實現、算法、軟體和應用等方面。

目前，量子處理器的物理實現仍是量子計算研究的核心瓶頸，主要包含超導、離子阱、矽量子點、量子點技術、光量子和拓撲量子技術等多種方案路線[3]，其中超導和離子阱路線相對領先。目前，尚未有通用的量子計算機出現，但已有類似針對優化問題的D-Wave等具備某些量子特性的專用量子計算機，國內外對量子計算機與量子處理器的研製高度重視，無論是在量子比特數還是其他量子性能上都在不斷取得突破。量子計算需要通過多種物理操控手段來進行量子製備和量子態控制。

除了依賴量子計算硬體上的支持外，量子計算能力的釋放還依賴於在具體問題與應用領域的算法設計，重慶郵電大學張毅教授等學者將其分為量子算法與量子衍生技術兩大類[4]，典型特徵如圖1所示。

圖1 量子算法與量子衍生技術分類

3.1 量子算法

量子算法是基於量子疊加性、糾纏性和相干性等物理特性，在量子計算機上通過操控量子態來進行計算的方法。目前出現的核心量子算法主要包括量子傅立葉算法[5]、大數因子分解Shor算法[6]、無序資料庫搜索Grover算法[7]、線性系統求解HHL算法[8] 等。由於目前可用的量子工具與量子製備較少，量子算法現今的創新突破十分受限。針對核心算法的改進，以及如何將核心量子算法應用於搜索、動態規劃、圖像處理等具體領域,利用量子算法來求解實際的應用問題成為目前量子算法的研究熱點。雖然國內外已經出現將量子算法應用在量子計算機模型上進行試驗展示，但目前絕大多數量子算法仍然是在經典計算機上通過模型手段來進行驗證。

3.2 量子衍生技術

量子衍生技術利用量子力學原理對經典信息處理技術進行改進[4]，在經典算法中引入帶有量子物理特性的高性能信息處理方法，從而實現更高效的非線性處理。將量子原理應用於其他經典算法，可以實現具備更強並行搜索能力的量子遺傳算法[9]、可以用於高速大數據聚類的量子群智能技術[10]、可以實現收斂速度快和尋優能力強的量子退火算法[11]等。

將量子計算與機器學習算法相結合，可以實現量子監督學習算法、量子非監督學習算法和量子強化學習[12]等，目前已被越來越多的研究機構和學者所關注。其中，量子監督學習算法主要可以實現對分類任務的加速，目前已經出現了量子最近鄰（Quantum KNearest Neighbor，QKNN）算法、量子支持向量機（Quantum Support Vector Machine，QSVM）、量子決策樹（Quantum Decision Tree，QDT）和量子神經網絡（Quantum Neural Network，QNN）等。Wiebe等人提出QKNN算法[13]，將傳統KNN算法的計算複雜度降至其對數級。利用量子態之間運算的高並行性，可以實現對傳統支持向量機（Support Vector Machine，SVM）算法中對應核矩陣計算的加速，將傳統SVM算法的計算複雜度降至其對數級[14]。將量子力學原理應用到神經網絡，可以實現其學習能力以及分類處理能力的提升[15]。藉助量子計算對高維數據並行處理的優點，量子非監督學習可以實現對聚類算法以及傳統降維算法的效率提升，目前已經出現量子版本的主成分分析（Quantum Principal Component Analysis，QPCA）算法[16]和量子版本的線性判別分析（Quantum Linear Discriminant Analysis，QLDA）算法[17]。量子強化學習則可以實現對經典強化學習過程中動作選擇和策略更新過程的提速。2008年，Dong等人提出了量子強化學習算法[18]，利用量子的特徵狀態和特徵動作在希爾伯特空間中表示傳統強化學習中的狀態和動作，通過量子坍塌來實現對疊加態動作的選擇，並通過利用Grover搜索算法實現對最佳動作的探索，結合對動作選擇和策略更新過程的改進，實現了學習過程的加速。針對多智能體合作的強化學習可能存在多個均衡解以及學習效率低下的問題，通過引入量子計算和蟻群算法，利用量子的糾纏態來協調智能體之間的選擇可以獲得最佳平衡解[19]。

由於量子衍生技術可以在多種經典算法上實現帶有量子特性的運算加速，尤其是在處理非線性問題上。因此，目前量子衍生技術已經成為量子計算重要的發展方向。

4 通信網絡中量子計算潛在的典型應用場景

在未來複雜、高維、異構和擁有海量數據的通信網絡中，傳統的算法和技術方法往往尋優成本過高、效率低下、搜索空間過大，在網絡建模和優化等問題上存在局限性。以無線網絡為例，根據思科的預測，到2021年，全球每月的移動數據流量將預計增值49 EB，超密集的連網設備數和海量數據處理對無線網絡的空口接入方法與計算能力都提出了巨大挑戰。為了支持超高可靠性、超低時延和「空天地海」一體化的全面覆蓋等需求，未來無線網絡需要綜合考慮網絡系統幹擾的複雜性、超高維信號處理、多類資源協調調度以及數據驅動的智能核心網絡和智能邊緣網絡等，這些都為量子計算帶來了巨大的應用空間。量子計算有望在未來網絡中的多個潛在場景中得到應用，尤其是在一些傳統計算機性能受限的場景。

4.1 多維信號處理

未來的無線網絡為了支持比5G時代更超高密度和超快速率的網絡連接，超大規模天線系統、毫米波通信等技術在提供更高頻譜利用和傳輸效率的同時，同樣加大了對於信道估計、信號檢測、幹擾調整等方面工作的難度。精確的信道狀態信息（Channel State Information，CSI）獲取對於保證無線通信系統的鏈路性能至關重要，傳統的CSI估計方案需要執行具有高複雜度的矩陣運算，受到了計算資源和時延的限制。針對無線網絡，目前已經出現了利用深度學習來得到CSI信息時空和上下行之間的關聯性，從而提高了CSI估計的效率，並減少了所需上下行參考信息的數據量[20]。然而隨著超大規模天線的應用，射頻設備的天線數量將從以前的不到10根擴展到數十甚至數百根，大量的陣子數導致龐大的信道數目，從而使得經典深度學習方法在獲得收斂的模型結果時需要較長的訓練時延和計算資源。利用量子遺傳算法和量子神經網絡，可以在無法準確獲知複雜信道狀態分布的前提下，用量子遺傳算法優化深度神經網絡的初始值和特徵空間，使得深度神經網絡模型的訓練過程能夠快速收斂到最優解，有效提高CSI的預測性能。類似的，採用量子強化學習算法，可以獲得在動態幹擾調整下最優的用戶選擇策略。採用量子賦能下的經典多信號分類算法，例如多重信號分類（Multiple Signal Classification，MUSIC）算法，也可以用來加速特徵值分解和空間搜索的能力，有效提高未來電信網絡中複雜多維的信號分類[21]。

4.2 多元資源管理

無線網絡的可靠高速傳輸依賴於各類資源的動態協調與配置。為了滿足未來更加多元化的業務與行業的通信需求，通信系統會融合越來越多不同的接入技術，不同的應用場景會分別採用公用或專業定製的頻譜資源，無線環境將更為複雜動態化，網絡連接設備將更加密集，這些都為頻譜、功率、存儲、計算和應用層等資源的管理與分配增加了難度。深度強化學習因其在動態未知環境中實現決策優化的能力，有望成為實現智能資源管理的關鍵技術。Ren等人[22]利用聯邦學習結合強化學習，通過讓多個邊緣節點同時參與深度強化學習來提高計算效率，實現了邊緣計算卸載的優化。未來網絡環境未知且複雜，合作用戶節點數增多，深度強化學習的應用存在多個均衡解及學習效率低下的問題。將量子計算引入強化學習，可以實現對學習過程的加速和最優策略的快速探索，有潛力實現多種網絡資源的智能聯合優化、網絡智能功率控制、頻譜管理、計算卸載與優化等。

4.3 網絡大數據分析

大數據分析技術可以利用當前行動網路中的海量數據進行感知學習，從而為行動網路的設計與優化進行全新賦能，已經成為不爭的事實。網絡大數據具備傳統5V特性（大量、高速、多元、價值、真實）的同時，在數據特徵、數據維度和數據結構等方面都有其複雜特殊性，網絡大數據分析涉及高維分類與特徵搜索問題[23]。經典機器學習算法可以用來解決分類與預測問題，例如SVM、KNN、深度神經網絡等，但在遇到非結構化的大容量數據時，特徵搜索與分析將變得過於複雜。Rebentrost等人[24]針對大型資料庫提出利用QSVM進行基於監督的分類[24]，取得了相比傳統SVM指數級的加速。同時，基於Grover的量子搜索算法（Quantum Search Algorithm，QSA）[25]和量子存在性檢測（Quantum Existence Testing，QET）算法[26]可以用來對非結構化的網絡數據進行初步的特徵搜索並判斷特定的條目是否存在於資料庫中，從而實現大數據分析過程中的搜索加速。

4.4 高精度定位

在未來無線網絡中，為了實現網絡的全面覆蓋和高可靠連接，並支持工業製造等應用，需要對用戶進行高精度定位，其中室內定位精度要控制在釐米級。目前，常用的室內定位方法為信號指紋定位方法。在提前知道室內網絡拓撲情況的前提下，通過提取的多個接收信號的特徵組合，包括到達角（Angle of Arrival，AoA）、到達時間（Time of Arrival，ToA）、接收信號強度指示（Received Signal Strength Indication，RSSI）等來進行位置的匹配。信號指紋定位方法通常先將需要被定位的區域劃分為多個區塊，對每個區塊建立對應的信號指紋資料庫，在進行定位時，通過搜索匹配每個區塊的信號指紋特徵來輸出用戶最可能所處的區塊位置。為了提高定位精度，需要提高網絡區域的劃分精度，這將導致信號指紋資料庫的維度變得特別巨大，信號-位置匹配的搜索過程計算複雜度過高、時延較大，難以滿足未來無線網絡的精度和低時延需求。為了提高定位精度，加快搜索過程，採用QSA[25]、Dürr-Høyer算法（Dürr-Høyer Algorithm，DHA）[27]，以及基於屬性距離匹配的QKNN 算法[13]等，都可以用來提高利用信號指紋進行精確定位的效率。當前，已有文獻表明QSA可以降低可見光通信（Visible Light Communication，VLC）場景下室內定位的計算複雜度，同時確保了信號指紋搜索方法的最佳性能[28]。

5 結束語

通信網絡是ICT領域最重要的基礎設施之一，通信網絡經過多年的發展，已具備豐富的海量數據、強大的算力基礎設施以及多樣化的應用場景，這些前提條件都為體現量子計算的應用優勢提供了發展空間。本文探索了量子計算和相關算法在通信網絡中的一些典型應用。除此之外，量子計算在智能無人管理、網絡靈活擴容、快速網絡切片等場景中也有一定的應用優勢。量子計算與量子算法不僅能夠提升網絡效率和優化網絡性能，還有潛力內嵌到通信網絡中為多個垂直行業進行服務賦能，甚至為未來 QIT（Quantum Information Technology）與ICT領域的融合與演進提供應用支撐。此外，通信網絡應用需求與量子計算能力的結合有望進一步推動量子計算與量子互聯技術的成熟，繼而實現網絡能力與計算技術的互促式、螺旋式上升發展。

參考文獻

[1] Saad W, Bennis M, Chen M. A vision of 6G wireless systems: applications, trends, technologies, and open research problems[J]. IEEE Network, 2019.
[2] 趙亞軍, 鬱光輝, 徐漢青. 6G移動通信網絡: 願景、挑戰與關鍵技術[J]. 中國科學: 新息科學, 2019(8):963-987.
[3] 韓永建, 李傳鋒, 郭光燦 . 量子計算原理及研究進展[J]. 科技導報, 2017,35(23):70-75.
[4] 張毅, 盧凱, 高穎慧 . 量子算法與量子衍生算法[J].計算機學報, 2013,36(9):1835-1842.
[5] Coppersmith D. Approximate fourier transform useful in quantum factoring, RC 19642[R]. IBM Research Division, 1994:1-9.
[6] Shor P W. Polynomial-time algorithms for prime factorization and discrete logarithms on a quantum computer[J]. SIAM Review, 1999,41(2):303-332.
[7] Grover L K. A fast quantum mechanical algorithm for database search[C]//Proceedings of the Twenty-eighth Annual ACM Symposium on Theory of Computing,1996:212-219.
[8] Harrow A W, Hassidim A, Lloyd S. Quantum algorithm for linear systems of equations[J]. Physical Review Letters, 2009,103(15):150502.
[9] Malossini A, Blanzieri E, Calarco T. Quantum genetic optimization[J]. IEEE Transactions on Evolutionary Computation, 2008,12(2):231-241.
[10] 何小鋒 . 量子群智能優化算法及其應用研究[D]. 上海理工大學, 2014.
[11] 杜衛林, 李斌, 田宇. 量子退火算法研究進展[J]. 計算機研究與發展, 2008,45(9):1501-1508.
[12] Biamonte J, Wittek P, Pancotti N, et al. Quantum machine learning[J]. Nature, 2017, 549 ( 7671):195-202.
[13] Wiebe N, Kapoor A, Svore K M. Quantum algorithms for nearest-neighbor methods for supervised and unsupervised learning[J]. Quantum Information & Computation, 2015,15(3-4):316-356.
[14] Rebentrost P, Mohseni M, Lloyd S. Quantum support vector machine for big data classification[J]. Physical Review Letters, 2014,113(9):130503.
[15] Kak S C. Quantum neural computing[M]//Advances in Imaging and Electron Physics. Elsevier, 1995, 94:259-313.
[16] Lloyd S, Mohseni M, Rebentrost P. Quantum principal component analysis[J]. Nature Physics, 2014,10(9):631-633.
[17] Childs A M, Kothari R, Somma R D. Quantum linear systems algorithm with exponentially improved dependence on precision[J]. arXiv:1511. 02306, 2015.
[18] Dong D, Chen C, Li H, et al. Quantum reinforcement learning[J]. IEEE Transactions on Systems, Man, and Cybernetics, Part B(Cybernetics), 2008, 38(5):1207-1220.
[19] 孟祥萍, 王聖鑌 . 基於量子理論及蟻群算法的多Agent Q 學習[J]. 計算機工程與應用, 2010 (21):47-50.
[20] A. Mousavi, R. G. Baraniuk. Learning to invert: signal recovery via deep convolutional networks[R]. Proc. IEEE Int』 l. Conf. Acoustics Speech Signal Process.(ICASSP』17), 2017(3):2272-76.
[21] Fan-Xu Meng, Xu-Tao Yu, Zai-Chen Zhang. Quantum algorithm for multiple signal classification[J]. Physical Review A, 2020,101(1):012334.
[22] Ren J, Wang H, Hou T, et al. Federated learning-based computation off loading optimization in edge computingsupported internet of things[J]. IEEE Access, 2019,7:69194-69201.
[23] Cheng X, Fang L, Yang L, et al. Mobile big data: the fuel for data-driven wireless[J]. IEEE Internet of Things Journal, 2017,4(5): 1489-1516.
[24] P. Rebentrost, M. Mohseni, S. Lloyd. Quantum support vector machine for Big Data classification[J].Physical Review Letters, 2014,113(9):130503.
[25] C. P. Williams. Quantum search algorithms in science and engineering[J]. Comput. Sci. Eng. , 2001,3(3-4):44-51.
[26] S. Imre. Quantum existence testing and its application for finding extreme values in unsorted databases[J].IEEE Transactions on Computers, 2007, 56(5):706-710.
[27] Durr C, Hoyer P. A quantum algorithm for finding the minimum[J]. arXiv Preprint Quant-ph/ 9607014,1996.
[28] Botsinis P, Alanis D, Feng S, et al. Quantum-assisted indoor localization for uplink mm-wave and downlink visible light communication systems[J]. IEEE Access, 2017,5(1):23327-23351.

作者簡介

劉姿杉

中國信息通信研究院技術與標準研究所工程師，博士，主要從事人工智慧網絡、數據隱私等方面的研究工作。

論文引用格式：

劉姿杉. 通信網絡中量子計算潛在應用場景探索[J]. 信息通信技術與政策, 2020(7):58-63.

本文刊於《信息通信技術與政策》2020年第7期

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請儘快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯繫客服。電話：[phone]；郵箱：[e-mail]。本站原創內容未經允許不得轉載，或轉載時需註明出處：：西部數碼資訊門戶 » 中國信通院劉姿杉：通信網絡中量子計算潛在應用場景探索