中国信通院刘姿杉：通信网络中量子计算潜在应用场景探索

以下文章来源于信息通信技术与政策 ，作者刘姿杉

1 引言

在信息通信社会加速发展和通信技术革新等多种因素驱动下，未来通信网络将在覆盖范围、性能指标、智能化程度以及网络服务边界等方面显著提升，整体呈现出“空天海地”连接一体化、超高速与超可靠的极致网络性能，以及网络泛在智能等特征[1]。通信网络日益庞大复杂的网络结构、多维度与多状态的网络特征、实时快速的计算与数据处理以及跨层级多目标优化的需求，使得当前快速崛起的量子计算等新型技术范式有望赋能通信系统，成为其潜在的核心使能技术之一。

2 通信网络中量子计算潜在应用需求

近年来，量子计算因其强大的并行能力开始受到越来越多的关注，并已经成为信息技术领域的研究热点与各国科技竞争的战略要地。Google于2019年10月在《Nature》发表关于验证“量子优越性”的论文，进一步提升了量子计算技术的全球关注度。未来网络更加极致的网络性能与服务体验需求，对于网络的设计、运行、维护和优化等带来了巨大挑战，量子计算因其强大的并行计算与寻优能力，有望高效满足未来通信网络面临的如下应用需求。

2.1 复杂网络优化

未来通信网络将越来越庞大异构，传统算法求解复杂问题能力有限、寻优效率低下，难以实现网络跨层域和多目标优化，难以满足未来网络实时性与高效性的需求。量子计算对高维数据并行处理以及对最优解并行搜索的能力，可显著提高通信网络中资源利用效率，降低电信网络中的运维、管理与优化成本。

2.2 极致网络支撑

未来的通信网络需要支持一系列比5G时代具有更高可靠性和超低时延的通信、高分辨率定位和高精度同步的应用，例如无线工厂的自动化操作、工业和医疗手术控制等。这些应用可能要求延迟低于0.1 ms、比特错误率低至1/109、室内定位精度控制在厘米级等。与此同时，未来网络中的设备连接数量将大大增加，最高连接密度可达1 亿/km2[2]。这些应用需要超高速的计算能力在云、边端进行支撑，随着后摩尔时代的到来，计算芯片算力趋于饱和，量子计算因其强大的并行计算能力，将有潜力提高整个网络运行的效率，使得网络计算能力和计算密度呈现倍数级增长。

2.3 智能自治融合

基于AI技术来实现未来网络的智能化与自治操作已经是必然的发展趋势。通过利用AI与机器学习算法对网络数据、业务数据、用户数据等多维数据进行感知学习，未来网络的自主管理与自动控制能力将不断提高，网络内生安全不断升级。然而，通信网络的特征维度多样复杂，传统机器学习方法在执行网络感知分析与预测等任务时，需要较长的训练时延和计算资源。量子计算与人工智能的交叉融合，已经成为目前计算领域的研究热点。将量子技术引入人工智能来实现高效的量子神经网络、量子遗传算法和量子群智能技术等，天然地适合解决通信网络包含多未知量、多状态和多维度特征的分类问题、优化问题，并能够在智能制造、自动驾驶、智慧医疗、智慧生物等垂直应用中释放巨大潜能。

3 量子计算及相关算法发展现状

量子计算利用量子态叠加特性、量子纠缠性、量子坍塌和量子相干性等物理特性,来进行具备强大并行计算能力的信息运算和处理。量子计算的关键环节包括硬件实现、算法、软件和应用等方面。

目前，量子处理器的物理实现仍是量子计算研究的核心瓶颈，主要包含超导、离子阱、硅量子点、量子点技术、光量子和拓扑量子技术等多种方案路线[3]，其中超导和离子阱路线相对领先。目前，尚未有通用的量子计算机出现，但已有类似针对优化问题的D-Wave等具备某些量子特性的专用量子计算机，国内外对量子计算机与量子处理器的研制高度重视，无论是在量子比特数还是其他量子性能上都在不断取得突破。量子计算需要通过多种物理操控手段来进行量子制备和量子态控制。

除了依赖量子计算硬件上的支持外，量子计算能力的释放还依赖于在具体问题与应用领域的算法设计，重庆邮电大学张毅教授等学者将其分为量子算法与量子衍生技术两大类[4]，典型特征如图1所示。

图1 量子算法与量子衍生技术分类

3.1 量子算法

量子算法是基于量子叠加性、纠缠性和相干性等物理特性，在量子计算机上通过操控量子态来进行计算的方法。目前出现的核心量子算法主要包括量子傅里叶算法[5]、大数因子分解Shor算法[6]、无序数据库搜索Grover算法[7]、线性系统求解HHL算法[8] 等。由于目前可用的量子工具与量子制备较少，量子算法现今的创新突破十分受限。针对核心算法的改进，以及如何将核心量子算法应用于搜索、动态规划、图像处理等具体领域,利用量子算法来求解实际的应用问题成为目前量子算法的研究热点。虽然国内外已经出现将量子算法应用在量子计算机模型上进行试验展示，但目前绝大多数量子算法仍然是在经典计算机上通过模型手段来进行验证。

3.2 量子衍生技术

量子衍生技术利用量子力学原理对经典信息处理技术进行改进[4]，在经典算法中引入带有量子物理特性的高性能信息处理方法，从而实现更高效的非线性处理。将量子原理应用于其他经典算法，可以实现具备更强并行搜索能力的量子遗传算法[9]、可以用于高速大数据聚类的量子群智能技术[10]、可以实现收敛速度快和寻优能力强的量子退火算法[11]等。

将量子计算与机器学习算法相结合，可以实现量子监督学习算法、量子非监督学习算法和量子强化学习[12]等，目前已被越来越多的研究机构和学者所关注。其中，量子监督学习算法主要可以实现对分类任务的加速，目前已经出现了量子最近邻（Quantum KNearest Neighbor，QKNN）算法、量子支持向量机（Quantum Support Vector Machine，QSVM）、量子决策树（Quantum Decision Tree，QDT）和量子神经网络（Quantum Neural Network，QNN）等。Wiebe等人提出QKNN算法[13]，将传统KNN算法的计算复杂度降至其对数级。利用量子态之间运算的高并行性，可以实现对传统支持向量机（Support Vector Machine，SVM）算法中对应核矩阵计算的加速，将传统SVM算法的计算复杂度降至其对数级[14]。将量子力学原理应用到神经网络，可以实现其学习能力以及分类处理能力的提升[15]。借助量子计算对高维数据并行处理的优点，量子非监督学习可以实现对聚类算法以及传统降维算法的效率提升，目前已经出现量子版本的主成分分析（Quantum Principal Component Analysis，QPCA）算法[16]和量子版本的线性判别分析（Quantum Linear Discriminant Analysis，QLDA）算法[17]。量子强化学习则可以实现对经典强化学习过程中动作选择和策略更新过程的提速。2008年，Dong等人提出了量子强化学习算法[18]，利用量子的特征状态和特征动作在希尔伯特空间中表示传统强化学习中的状态和动作，通过量子坍塌来实现对叠加态动作的选择，并通过利用Grover搜索算法实现对最佳动作的探索，结合对动作选择和策略更新过程的改进，实现了学习过程的加速。针对多智能体合作的强化学习可能存在多个均衡解以及学习效率低下的问题，通过引入量子计算和蚁群算法，利用量子的纠缠态来协调智能体之间的选择可以获得最佳平衡解[19]。

由于量子衍生技术可以在多种经典算法上实现带有量子特性的运算加速，尤其是在处理非线性问题上。因此，目前量子衍生技术已经成为量子计算重要的发展方向。

4 通信网络中量子计算潜在的典型应用场景

在未来复杂、高维、异构和拥有海量数据的通信网络中，传统的算法和技术方法往往寻优成本过高、效率低下、搜索空间过大，在网络建模和优化等问题上存在局限性。以无线网络为例，根据思科的预测，到2021年，全球每月的移动数据流量将预计增值49 EB，超密集的连网设备数和海量数据处理对无线网络的空口接入方法与计算能力都提出了巨大挑战。为了支持超高可靠性、超低时延和“空天地海”一体化的全面覆盖等需求，未来无线网络需要综合考虑网络系统干扰的复杂性、超高维信号处理、多类资源协调调度以及数据驱动的智能核心网络和智能边缘网络等，这些都为量子计算带来了巨大的应用空间。量子计算有望在未来网络中的多个潜在场景中得到应用，尤其是在一些传统计算机性能受限的场景。

4.1 多维信号处理

未来的无线网络为了支持比5G时代更超高密度和超快速率的网络连接，超大规模天线系统、毫米波通信等技术在提供更高频谱利用和传输效率的同时，同样加大了对于信道估计、信号检测、干扰调整等方面工作的难度。精确的信道状态信息（Channel State Information，CSI）获取对于保证无线通信系统的链路性能至关重要，传统的CSI估计方案需要执行具有高复杂度的矩阵运算，受到了计算资源和时延的限制。针对无线网络，目前已经出现了利用深度学习来得到CSI信息时空和上下行之间的关联性，从而提高了CSI估计的效率，并减少了所需上下行参考信息的数据量[20]。然而随着超大规模天线的应用，射频设备的天线数量将从以前的不到10根扩展到数十甚至数百根，大量的阵子数导致庞大的信道数目，从而使得经典深度学习方法在获得收敛的模型结果时需要较长的训练时延和计算资源。利用量子遗传算法和量子神经网络，可以在无法准确获知复杂信道状态分布的前提下，用量子遗传算法优化深度神经网络的初始值和特征空间，使得深度神经网络模型的训练过程能够快速收敛到最优解，有效提高CSI的预测性能。类似的，采用量子强化学习算法，可以获得在动态干扰调整下最优的用户选择策略。采用量子赋能下的经典多信号分类算法，例如多重信号分类（Multiple Signal Classification，MUSIC）算法，也可以用来加速特征值分解和空间搜索的能力，有效提高未来电信网络中复杂多维的信号分类[21]。

4.2 多元资源管理

无线网络的可靠高速传输依赖于各类资源的动态协调与配置。为了满足未来更加多元化的业务与行业的通信需求，通信系统会融合越来越多不同的接入技术，不同的应用场景会分别采用公用或专业定制的频谱资源，无线环境将更为复杂动态化，网络连接设备将更加密集，这些都为频谱、功率、存储、计算和应用层等资源的管理与分配增加了难度。深度强化学习因其在动态未知环境中实现决策优化的能力，有望成为实现智能资源管理的关键技术。Ren等人[22]利用联邦学习结合强化学习，通过让多个边缘节点同时参与深度强化学习来提高计算效率，实现了边缘计算卸载的优化。未来网络环境未知且复杂，合作用户节点数增多，深度强化学习的应用存在多个均衡解及学习效率低下的问题。将量子计算引入强化学习，可以实现对学习过程的加速和最优策略的快速探索，有潜力实现多种网络资源的智能联合优化、网络智能功率控制、频谱管理、计算卸载与优化等。

4.3 网络大数据分析

大数据分析技术可以利用当前移动网络中的海量数据进行感知学习，从而为移动网络的设计与优化进行全新赋能，已经成为不争的事实。网络大数据具备传统5V特性（大量、高速、多元、价值、真实）的同时，在数据特征、数据维度和数据结构等方面都有其复杂特殊性，网络大数据分析涉及高维分类与特征搜索问题[23]。经典机器学习算法可以用来解决分类与预测问题，例如SVM、KNN、深度神经网络等，但在遇到非结构化的大容量数据时，特征搜索与分析将变得过于复杂。Rebentrost等人[24]针对大型数据库提出利用QSVM进行基于监督的分类[24]，取得了相比传统SVM指数级的加速。同时，基于Grover的量子搜索算法（Quantum Search Algorithm，QSA）[25]和量子存在性检测（Quantum Existence Testing，QET）算法[26]可以用来对非结构化的网络数据进行初步的特征搜索并判断特定的条目是否存在于数据库中，从而实现大数据分析过程中的搜索加速。

4.4 高精度定位

在未来无线网络中，为了实现网络的全面覆盖和高可靠连接，并支持工业制造等应用，需要对用户进行高精度定位，其中室内定位精度要控制在厘米级。目前，常用的室内定位方法为信号指纹定位方法。在提前知道室内网络拓扑情况的前提下，通过提取的多个接收信号的特征组合，包括到达角（Angle of Arrival，AoA）、到达时间（Time of Arrival，ToA）、接收信号强度指示（Received Signal Strength Indication，RSSI）等来进行位置的匹配。信号指纹定位方法通常先将需要被定位的区域划分为多个区块，对每个区块建立对应的信号指纹数据库，在进行定位时，通过搜索匹配每个区块的信号指纹特征来输出用户最可能所处的区块位置。为了提高定位精度，需要提高网络区域的划分精度，这将导致信号指纹数据库的维度变得特别巨大，信号-位置匹配的搜索过程计算复杂度过高、时延较大，难以满足未来无线网络的精度和低时延需求。为了提高定位精度，加快搜索过程，采用QSA[25]、Dürr-H鴜er算法（Dürr-H鴜er Algorithm，DHA）[27]，以及基于属性距离匹配的QKNN 算法[13]等，都可以用来提高利用信号指纹进行精确定位的效率。当前，已有文献表明QSA可以降低可见光通信（Visible Light Communication，VLC）场景下室内定位的计算复杂度，同时确保了信号指纹搜索方法的最佳性能[28]。

5 结束语

通信网络是ICT领域最重要的基础设施之一，通信网络经过多年的发展，已具备丰富的海量数据、强大的算力基础设施以及多样化的应用场景，这些前提条件都为体现量子计算的应用优势提供了发展空间。本文探索了量子计算和相关算法在通信网络中的一些典型应用。除此之外，量子计算在智能无人管理、网络灵活扩容、快速网络切片等场景中也有一定的应用优势。量子计算与量子算法不仅能够提升网络效率和优化网络性能，还有潜力内嵌到通信网络中为多个垂直行业进行服务赋能，甚至为未来 QIT（Quantum Information Technology）与ICT领域的融合与演进提供应用支撑。此外，通信网络应用需求与量子计算能力的结合有望进一步推动量子计算与量子互联技术的成熟，继而实现网络能力与计算技术的互促式、螺旋式上升发展。

参考文献

[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] 赵亚军, 郁光辉, 徐汉青. 6G移动通信网络: 愿景、挑战与关键技术[J]. 中国科学: 新息科学, 2019(8):963-987.[3] 韩永建, 李传锋, 郭光灿 . 量子计算原理及研究进展[J]. 科技导报, 2017,35(23):70-75.[4] 张毅, 卢凯, 高颖慧 . 量子算法与量子衍生算法[J].计算机学报, 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] 何小锋 . 量子群智能优化算法及其应用研究[D]. 上海理工大学, 2014.[11] 杜卫林, 李斌, 田宇. 量子退火算法研究进展[J]. 计算机研究与发展, 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, 王圣镔 . 基于量子理论及蚁群算法的多Agent Q 学习[J]. 计算机工程与应用, 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.

作者简介

刘姿杉

中国信息通信研究院技术与标准研究所工程师，博士，主要从事人工智能网络、数据隐私等方面的研究工作。

论文引用格式：

刘姿杉. 通信网络中量子计算潜在应用场景探索[J]. 信息通信技术与政策, 2020(7):58-63.

本文刊于《信息通信技术与政策》2020年第7期