通信網(wǎng)絡(luò)中量子計(jì)算潛在應(yīng)用場景探索

通信網(wǎng)絡(luò)中量子計(jì)算潛在應(yīng)用場景探索摘要“”海量數(shù)據(jù)流量處理以及高度智能與自治化等特點(diǎn)，對(duì)網(wǎng)絡(luò)的超性能計(jì)算能力提出了迫切需求。量子計(jì)算作為后摩爾時(shí)代的最重要的計(jì)算技術(shù)之一，擁有經(jīng)典計(jì)算無可比擬的并行計(jì)算與信息處理能力，有望成為未來通信網(wǎng)絡(luò)的關(guān)鍵使能技術(shù)。首先分析了量子計(jì)算在通信網(wǎng)絡(luò)中應(yīng)用的潛在需求，在對(duì)量子計(jì)算、量子算法和量子衍生技術(shù)的發(fā)展現(xiàn)狀進(jìn)行介紹的基礎(chǔ)上，重點(diǎn)探索了若干量子計(jì)算在無線網(wǎng)絡(luò)中的潛在應(yīng)用場景，進(jìn)一步展望了量子計(jì)算在未來通信網(wǎng)絡(luò)中的應(yīng)用前景。關(guān)鍵詞：通信網(wǎng)絡(luò)；量子計(jì)算；應(yīng)用場景引言在信息通信社會(huì)加速發(fā)展和通信技術(shù)革新等多種因素驅(qū)動(dòng)下，未來通信網(wǎng)絡(luò)將在覆蓋范圍、性能指標(biāo)、智能化程度以及網(wǎng)絡(luò)服務(wù)邊界等方面顯著提升，整體呈現(xiàn)出“空天海地”連接一體化、超高速與超可靠

通信網(wǎng)絡(luò)日益龐大復(fù)雜型技術(shù)范式有望賦能通信系統(tǒng)，成為其潛在的核心使能技術(shù)之一。通信網(wǎng)絡(luò)中量子計(jì)算潛在應(yīng)用需求近年來，量子計(jì)算因其強(qiáng)大的并行能力開始受到越來越多的關(guān)注，并已經(jīng)成為信息技術(shù)領(lǐng)域的研究熱點(diǎn)與各國科技競爭的戰(zhàn)略要地。Google201910Nature“”文，進(jìn)一步提升了量子計(jì)算技術(shù)的全球關(guān)注度。未來網(wǎng)絡(luò)更加極致的滿足未來通信網(wǎng)絡(luò)面臨的如下應(yīng)用需求。復(fù)雜網(wǎng)絡(luò)優(yōu)化未來通信網(wǎng)絡(luò)將越來越龐大異構(gòu)，傳統(tǒng)算法求解復(fù)雜問題能力有電信網(wǎng)絡(luò)中的運(yùn)維、管理與優(yōu)化成本。極致網(wǎng)絡(luò)支撐未來的通信網(wǎng)絡(luò)需要支持一系列比 5G 時(shí)代具有更高可靠性和低時(shí)延的通信、高分辨率定位和高精度同步的應(yīng)用，例如無線工廠的自動(dòng)化操作、工業(yè)和醫(yī)療手術(shù)控制等。這些應(yīng)用可能要求延遲低于0.1ms、比特錯(cuò)誤率低至1/109、室內(nèi)定位精度控制在厘米級(jí)等。與此同時(shí)，未來網(wǎng)絡(luò)中的設(shè)備連接數(shù)量將大大增加，最高連接密度可達(dá) 1 /km]

這些應(yīng)用需要超高速的計(jì)算能力在云、邊端進(jìn)行支撐，隨著后計(jì)算密度呈現(xiàn)倍數(shù)級(jí)增長。智能自治融合基于AI技術(shù)來實(shí)現(xiàn)未來網(wǎng)絡(luò)的智能化與自治操作已經(jīng)是必然的發(fā)展趨勢。通過利用AI與機(jī)器學(xué)習(xí)算法對(duì)網(wǎng)絡(luò)數(shù)據(jù)、業(yè)務(wù)數(shù)據(jù)、用戶數(shù)據(jù)等多維數(shù)據(jù)進(jìn)行感知學(xué)習(xí)，未來網(wǎng)絡(luò)的自主管理與自動(dòng)控制能力將中釋放巨大潛能。量子計(jì)算及相關(guān)算法發(fā)展現(xiàn)狀量子計(jì)算利用量子態(tài)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(jìn)行具備強(qiáng)大并行計(jì)算能力的信息運(yùn)算和處理。量子計(jì)算的關(guān)鍵環(huán)節(jié)包括硬件實(shí)現(xiàn)、算法、軟件和應(yīng)用等方面。包含超導(dǎo)、離子阱、硅量子點(diǎn)、量子點(diǎn)技術(shù)、光量子和拓?fù)淞孔蛹夹g(shù)等多種方案路線[]

其中超導(dǎo)和離子阱路線相對(duì)領(lǐng)先。目前，尚未有通用的量子計(jì)算機(jī)出現(xiàn)，但已有類似針對(duì)優(yōu)化問題的D-Wave等具備某些量子特性的專用量子計(jì)算機(jī)，國內(nèi)外對(duì)量子計(jì)算機(jī)與量子處理器的態(tài)控制。除了依賴量子計(jì)算硬件上的支持外，量子計(jì)算能力的釋放還依賴于在具體問題與應(yīng)用領(lǐng)域的算法設(shè)計(jì)，重慶郵電大學(xué)張毅教授等學(xué)者將其分為量子算法與量子衍生技術(shù)兩大類[] 典型特征如圖1所示。圖1 量子算法與量子衍生技術(shù)分類量子算法計(jì)算機(jī)上通過操控量子態(tài)來進(jìn)行計(jì)算的方法。目前出現(xiàn)的核心量子算法主要包括量子傅里葉算法[5]、大數(shù)因子分解Shor算法[6]庫搜索Grover算法[7]、線性系統(tǒng)求解HHL算法[8]等。由于目前可用的量子工具與量子制備較少，量子算法現(xiàn)今的創(chuàng)新突破十分受限。針圖像處理等具體領(lǐng)域,利用量子算法來求解實(shí)際的應(yīng)用問題成為目前算機(jī)上通過模型手段來進(jìn)行驗(yàn)證。量子衍生技術(shù)量子衍生技術(shù)利用量子力學(xué)原理對(duì)經(jīng)典信息處理技術(shù)進(jìn)行改進(jìn) [4]在經(jīng)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(shí)現(xiàn)更高效的非線性處理。將量子原理應(yīng)用于其他經(jīng)典算法，可以實(shí)現(xiàn)具備更強(qiáng)并行搜索能力的量子遺傳算法[9][10]、可以實(shí)現(xiàn)收斂速度快和尋優(yōu)能力強(qiáng)的量子退火算法[11]等。將量子計(jì)算與機(jī)器學(xué)習(xí)算法相結(jié)合，可以實(shí)現(xiàn)量子監(jiān)督學(xué)習(xí)算法、量子非監(jiān)督學(xué)習(xí)算法和量子強(qiáng)化學(xué)習(xí)[12]等，目前已被越來越多的研究機(jī)構(gòu)和學(xué)者所關(guān)注。其中，量子監(jiān)督學(xué)習(xí)算法主要可以實(shí)現(xiàn)對(duì)分類任務(wù)的加速目前已經(jīng)出現(xiàn)了量子最近鄰（QuantumKNearestNeighborQKNN算法量子支持向量機(jī)（QuantumSupportVectorMachine ，QSVM）、量子決策樹（QuantumDecisionTree，QDT）和量子神經(jīng)網(wǎng)絡(luò)（QuantumNeuralNetwork，QNN）等Wiebe等人提出QKNN算法[13]，將傳統(tǒng)KNN算法的計(jì)算復(fù)雜度降至其對(duì)數(shù)級(jí)。利用量子態(tài)之間運(yùn)算的高并行性，可以實(shí)現(xiàn)對(duì)傳統(tǒng)支持向量機(jī)（Support Machine）算法中對(duì)應(yīng)核矩陣計(jì)算的加速，將傳統(tǒng)SVM算法計(jì)算復(fù)雜度降至其對(duì)數(shù)級(jí)[14]。將量子力學(xué)原理應(yīng)用到神經(jīng)網(wǎng)絡(luò)，可以實(shí)現(xiàn)其學(xué)習(xí)能力以及分類處理能力的提升 [15]。借助量子計(jì)算對(duì)高維數(shù)據(jù)并行處理的優(yōu)點(diǎn)，量子非監(jiān)督學(xué)習(xí)可以實(shí)現(xiàn)對(duì)聚類算法以及傳統(tǒng)降維算法的效率提升，目前已經(jīng)出現(xiàn)量子版本的主成分分析（ QuantumPrincipalComponentAnalysis ，QPCA）算法[16]和量子版本的線性判別分析（QuantumLinearDiscriminantAnalysis ，QLDA）算法[17]。子強(qiáng)化學(xué)習(xí)則可以實(shí)現(xiàn)對(duì)經(jīng)典強(qiáng)化學(xué)習(xí)過程中動(dòng)作選擇和策略更新過2008Dong等人提出了量子強(qiáng)化學(xué)習(xí)算法[18]子的特征狀態(tài)和特征動(dòng)作在希爾伯特空間中表示傳統(tǒng)強(qiáng)化學(xué)習(xí)中的狀態(tài)和動(dòng)作，通過量子坍塌來實(shí)現(xiàn)對(duì)疊加態(tài)動(dòng)作的選擇，并通過利用Grover過程的改進(jìn)，實(shí)現(xiàn)了學(xué)習(xí)過程的加速。針對(duì)多智能體合作的強(qiáng)化學(xué)習(xí)可能存在多個(gè)均衡解以及學(xué)習(xí)效率低下的問題，通過引入量子計(jì)算和蟻群算法，利用量子的糾纏態(tài)來協(xié)調(diào)智能體之間的選擇可以獲得最佳平衡解[19]。由于量子衍生技術(shù)可以在多種經(jīng)典算法上實(shí)現(xiàn)帶有量子特性的運(yùn)成為量子計(jì)算重要的發(fā)展方向。通信網(wǎng)絡(luò)中量子計(jì)算潛在的典型應(yīng)用場景在未來復(fù)雜、高維、異構(gòu)和擁有海量數(shù)據(jù)的通信網(wǎng)絡(luò)中，傳統(tǒng)的算法和技術(shù)方法往往尋優(yōu)成本過高、效率低下、搜索空間過大，在網(wǎng)絡(luò)建模和優(yōu)化等問題上存在局限性。以無線網(wǎng)絡(luò)為例，根據(jù)思科的預(yù)測，2021年，全球每月的移動(dòng)數(shù)據(jù)流量將預(yù)計(jì)增值49EB連網(wǎng)設(shè)備數(shù)和海量數(shù)據(jù)處理對(duì)無線網(wǎng)絡(luò)的空口接入方法與計(jì)算能力都“”的全面覆蓋等需求，未來無線網(wǎng)絡(luò)需要綜合考慮網(wǎng)絡(luò)系統(tǒng)干擾的復(fù)雜傳統(tǒng)計(jì)算機(jī)性能受限的場景。多維信號(hào)處理未來的無線網(wǎng)絡(luò)為了支持比 5G 時(shí)代更超高密度和超快速率的絡(luò)連接，超大規(guī)模天線系統(tǒng)、毫米波通信等技術(shù)在提供更高頻譜利用和傳輸效率的同時(shí)，同樣加大了對(duì)于信道估計(jì)、信號(hào)檢測、干擾調(diào)整等方面工作的難度。精確的信道狀態(tài)信息（ChannelStateInformation CSI獲取對(duì)于保證無線通信系統(tǒng)的鏈路性能至關(guān)重要，傳統(tǒng)的CSI估計(jì)方案需要執(zhí)行具有高復(fù)雜度的矩陣運(yùn)算，受到了計(jì)算資源和時(shí)延的限制。針對(duì)無線網(wǎng)絡(luò)，目前已經(jīng)出現(xiàn)了利用深度學(xué)習(xí)來得到 CSI信時(shí)空和上下行之間的關(guān)聯(lián)性，從而提高了 CSI估計(jì)的效率，并減少了所需上下行參考信息的數(shù)據(jù)量[20]。然而隨著超大規(guī)模天線的應(yīng)用，射頻設(shè)備的天線數(shù)量將從以前的不到 10 根擴(kuò)展到數(shù)十甚至數(shù)百根，量的陣子數(shù)導(dǎo)致龐大的信道數(shù)目，從而使得經(jīng)典深度學(xué)習(xí)方法在獲得收斂的模型結(jié)果時(shí)需要較長的訓(xùn)練時(shí)延和計(jì)算資源。利用量子遺傳算法和量子神經(jīng)網(wǎng)絡(luò)，可以在無法準(zhǔn)確獲知復(fù)雜信道狀態(tài)分布的前提下，用量子遺傳算法優(yōu)化深度神經(jīng)網(wǎng)絡(luò)的初始值和特征空間，使得深度神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程能夠快速收斂到最優(yōu)解，有效提高 CSI的預(yù)性能。類似的，采用量子強(qiáng)化學(xué)習(xí)算法，可以獲得在動(dòng)態(tài)干擾調(diào)整下最優(yōu)的用戶選擇策略。采用量子賦能下的經(jīng)典多信號(hào)分類算法，例如多重信號(hào)分類（MultipleSignalClassification ，MUSIC）算法，也以用來加速特征值分解和空間搜索的能力，有效提高未來電信網(wǎng)絡(luò)中復(fù)雜多維的信號(hào)分類[21]。多元資源管理無線網(wǎng)絡(luò)的可靠高速傳輸依賴于各類資源的動(dòng)態(tài)協(xié)調(diào)與配置。為了滿足未來更加多元化的業(yè)務(wù)與行業(yè)的通信需求，通信系統(tǒng)會(huì)融合越來越多不同的接入技術(shù)，不同的應(yīng)用場景會(huì)分別采用公用或?qū)I(yè)定制有望成為實(shí)現(xiàn)智能資源管理的關(guān)鍵技術(shù)。Ren等人[22]合強(qiáng)化學(xué)習(xí)，通過讓多個(gè)邊緣節(jié)點(diǎn)同時(shí)參與深度強(qiáng)化學(xué)習(xí)來提高計(jì)算絡(luò)智能功率控制、頻譜管理、計(jì)算卸載與優(yōu)化等。網(wǎng)絡(luò)大數(shù)據(jù)分析大數(shù)據(jù)分析技術(shù)可以利用當(dāng)前移動(dòng)網(wǎng)絡(luò)中的海量數(shù)據(jù)進(jìn)行感知學(xué)習(xí)，從而為移動(dòng)網(wǎng)絡(luò)的設(shè)計(jì)與優(yōu)化進(jìn)行全新賦能，已經(jīng)成為不爭的事實(shí)。網(wǎng)絡(luò)大數(shù)據(jù)具備傳統(tǒng)5V特性（大量、高速、多元、價(jià)值、真實(shí)）的同時(shí)在數(shù)據(jù)特征數(shù)據(jù)維度和數(shù)據(jù)結(jié)構(gòu)等方面都有其復(fù)雜特殊性，網(wǎng)絡(luò)大數(shù)據(jù)分析涉及高維分類與特征搜索問題 [23]。經(jīng)典機(jī)器學(xué)習(xí)算法可以用來解決分類與預(yù)測問題，例如 SVM、KNN、深度神經(jīng)網(wǎng)絡(luò)等但在遇到非結(jié)構(gòu)化的大容量數(shù)據(jù)時(shí)，特征搜索與分析將變得過于復(fù)雜。Rebentrost 等人[24]針對(duì)大型數(shù)據(jù)庫提出利用QSVM 進(jìn)行基于監(jiān)督的分類[24]，取得了相比傳統(tǒng)SVM指數(shù)級(jí)的加速。同時(shí)，基于Grover量子搜索算法（QuantumSearchAlgorithm ，QSA）[25]和量子存在性檢測（QuantumExistenceTesting ，QET）算法[26]可以用來對(duì)非結(jié)構(gòu)化的網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行初步的特征搜索并判斷特定的條目是否存在于數(shù)據(jù)庫中，從而實(shí)現(xiàn)大數(shù)據(jù)分析過程中的搜索加速。高精度定位持工業(yè)制造等應(yīng)用，需要對(duì)用戶進(jìn)行高精度定位，其中室內(nèi)定位精度特征組合，包括到達(dá)角（AngleofArrival ，AoA）、到達(dá)時(shí)間（ofArrival，ToA）、接收信號(hào)強(qiáng)度指示（Received Signal StrengthIndication等來進(jìn)行位置的匹配。信號(hào)指紋定位方法通常先將需要被定位的區(qū)域劃分為多個(gè)區(qū)塊，對(duì)每個(gè)區(qū)塊建立對(duì)應(yīng)的信號(hào)指紋域的劃分精度，這將導(dǎo)致信號(hào)指紋數(shù)據(jù)庫的維度變得特別巨大，信號(hào)-網(wǎng)絡(luò)的精度和低時(shí)延需求。為了提高定位精度，加快搜索過程，采用QSA[25]Dürr-H?yer算法（Dürr-H?yerAlgorithmDHA[27]，以及于屬性距離匹配的QKNN 算法[13]等都可以用來提高利用信號(hào)指紋進(jìn)行精確定位的效率。當(dāng)前，已有文獻(xiàn)表明 QSA 可以降低可見光通信（VisibleLightCommunication VLC同時(shí)確保了信號(hào)指紋搜索方法的最佳性能[28]。結(jié)束語通信網(wǎng)絡(luò)是ICT的發(fā)展，已具備豐富的海量數(shù)據(jù)、強(qiáng)大的算力基礎(chǔ)設(shè)施以及多樣化的應(yīng)用場景，這些前提條件都為體現(xiàn)量子計(jì)算的應(yīng)用優(yōu)勢提供了發(fā)展空間。本文探索了量子計(jì)算和相關(guān)算法在通信