通信网络中量子计算应用研究报告

通信网络中量子计算应用研究报告 （2023年） 中国移动通信集团有限公司 前言 信息技术发展日新月异。5G通信正向6G通信演进，网络和业务规模增长带来巨大算力与算法挑战。量子计算是一种遵循量子力学规律的新计算模式，相对经典计算具有计算速度优势，有望成为解决通信算力瓶颈的解决方案。 当前量子计算机正沿着专用量子与基于量子门的通用计算两种路径发展，技术路线“百花齐放”，在求解部分计算难题上逐步呈现出量子优势。本文将重点分析通信网络中的信号处理、网络优化、机器学习等典型计算场景和大规模运算、大规模优化和大规模搜索等计算需求。在明确计算需求基础上，进一步分析基本量子算法、量子搜索算法、量子优化算法、量子机器学习算法等基本原理，明确适用场景与条件，探索量子算法在通信领域中的应用前景。 本白皮书尝试在量子计算发展初级阶段，推动量子计算与通信技术与产业融合发展，为5G增强和6G等通信网络的相关技术解决方案设计提供参考和指引。 本白皮书由中国移动研究院牵头，由黄宇红、丁海煜、崔春风、潘成康、卢献、侯帅、孙志雯、李昕莹、袁弋非等专家协同完成。本白皮书由中移智库发布，版权归中国移动所有，未经授权，任何单位或个人不得复制或拷贝本建议之部分或全部内容。 目录 1.通信中的计算场景与问题1 1.1通信中的计算场景1 1.1.1信号处理1 1.1.2网络优化2 1.1.3业务处理3 1.1.4机器学习3 1.2通信中的计算问题4 1.2.1计算问题概述4 1.2.2大规模运算问题5 1.2.3大规模优化问题6 1.2.4大规模搜索问题7 2.量子计算与算法9 2.1量子计算9 2.1.1量子计算概述9 2.1.2量子计算技术路线9 2.1.3量子计算产业现状10 2.2量子算法12 2.2.1量子算法概述12 2.2.2基本量子算法12 2.2.3量子搜索算法13 2.2.4量子优化算法14 2.2.5量子机器学习算法15 3.量子计算潜在影响与研究布局17 3.1量子计算潜在影响17 3.2量子计算研究规划与阶段进展17 3.2.1量子计算研究规划18 3.2.2量子计算研究进展19 4.信号处理应用分析21 4.1信道估计21 4.2MIMO预编码22 4.3通信信号检测22 4.4定位信号检测23 4.5信道编译码23 5.网络优化应用分析25 5.1网络拓扑优化25 5.2路由优化25 5.3网络覆盖优化26 5.4网络容量优化27 5.5网络能效优化27 6.机器学习应用分析29 6.1通信中分类问题29 6.2通信中回归问题29 6.3通信中聚类问题30 6.4通信中降维问题30 6.5通信中的神经网络30 6.6通信中的强化学习31 7.挑战与建议32 7.1量子计算应用落地面临的挑战32 7.2下一步工作建议32 缩略语列表35 1.通信中的计算场景与问题 1.1通信中的计算场景 通信的本质是一系列的数学计算过程。从计算角度看，通信网络简单分为物理层、网络层和应用层。物理层主要负责通信信号处理等计算，网络层负责拓扑、接入、路由、资源管理等相关计算，应用层主要负责业务优化和流量管理等计算。为了增强处理性能，各层引入了机器学习。机器学习成为通信中特殊而重要的计算场景。此外，各层的安全一直是默认的计算场景。 1.1.1信号处理 通信信号处理是通信的底层计算。以无线信号处理为例，信号处理涉及收发两端无线信号的变换、滤波、编码、译码、调制、解调、传输、检测、估计、干扰协调等。对于大规模多输入多输出（MultipleInputMultipleOutput，MIMO）系统、大带宽正交频分复用（OrthogonalFrequencyDivisionMultiplexing，OFDM）系统、大规模终端接入系统来说，信道估计、预编码、信号检测、信道编译码等信号处理的计算量显著增加。 大规模MIMO信号处理存在于大规模天线阵系统、分布式天线系统和无蜂窝系统，涉及信道估计、预编码、信号检测等处理流程，具体包括矩阵乘积、求逆、张量积、共轭转置、分解等高维矩阵运算。这些基础运算需要消耗大量的计算资源，为系统设计带来巨大挑战。目前，为解决该计算问题，通常在充分挖掘高维信号稀疏特性的基础上，采用压缩感知或关键参数估计等方法加以解决，以相对较小的计算开销实现有效的信号处理。 海量终端接入信号处理是指无线通信系统中接入的终端（用户）数量与日俱增，增强手持终端、可穿戴设备、家庭终端、工业终端、医疗终端，特别是智能机器人、无人车、无人机等各种形式的新型智慧终端爆炸式地接入到无线网络中的场景。然而，网络可分配的无线资源有限，在多终端共享接入资源情况下，无线接入信号维度会随着终端数的增加而增长，为信道估计、多用户信号检测、干扰协调带来困难。当多终端无线接入信号矩阵呈现稀疏特性，可采用压缩感知等 方法实现高维无线信号处理。 高频段大带宽信号处理是指为满足更高传输速率的需求，毫米波乃至太赫兹、可见光频段将作为补充频段引入到无线通信系统中。高频段可以提供更大的带宽，即更多数量的频域信道，从而使宽带无线信号维度随之增加，其处理过程中的矩阵运算更为复杂，同时大带宽可以提供高数据速率传输，增加信道编译码，尤其是长码的复杂度。另一方面，高频段大带宽无线系统还将用于目标测距、测速、测角等定位场景。主动式或被动式高精度雷达信号处理对算力提出新需求。例如，一种高频段室内定位方案将定位区域划分为密集定位网格，确定用户位置需要足够的算力进行网格搜索。 随着无线通信技术的持续演进，通信系统和设备需要实时、高效、精准地完成更加繁重的信号处理任务，信号处理的高算力需求将会持续增长。 1.1.2网络优化 网络优化是针对用户、业务、网络和环境等状态变化进行系统参数和资源重配的过程，使网络处于最佳运行状态。网络优化的总目标是通过网络拓扑、功能、业务、参数和资源等优化手段来提升客户满意度。实际网络中，针对具体的网络感知指标劣化问题，通过根因分析，将问题定位到网络客观指标上。客观性能指标包括网络拓扑、网络覆盖、网络干扰和网络容量等指标因素。 网络拓扑优化是指在满足总体流量传输与容灾备份需求条件下，最小化整体建网成本，网络拓扑优化在网络规划、网络建设和网络运维每个环节都会发生。与此相关的是路由优化。基于软件定义网络(Software-definedNetworking，SDN)和网络功能虚拟化（NetworkFunctionsVirtualization，NFV）的业务路由规划，以及算力路由成为新挑战。 网络覆盖优化是指通过网络参数配置最大化网络覆盖率，主要包括盲区、弱区、重叠区和导频干扰区优化。基于大规模多天线、分布式射频单元、智能超表面技术的覆盖成为网络优化新命题。对于大规模天线系统来说，信令波束与数据波束的待优化参数包括垂直俯仰角、水平方位角、垂直波束宽度、水平波束宽度、波束数量、下倾角等，参数多，寻优空间大，问题复杂。 网络容量优化是指在网络资源中合理分配用户流量最大化系统容量。根据流 量预测模型可以优化网络拓扑流量分布。由于无线网络资源的稀缺性，无线网络容量优化成为重中之重。无线网络容量优化主要包括单站多用户接入控制、多用户调度和负载均衡等。 网络能效优化是指以最小的能耗成本满足给定的业务需求，重点优化内容包括最小速率约束下功率控制、基站/载波开关、计算任务卸载/迁移等。网络能效优化是支撑“双碳目标”和绿色运营的重要措施。 1.1.3业务处理 业务处理主要指信源信号处理与网络中的业务优化。大规模多模态业务增长对算力提出了更高需求。 信源信号处理是对图像、视频、语音、文本等信源内容进行抽样、量化、表征、编码、压缩、传输、重建等一系列计算过程。随着元宇宙业务的逐步增长，3D视频前期或实时渲染都对算力提出更高要求。自然语言处理、计算机视觉、语音识别等AI业务，尤其是基于大模型的AI业务近期推动了算力需求爆发式增长。同时，语义通信技术以语义表征代替符号表征，提供了一种新型信源编码传输方式，带来了信源信号处理新的计算场景。 业务优化是指通过网络与业务设备、功能及参数的调整，使网络状态匹配业务状态，保障端到端的业务质量。业务优化的重点包括：流量预测、流量优化、用户行为预测、内容分发、缓存优化、业务迁移和业务参数优化等。未来通信网络需要高价值的新型业务、高客户满意度的业务体验等。业务优化与网络优化面临新挑战，需要新方案。 1.1.4机器学习 机器学习有多种学习范式，每种范式在通信中都有不同层度应用。作为通信中的特殊计算场景，机器学习将应用场景中的原问题计算转化为机器学习中的计算，为信号处理、网络优化和业务优化提供了新的算法范式。 智能信号处理是指在通信领域广泛开展应用AI技术进行信号处理。其中，具有回归和分类能力的监督学习被用于信道参数检测与估计，调制模式检测与分 类，频谱感知与检测。能够对信号进行聚类和降维的非监督学习可被用于高维通信信号的维度降低；强化学习善于决策与预测，能用于频谱的感知和共享；而深度学习则可以对通信信号间的干扰进行分类、估计和消除，以及完成信道估计、信号检测、波束管理等众多信号处理相关任务。这些AI方法在大数据分析、高效参数估计和交互式决策等方面具有得天独厚的优势，能在特定的场景优化通信信号处理过程，提升信号处理性能。在诸多用于信号处理的人工智能算法中，存在高复杂度模型训练和大参量估计等问题，对通信系统的算力提出了较高要求。 智能网络优化是基于AI技术的网络优化。当前，基于机器学习的网络优化得到广泛关注，涉及的应用方向包括覆盖优化、吞吐量优化、时延最小化、多目标路由优化、网络状态预测、网络资源优化、网络参数预测与优化、通信场景分类等。基于机器学习模型与算法将优化问题转化为机器学习训练与计算问题。除了算法层面，网络和AI还可以在架构层面实现深度融合，这也将催生智能网络优化新路径。 智能业务处理包括AI类业务自身计算，以及业务在网络中基于AI算法的优化。几乎所有业务优化问题，都可以引入机器学习来求解和增强，例如流量检测、分类与预测，内容分发与缓存优化，用户行为特征分析，业务参数优化等等。 最后值得强调的是，除了上述信号处理、网络优化、业务优化和机器学习等计算场景，在网络规划、网络建设、网络运维和光信号处理等领域也存在多种典型优化计算问题。特别地，基于RSA（Rivest-Shamir-Adleman）等算法的安全加解密计算与协议处理，也是典型的计算场景，而破解密码更是不确定多项式时间 （Non-deterministicPolynomialtime，NP）问题。限于篇幅，这些留待后续讨论。 1.2通信中的计算问题 1.2.1计算问题概述 一个计算问题的难易程度一般用其求解算法复杂度来衡量。这里以算法时间复杂度为例，复杂度依次为常数级、对数级、多项式级、指数级和阶乘级，具体表示为O(1)<O(logn)<O(n)<O(nlogn)<O(nk)<O(kn)<O(n!)<O(nn)。这里n 为问题的规模。一个计算问题如果存在一个由确定型图灵机在多项式时间内求解 的算法，此类问题称为P类问题。能由确定型图灵机在多项式时间内验证得出一个正确解的问题，称为NP问题。假如存在一个问题，满足所有的NP问题都可以约化成它，则称为NP难问题。注意的是，即使一个问题具有多项式级算法，但当问题规模n很大时，如百万级，也是困难的计算问题。 在1.1节介绍的通信领域计算场景中，存在不同性质、不同规模的计算问题。从计算性质角度看，这些问题具体可以归纳为三类，即运算类问题、优化类问题和搜索类问题，如图1所示。 图1通信中的计算问题 图1中，NP完全、NP难问题、以及大规模n问题是关注重点。特别地，这里列举部分可能应用于通信计算建模的NP完全/难问题：整数划分问题、最大割问题、最小顶点覆盖问题、不交子集问题、布尔可满足性问题、集合划分问题、图着色问题、二次指派问题、二次背包问题、多重背包问题、资本预算问题（NP难）、任务分配