移动网络中量子计算应用能力评测白皮书

移动网络中量子计算应用能力评测白皮书1.0 （2024年） 发布单位：中移智库 编制单位：中国移动通信研究院 2024年12月 前言 移动网络正由移动通信网络向移动信息网络演进升级，将融合通信、感知、计算、智能等多类网络功能，在信号处理、数据处理、网络优化、机器学习等方面面临巨大算法与算力挑战。量子计算是利用量子叠加、量子纠缠等量子效应的全新计算模式，原理上具有远超经典计算的强大能力[1]，得到众多高算力需求行业的关注，有望成为解决方案。 然而，当前量子计算机还处于含噪中等规模（NISQ）阶段[2]，计算能力参差不齐。量子计算机能否解决移动网络中真实问题，能否超越经典计算，哪些因素制约应用，未来商用还有哪些瓶颈，都还是开放性问题。 面对多样化移动网络算力需求、多样化量子计算技术路线和多样化量子算法范式局面，有必要探索有效的量子计算应用能力评测框架与方法，为移动网络引入量子计算提供选型参考，为应用储备工具。 本文以移动网络中真实计算需求案例为参考，提出量子计算应用能力评测框架，定义应用能力关键性能指标，探讨评测基准、评测方法和评测标准化需求。 限于编写组专业能力以及量子计算发展的难以预期性，本文仅给出该问题的初步思考与建议，后续根据量子计算发展状况继续研究分析，持续给出更新版本。 本文由中国移动通信研究院编制，由崔春风、潘成康、郑沛林、王港曦、李永梅、易鑫等专家协同完成。本文由中移智库发布，版权归中国移动通信研究院所有。 目录 1.移动网络发展面临的算力挑战1 2.量子计算带来的机遇与挑战3 2.1量子计算优势3 2.2量子计算技术挑战3 2.3量子计算应用挑战4 2.4量子计算应用评测必要性5 3.量子计算应用能力体系框架7 3.1总体框架7 3.2移动网络计算需求7 3.3量子硬件性能指标9 3.4量子算法性能指标10 3.5量子硬件与算法综合指标11 3.6量子计算机扩展能力指标11 3.7量子计算机部署能力指标13 3.8应用能力成熟度指标13 4.量子计算应用能力评测方法15 4.1应用能力评测基本概念15 4.2应用能力评测基本方法17 4.3移动网络计算需求评估案例18 4.4应用能力（量子算法级）评测案例20 5.量子计算应用能力评测标准化需求25 5.1应用能力评测标准化需求25 5.2应用能力评测标准化展望26 6.总结30 缩略语31 参考文献32 1.移动网络发展面临的算力挑战 移动网络正由移动通信网络向移动信息网络升级演进，在通信基础上，将引入感知、计算、智能等多项网络功能，并引入通信感知一体化、超大规模MIMO、去蜂窝网络（cell-free）、基于大模型的网络与空口、数字孪生网络等新技术，在大规模信号处理、大规模网络优化、大模型训练推理和网络大数据处理等方面，面临巨大的算法与算力挑战，如图1所示。 图1.移动网络发展面临的算力挑战 在信号处理方面，去蜂窝网络和超大规模MIMO面临高维MIMO信号处理挑战，包括MIMO信号检测、MIMO信道测量与反馈、MIMO预编码，涉及高阶MIMO矩阵乘、矩阵奇异值分解、矩阵求逆等运算，以及信号最大似然检测等寻优问题。一个典型案例是信号处理中的矩阵乘，例如未来去蜂窝场景512*8维MIMO矩阵，经典计算机求解复杂度虽然多项式级增长，但也带来极大的处理时延、资源消耗与功率消耗，相对与目前5G基站能耗来说更加不可持续。 在网络优化方面，传统的网络拓扑优化、路由优化和无线网络优化都随着通感算智融合与新技术引入而变得复杂。其中，无线网络优化进一步细分为网络覆盖优化、网络容量优化和网络能效优化等，属于典型的组合优化问题，目前经典计算（算法）通常采用元启发式算法，或贪心算法，只能给出满意解或可行解，无法给出最优解。随着优化规模的增加，甚至无法给出可行解。未来网络优化小区规模越来越大，一个典型案例是500小区联合覆盖优化问题。当每个小区有多 个优化动作时（即使仅有两个选项，求解空间达2的500次方），经典计算机将 无法求解。另一个典型案例是100个用户的多用户同频调度，核心在于如何在众 多用户之间分配同频资源，达到保障用户优先级、降低干扰，提升吞吐量等关键系统性能指标。这是典型的组合优化难题，属于非多项式级复杂度（一般为指数级），求解最优解将超越经典计算能力。 在人工智能方面，虽然机器学习的引入为移动网络数据处理与智能化提供了新的解决方案，但大模型的训练与推理成为移动网络新的算力需求来源。网络智能化任务主要涉及网络状态的预测、异常检测和网络优化决策等。广义的网络状态预测包括网络流量预测、用户行为预测、网络性能预测、无线信道状态预测、设备状态预测等。网络异常检测包括流量异常检测（如用于安全风险评估）、用户行为异常检测、设备异常检测、干扰检测、质差小区检测等。网络优化决策包括业务参数配置、网络参数配置、流量调度与均衡、无线网络资源分配、用户调度等。这些通常基于预测类模型、检测类模型和决策类模型来实现。更重要的是，为了避免模型碎片化，可能需要构建移动网络AI大模型，以适应更多场景。但AI大模型的引入带来了极大的模型训练与推理资源开销。例如，当前生成一段6秒视频，需要2000张H100GPU运行1个月时间，30秒视频需要4000张H100GPU运行3个月时间，（1张H100价值30万￥，2000张共6亿￥），成本极高，性价比很低。 在数据处理方面，通感算智融合的移动网络无论网络内数据还是网外数据都将爆炸式增长，包括网络状态数据、基站侧数据、用户侧数据、信令数据、运维数据、专家经验数据等结构化与非结构化数据。高效的网络运营，离不开高效的大数据处理与支持。网络大数据处理包括数据清洗与集成、数据降维、数据特征提取、知识提取等，这些通常基于统计类模型或神经网络类模型来实现。海量高维异构数据为模型设计、训练与推理带来极大挑战。 2.量子计算带来的机遇与挑战 2.1量子计算优势 量子计算是一种遵循量子力学规律的新型计算模式，以量子比特为基本单元，基于量子叠加、量子纠缠、量子干涉等量子效应，相比经典计算具有更强大的计算能力。量子计算在大规模搜索、微观系统模拟、大数分解、线性系统求解等特定问题上具备显著加速优势，在组合优化、机器学习方面具备潜在优势，得到了化学材料、生物医药、金融等众多高算力需求行业的关注。从理论角度看，量子计算优势包括如下几个方面： ·量子叠加、量子纠缠效应带来的真正并行计算能力，对于特定问题可以实现指数级计算加速和指数级数据存储。 ·量子计算属于可逆计算，虽然控制设备能耗高，但计算本身低能耗。 ·并行计算天然适合大规模寻优与非结构搜索，时间短，精度高，适合移动网络中的各类搜索与优化问题。 ·量子计算可加速线性系统求解，适合移动网络中线性信号处理。 ·并行计算可加速大数据处理、模型训练和推理，利用量子叠加降低模型参数量，处理经典模型难以表征和存储的高维数据，适合处理网络中的高维异构数据。 ·利用量子纠缠挖掘数据全域内禀关系，揭示经典模型无法发现的深层特征，提升模型准确率，增强可解释性和泛化能力，适合挖掘移动网络中业务数据、网络数据和用户数据的深层模式，更好保障服务质量。 ·量子计算支持非线性处理，量子核方法有望实现量子优越性。 ·量子叠加可以表征更多环境与动作状态，使得量子强化学习收敛更快，适合网络运维与管理的智能决策。 ·理论上，一台60量子比特量子计算机等价一台E级超算（兆瓦级能耗），等价2500张H100GPU（7.5亿￥成本）。当前量子计算机功耗在百千瓦级以下，成本在千万级，预期具有更高的性价比。 2.2量子计算技术挑战 虽然量子计算理论上展现了一定的计算优势，但量子计算目前还处于NISQ 阶段，面临诸多技术问题与挑战： 一是量子硬件性能弱。量子比特数规模小，可控性与稳定性不足。量子门实现难度大，门保真度还不够理想。量子计算的可扩展性以及量子计算机的硬件设计难题仍待克服。为此，研究人员正努力研发量子纠错技术提高量子计算的可靠性，研发量子比特精确控制技术提高门保真度，研发量子网络技术链接多个量子计算机从而提高量子计算能力。 二是大量算法，尤其是变分量子算法优势缺乏理论证明。变分算法的性能界限以及具体任务上的量子优越性仍在探索中。 三是经典数据量子态编码成为最大瓶颈。量子计算处理移动网络中计算问题或经典数据，需要将相关经典数据编码为量子态数据。然而目前已有的编码方案可能无法同时满足类比性和实用性的要求。 四是量子-经典混合系统集成存在挑战。量子软件开发框架还不够成熟，亟待开发量子和经典计算系统协同工作框架，以支持两者的互操作性。 2.3量子计算应用挑战 虽然量子计算产业距离商业应用还有很大差距，但提前评估在移动网络中引入量子计算是否具备价值，仍是必要的。在产业与应用标准建立之前，可以定性的思考图2所示的技术与工程问题： ·给定移动网络中的实际计算问题，是否存在相对经典算法有优势的量子算法？优势包括计算时长、计算精度、计算规模、计算能效等。 ·给定量子算法，当前量子计算机是否能稳定运行并给出准确或近似解？可采用量子编译、量子误差缓解等多种增强手段来保障。 ·计算任务所处环境与量子计算机运行环境是否能匹配？是否有尺寸、能耗、移动性、温度、湿度等物理条件约束？这通常发生在本地部署场合。 回答上述问题，需要明确：1）移动网络中真实计算问题的需求边界；2）量子计算机真实计算能力边界；3）移动网络中计算任务部署环境的刚性需求边界。然而，当前阶段去做这件事情并不容易。一是移动网络场景多样化，在网络标准化和工程化过程中对相应的计算问题做了复杂性妥协，难以清晰地确定需求边界。 二是量子计算存在多种量子算法范式，多种技术路线，有大量潜在不确定因素影响NISQ计算能力，真实边界难以确定。三是当前量子计算产业正在扩展量子比特规模和攻关量子比特纠错，量子计算能力还在动态提升，阶段性评测结果可能无法给定结论。 图2.量子计算应用能力三要素 2.4量子计算应用评测必要性 为了一定程度上回答2.3节的问题，需要一套较为有共识的、稳定的、适应性强的评测工具与方法，对不确定的目标进行评测，通过不断的确定→不确定→确定迭代评测，明确量子计算应用存在的差距，定位存在的问题。 事实上，产业已经开展了相关研究工作，发展了多种量子计算性能指标与评测基准[3-5]。这些基准有些得到了业界的共识，如量子比特数，门保真度和量子体积等。有些还是一家之言，如算法量子比特，存在性能高估的可能。总体上，这些指标要么与技术路线强相关，要么仅用于硬件底层性能评测，无法准确描述量子计算的整体性能，尤其是应用层面性能。因此，应用研发人员难以使用。 量子计算机应用能力是面向多场景多需求的综合能力。为此，本文构建量子计算应用能力评测框架，定义算力需求与计算能力对接的应用能力关键性能指标 （KPI），尝试从应用需求层面评估量子计算真实能力，从而能够综合判断量子计算在移动网络中应用的可行性与成熟度，推动量子计算与移动网络的融合发展。 特别需要说明的是，量子计算目前仅在量子模拟、大数分解、线性系统求解、非结构化搜索等方面有理论优势，在组合优化、机器学习方面有潜在优势，但还无理论证明。应用评测只是针对给定计算问题与量子算法，在给定量子计算系统 上，与经典计算进行对比，目标是评估该类问题是否适用量子计算，而不是给出该类问题是否必须依赖量子计算、是否有量子加速优势等结论。 3.量子计算应用能力体系框架 3.1总体框架 移动网络中的量子计算应用能力体系，包括场景需求和量子计算应用能力指标二大部分，如图4所示。场景需求是指移动网络中高算力需求场景、对应的计算问题类型，以及相应的计算需求指标和部署需求。其中，计算需求指标包括计算速度（或计算时长、计算时效）、计算精度、计算规模和计算效能等指标。量子计算应用能力指标涵盖了量子计算单机系统的硬件性能、算法性能，以及计算机可扩展性、部署能力等多个单项和集成指标，具体关系是：量子