移动网络中量子计算应用能力评测白皮书

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...................................................................................................12.量子计算带来的机遇与挑战.......................................................................................................32.1量子计算优势.........................................................................................................................32.2量子计算技术挑战.................................................................................................................32.3量子计算应用挑战.................................................................................................................42.4量子计算应用评测必要性.....................................................................................................53.量子计算应用能力体系框架.......................................................................................................73.1总体框架.................................................................................................................................73.2移动网络计算需求.................................................................................................................73.3量子硬件性能指标.................................................................................................................93.4量子算法性能指标...............................................................................................................103.5量子硬件与算法综合指标...................................................................................................113.6量子计算机扩展能力指标...................................................................................................113.7量子计算机部署能力指标...................................................................................................133.8应用能力成熟度指标...........................................................................................................134.量子计算应用能力评测方法.....................................................................................................154.1应用能力评测基本概念.......................................................................................................154.2应用能力评测基本方法.......................................................................................................174.3移动网络计算需求评估案例...............................................................................................184.4应用能力（量子算法级）评测案例...................................................................................205.量子计算应用能力评测标准化需求.........................................................................................255.1应用能力评测标准化需求...................................................................................................255.2应用能力评测标准化展望...................................................................................................266.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。 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