移动网络中量子计算应用能力评估模型（2025年）

发布单位：中移智库 编制单位：中国移动通信研究院 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，通信、感知、计算、智能融合一体，带来大规模信号处理、网络优化、数据处理、模型训推等巨大算力挑战。量子计算相对经典计算展现出理论与潜在优势，有望破解移动网络算力瓶颈。 然而，移动网络计算场景与算力需求复杂多变，量子计算技术路线和算法范式发散不收敛，计算能力参差不齐。当前量子计算应用能力与未来应用潜力并不明晰。因此，有必要构建一套量子计算应用能力评估体系，对量子计算在移动网络中的应用价值给出综合评估。 2024年发布的《移动网络中量子计算应用能力评测白皮书1.0》初步构建了量子计算应用能力评测框架，定义了应用能力部分关键性能指标。本文进一步更新完善指标体系，引入量子软件栈、量子纠错、AI集成等能力指标，并尝试设计具体可用的评估模型。本文在所定义的应用能力三级指标体系基础上，针对移动网络场景核心需求，筛选关键指标，确定指标权重，定义指标衡量方法及量化评分方法，从而构建评估模型。该模型具备通用性，可移植其他特定行业场景，用于量子计算应用价值评估。 受编写组专业能力及量子计算发展的不确定性所限，本文仅提供评估模型初级版本，后续将随该领域进展情况持续更新完善。 本文由中国移动研究院编制，由栾春阳、潘成康、程羽洁、王飞等专家协同完成，由中移智库发布，版权归中国移动研究院所有，未经许可，不得以任何形式复制或使用。 目录 1.概述...........................................................................................................................31.1移动网络算力瓶颈.............................................................................................31.2量子计算与移动网络融合机遇.........................................................................51.3量子计算应用能力评估需求.............................................................................62.量子计算应用能力评估体系...................................................................................82.1评估体系总体框架.............................................................................................82.2一级指标：系统性能..........................................................................................92.2.1二级指标：量子硬件能力..................................................................102.2.2二级指标：量子软件栈能力..............................................................142.2.3二级指标：量子算法运行能力..........................................................172.3一级指标：扩展能力.......................................................................................192.3.1二级指标：纵向扩展能力..................................................................192.3.2二级指标：横向互联能力..................................................................202.3.3二级指标：服务与集成能力..............................................................211）混合计算能力..........................................................................................212.4一级指标：部署能力.......................................................................................232.4.1二级指标：物理与环境要求..............................................................242.4.2二级指标：运维与成本效益..............................................................243.量子计算应用能力评估模型.................................................................................273.1模型构建概述...................................................................................................273.1.1指标筛选..............................................................................................283.1.2指标权重赋值......................................................................................303.1.3指标数据采集与量化..........................................................................313.1.4指标衡量方法......................................................................................323.1.5综合分值计算......................................................................................333.1.6模型性能分析......................................................................................343.2模型场景化设计...............................................................................................343.3移动网络领域评估模型.................................................................................364.建议与展望.............................................................................................................39缩略语列表..................................................................................................................40参考文献......................................................................................................................41 1.概述 1.1移动网络算力瓶颈 移动网络正由移动通信网络向移动信息网络升级演进，通信、感知、计算、智能等功能融合一体，星地覆盖一体。超大规模MIMO、去蜂窝网络、数字孪生网络等新技术的引入，带来大规模信号处理、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面临高维矩阵信号处理挑战，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、分解、求逆等运算以及检测寻优问题。一是高维矩阵运算的复杂度爆炸。在基站配置N通道、K个用户规模系统中，矩阵乘最大复杂度为O(N2K)，矩阵求逆复杂度为O(N3)，若N=512，K=128，则单次矩阵乘法/求逆浮点运算次数可达亿次级别。若需实时处理（如每毫秒更新一次），则需每秒完成千亿次运算，对硬件计算能力提出极高要求。二是大规模矩阵求逆容易出现数值不稳定（病态条件数），需引入正则化或迭代方法，这进一步增加计算负担和计算时延。三是信号检测中的组合优化难题。最大似然检测需遍历所有可能的发送符号组合，复杂度为O(MKK)（M为调制阶数，K为用户数），即使采用近似算法（如球形译码），最坏情况下复杂度仍指数增长，成为实时处理的根本性瓶颈。四是信道反馈与压缩的维度灾难。即使采用压缩感知或深度学习压缩，编码-解码过程仍涉及高维矩阵运算（如稀疏恢复中的凸优化），计算延迟显著。五是迭代算法的 收敛速度问题。为降低复杂度，常采用迭代算法（如共轭梯度法求逆、ADMM用于预编码），但迭代次数可能随维度线性甚至超线性增长，且在信道矩阵病态时收敛缓慢。总之，计算复杂度超线性增长、迭代算法的收敛不确定性、以及组合优化问题的指数爆炸等因素，带来极大的处理时延、资源消耗与功率消耗。 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，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。在6G网络中，这种复杂性表现得尤为明显。例如，在500小区组成的密集网络中进行联合覆盖优化时。当每个小区即使仅有两个优化选项，求解空间也达2的500次方，远超现有超级计算机的处理能力。另一个典型案例是毫米波基站波束成形优化，当基站配备256天线并服务50个用户时，需要实时计算最优波束权重矩阵，其解空间规模达到10¹⁵⁰量级，经典计算根本无法完成该项任务。在多用户调度方面，问题同样复杂。例如，在100用户同频调度场景中，需要同时考虑用户优先级保障、干扰协调、吞吐量最大化等多约束多目标优化，其决策空间达到10¹⁰⁰数量级。此外，在云边端协同计算场景中，当需要为1000个边缘节点分派计算任务时，任务分配的解空间规模更是达到1000!级别，传统优化算法完全无法应对。这些案例充分表明，大规模网络优化问题已经进入"维度灾难"的领域，其NP-Hard特性使得经典计算架构面临根本性瓶颈[6], [10], [12]。