量子科技中心_量科网

该研究探索了量子机器学习（QML）与类量子（QI）技术在电信系统端到端（E2E）网络服务优化中的融合应用，尤其聚焦5G及未来网络。研究对比了量子算法与传统机器学习（ML）方法的性能表现，采用混合计算框架结合量子与经典计算优势，规避量子硬件可用性限制，专门针对蜂窝网络体验质量（QoE）优化进行验证。该框架包含基于用户指标、服务参数及基站配置的QoE预估模块，以及利用预估值选择最优基站与服务配置的优化模块。虽然该方法适用于所有基于QoE的网络管理，但研究具体实现了云游戏服务网络配置的优化案例，并通过预估模块的准确率、模型加载与推理时长，以及优化模块的求解时间与方案评分等指标进行评估。结果表明：QML模型在预估任务中达到与传统ML相当或更优的准确率，同时显著降低推理与加载耗时；针对高维度数据时更展现出性能提升潜力，为复杂问题解决提供了前景。尽管该工作证实了QML推动网络优化的巨大潜力，但也指出数据可获得性及量子-经典ML融合复杂性等挑战，将成为未来重点研究方向。