量子科技中心_量科网

计算机网络中的恶意软件遏制问题可以自然地建模为一种网络影响力最小化问题，其目标是在平衡禁用网络连接的操作成本的同时，限制感染的预期传播范围。传统方法通常依赖随机扩散过程的蒙特卡洛模拟和基于候选边删除的贪心优化，由于需要重复进行影响力评估，导致显著的计算开销。本研究提出一种混合量子方法，结合量子振幅估计（QAE）和格罗弗最小值查找（GMF），在问题的估计和优化两个组件中均实现二次加速。具体而言，QAE替代经典蒙特卡洛模拟，将影响力估计的采样复杂度从 O(1/ε²) 降低至 O(1/ε)（目标加性误差 ε≪1）；而GMF将识别最优边删除所需的候选评估次数从 O(|EC|) 降低至 O(√|EC|)。该工作给出了正式的问题定义，描述了相应量子神谕的构造方法，并在标准神谕假设下分析了复杂度改进效果。初步实验（包括QAE的经典模拟和在真实量子硬件上小规模执行的格罗弗搜索）支持了预期的理论缩放特性。尽管大规模实际部署仍需容错量子设备，但该研究结果表明，量子算法为加速恶意软件遏制等随机网络优化问题提供了有前景的长期发展方向。