用“量子启发“的小模型，精准预测互联网的流量走向

这项由台湾大学物理系暨理论物理中心与台湾国家高速网络与计算中心（NCHC）联合开展的研究，于2026年6月26日以预印本形式公开发布，论文编号为arXiv:2606.27821，有兴趣深入了解的读者可以通过该编号在arXiv平台上查阅完整论文。

一、网络流量预测：一张看不见的"城市交通图"

每天，全球数以亿计的数据包在互联网骨干线路上川流不息。对于运营大型网络的工程师来说，他们面临的挑战有点像城市交通管理者：不仅要实时掌握每条道路上的车流量，还要提前预测接下来一两个小时哪里会堵车、哪里会空旷，以便提前调整信号灯、规划绕行路线。

在互联网世界里，扮演这张"城市交通图"角色的，是一种叫做"流量矩阵"（Traffic Matrix，TM）的数据结构。流量矩阵记录的是网络中每一对"起点—终点"节点之间的流量需求，就像一张表格，行是出发地，列是目的地，每个格子里的数字代表这条线路上正在流动的数据量。

对于骨干网络运营者而言，准确预测未来的流量矩阵，是做好容量规划、缓解拥塞、优化路由、应对故障的核心前提。这篇论文聚焦的正是这个问题：能否用一个体积紧凑、参数少、训练成本低的模型，准确预测未来一百分钟内整张流量矩阵的变化？

这个问题的难点在于，流量矩阵不是一个简单的数字序列，而是144个"起点—终点"通道同时演变的复杂动态系统，每个通道之间还有相互关联。更重要的是，在实际的网络控制场景中，模型往往要在资源极度有限的边缘设备上运行，不能依赖大量参数、大量显存和漫长的训练周期。

正是在这个背景下，研究团队提出了一个核心问题：量子启发的紧凑型循环模型，能否在不借助专门图神经网络、Transformer或扩散模型的情况下，有效完成整张流量矩阵的预测？

二、"快权重程序员"：给神经网络加一套可以动态重写的临时记忆

要理解这篇论文的核心技术，先来理解一个有趣的概念——"快权重程序员"（Fast Weight Programmer，FWP）。

普通的神经网络，比如我们熟知的LSTM（长短期记忆网络），处理时间序列的方式有点像一个人靠"隐藏状态"来记住历史——每读入一段新数据，就更新一下自己脑子里的记忆状态，再用这个状态来预测下一步。这套机制很有效，但记忆容量有限，而且所有的"知识"都锁定在固定的网络权重里。

快权重程序员的思路则不同。它把神经网络分成两条通道：一条叫"慢程序员"，负责读取当前输入，动态生成一套临时的小型网络参数；另一条叫"快程序员"，用这套临时参数来生成当前的输出。慢程序员就像一个会根据当前情况即兴调整策略的导演，快程序员则是随时听从指挥、灵活变换角色的演员。时间信息不再只存储在隐藏状态里，而是编码在这套动态更新的"临时参数"中。

在门控版本（Gated FWP）中，还加入了一个"门"的机制——一个标量值，决定当前临时参数应该更多保留上一时刻的版本，还是更多采纳新生成的版本。这个门就像一个混音台上的推拉杆，在稳定性和适应性之间做出实时调节。

这套机制本身已经很有趣，但研究团队走得更远：他们在这个框架里引入了"量子启发的柯尔莫哥洛夫—阿诺德网络"（Quantum-inspired Kolmogorov-Arnold Network，QKAN）模块。

三、量子启发：不需要真正的量子计算机，却借用了量子电路的数学结构

"量子启发"这个词听起来很神秘，但实际上它的意思是：借用量子计算中某些数学结构的设计思想，在普通计算机上实现更紧凑、表达能力更强的非线性变换，并不需要真正的量子硬件。

具体来说，研究团队使用的QKAN模块，是将量子变分激活函数嵌入柯尔莫哥洛夫—阿诺德网络（KAN）中。KAN本身是一种与传统神经网络不同的架构：传统神经网络把非线性激活函数固定在神经元节点上，而KAN则把可学习的非线性函数放在网络的连接边上，这让它在参数较少的情况下就能拟合复杂的函数关系。而QKAN进一步将这些边上的激活函数替换为量子变分电路模拟出的非线性变换，从而在极少参数下实现很强的表达能力。

在实际模型中，研究团队使用了一种叫做HQKAN（混合量子KAN）的结构——它由三部分组成：一个经典编码器先把输入压缩成低维特征，再交给QKAN模块做非线性变换，最后由一个经典解码器生成输出。这套编码—变换—解码的流程，就像把一段杂乱的音频先过滤噪声、再提取旋律、最后重新合成高质量声音一样。

研究团队把这套HQKAN模块与门控快权重程序员结合，设计出了三种不同的变体，用于探索在什么位置放入量子启发模块效果最好。

四、三种变体，三个问题：量子启发放哪里最有用？

研究团队设计了三种不同的"量子启发门控快权重程序员"变体，每种变体对应一个具体的设计问题。

第一种叫G-QKANFWP，它的结构是：慢程序员保持经典设计，负责生成更新信号；快程序员则使用HQKAN模块来生成最终输出。这种设计的核心问题是：当负责生成更新的那一侧保持简单时，把量子启发的非线性变换放在负责"读出"的快程序员端，是否有效？

第二种叫GQKAN-FWP，结构恰好相反：慢程序员使用HQKAN模块来生成动态参数更新，快程序员则保持经典线性设计。这种设计探索的是：量子启发模块放在"生成记忆"的一侧是否更有价值？

第三种叫GQKAN-QKANFWP，慢程序员和快程序员两侧都使用HQKAN模块。这是参数量最小的变体，探索的是：在双侧都使用量子启发压缩的情况下，整体预测能力是否还能保持？

与这三种变体对比的基线模型有三个。G-FWP是经典门控快权重程序员，去掉了所有HQKAN成分，用于区分"门控快权重框架本身的贡献"与"量子启发模块的贡献"。LSTM-S是参数量相近的小型LSTM，用于评估在相同规模下量子启发模型是否更优秀。LSTM-L是参数量大得多的LSTM，用于了解小模型与大模型之间的差距。

五、实验舞台：Abilene骨干网，一张真实的互联网历史账单

实验用的数据来自美国的Abilene骨干网络，这是互联网早期的一条重要科研网络。数据集包含了大量五分钟粒度的流量矩阵快照，被整理成48384帧，每帧是144维的向量，对应12个节点之间所有"起点—终点"组合的流量数值。

在使用数据之前，研究团队对每帧数据做了一种叫"帧归一化"（FN-TM）的处理。具体来说，对于每一帧里的每个OD通道数值，先找出这一帧中144个通道里的最小值和最大值，然后用一个特殊公式把每个数值映射到0到1之间——而且是反向映射，数值越大的原始流量，归一化后的FN-TM值反而越小。这种处理方式让模型关注的是"相对于同一帧内部的流量分布"，而不是不同帧之间的绝对大小差异，更适合循环模型处理向量序列。

预测任务的设置是：每次输入过去24帧（两小时）的历史，要求模型一次性直接预测接下来20帧（一百分钟）的流量矩阵。这是"直接多步预测"而非"滚动自回归预测"，意味着模型在一次前向计算中就要输出所有20个时间步的结果，对模型的整体时序建模能力要求更高。

数据按时间顺序划分为训练集（70%）、验证集（15%）和测试集（15%）。所有模型在相同的条件下训练：固定50个训练轮次、学习率0.001、Adam优化器、均方误差损失，并用5个不同的随机种子重复实验以确保结论稳健。

六、评估标准：不只看最终成绩，还看学习过程

为了全面评价模型性能，研究团队设计了三类评估指标。

第一类是"汇总均方根误差"（Pooled RMSE），把所有测试窗口、所有预测时间步、所有144个OD通道上的预测误差统一汇总后开根号。这是最综合的准确性指标，相当于给模型打一个总分。此外，研究团队还单独报告了第1步（5分钟后）、第10步（50分钟后）和第20步（100分钟后）的RMSE，用于观察模型在不同预测距离上的表现差异。

第二类是"OD通道胜出数"，对每个OD通道单独计算各模型的平均误差，把这个通道的胜利归属给误差最小的那个模型。144个通道里，每个模型赢了多少个，就是它的"通道胜出数"。这个指标揭示的是模型的"局部优势"：一个汇总分数好的模型，是靠在少数几个高流量通道上表现突出，还是在大量通道上都有稳定的局部优势？

第三类是"验证损失曲线下面积"（Val-loss AULC），用梯形积分法计算50个训练轮次内验证损失的平均水平。这个指标衡量的是模型在固定训练预算内的收敛效率：两个模型最终误差相近，但其中一个更早就下降到低水平并稳定维持，它的AULC就更低，说明它在固定预算下学习得更高效。

七、实验结果：小而准的量子启发模型，真的赢了

实验结果相当清晰地呈现了几个层次的对比。

在汇总RMSE上，G-QKANFWP以0.06897的成绩拿下了所有参评模型中的最低误差。与它参数量相近的LSTM-S得分是0.07155，差距约为3.6%。更引人注目的是，参数量比G-QKANFWP多出将近四倍的LSTM-L，得分是0.06920，反而略高于G-QKANFWP。换句话说，G-QKANFWP用LSTM-L仅22.4%的参数，取得了略优于LSTM-L的整体预测精度。

经典G-FWP的得分是0.07038，介于LSTM-S和G-QKANFWP之间。这一结果非常关键：它说明门控快权重框架本身确实比纯LSTM更好，但量子启发的HQKAN模块带来了额外的、可测量的提升。也就是说，G-QKANFWP的优势不是单纯来自"门控快权重"这个框架，量子启发的非线性激活函数在快程序员端发挥了真实的作用。

另外两个量子启发变体，GQKAN-FWP（0.07082）和GQKAN-QKANFWP（0.07117），也都优于LSTM-S，但不如G-QKANFWP。这表明HQKAN放置的位置很重要：在这个任务上，把它放在"快程序员读出端"（即G-QKANFWP的做法）比放在"慢程序员生成端"或"两端都放"效果更好。

在分步骤的预测精度上，G-QKANFWP在第1步（5分钟预测）和第20步（100分钟预测）上都是最优的，在第1步上比LSTM-L低约2.9%的相对误差。LSTM-L在第10步上略好一些，但优势微小。这意味着G-QKANFWP并没有在所有时间步上绝对碾压LSTM-L，但整体的平衡性和参数效率优势是真实的。

在验证损失曲线方面，三种量子启发变体的AULC都低于LSTM-S和G-FWP，其中G-QKANFWP的Val-loss AULC为0.00298，与LSTM-L（0.00299）基本持平。这说明量子启发模型不只是最终误差低，在整个训练过程中它们都更快收敛、更早达到低误差水平，学习效率更高。

在OD通道胜出数上，LSTM-L以52/144的成绩赢得最多通道。但G-QKANFWP和GQKAN-FWP分别赢得33和39个通道，远多于LSTM-S和G-FWP各自的8个通道。值得一提的是，GQKAN-FWP在通道胜出数上（39个）超过了G-QKANFWP（33个），尽管它的汇总RMSE更高。这说明GQKAN-FWP可能在更多个低流量、低影响的通道上表现较好，而G-QKANFWP则在影响汇总误差更大的高流量通道上表现更优秀。

研究团队还用可视化的热力图对比了第t+20步的预测矩阵和真实矩阵，展示了三种量子启发模型在整体矩阵结构上的预测质量，以及针对特定OD通道随时间变化的预测轨迹曲线。这些可视化结果与汇总数据相互印证，进一步支持了上述结论。

八、局限与展望：这项研究告诉了我们什么，还没告诉我们什么

研究团队对这项工作的局限性持非常坦诚的态度。这项研究刻意选择不加入图神经网络、扩散模型或Transformer这类专门针对空间结构的模块，目的是单独评估量子启发快权重设计本身的价值。这使得研究结论非常聚焦，但也意味着这些模型并不是当前最强的流量矩阵预测器——它们是在"紧凑循环模型"这个类别里做比较，而不是与所有已知方法竞争。

所有模型共享同一个固定学习率（0.001），这是有意为之的设计，目的是模拟固定训练预算的现实场景，但也意味着不同模型可能在各自的最优学习率下表现差异会有所变化。研究团队明确指出，未来需要对各模型的学习率敏感性做更细致的实验。

此外，所有实验结果都以FN-TM（帧归一化）空间下的误差呈现，这与实际原始流量值之间存在一层转换。面向真实部署的评估，还需要在原始流量尺度下进行验证，同时应测量模型在边缘设备或网络控制平台上的推理延迟、内存占用和能耗，才能完整评估其实用价值。

研究团队也指出了一个与之前相关工作中不一致的现象：在之前对QKAN-FWP家族的研究中，GQKAN-QKANFWP往往在多种异质任务上最为稳定；但在这个Abilene整矩阵预测任务中，它的表现并不突出。这提示我们，HQKAN模块的最优放置位置可能与任务的空间耦合结构有关，值得进一步研究。

下一步最自然的研究方向，是把G-QKANFWP与专门建模空间结构的图神经网络或拓扑感知模块结合，让循环快权重模块专注于时序动态，让图模块专注于OD通道间的空间依赖，两者分工协作，有望进一步提升整体性能。

归根结底，这项研究想回答的是一个非常务实的问题：在资源受限的网络控制场景下，我们真的需要一个庞大的模型才能准确预测流量矩阵吗？实验结果给出了一个明确的否定答案——至少在循环模型这个类别里，一个只有8000多个参数的量子启发紧凑模型，可以做到与参数量是它四倍多的大型LSTM旗鼓相当甚至略胜一筹。这对边缘网络控制、云边协同等场景而言，是一个很有价值的参考数据点。

当然，这并不是说量子启发模型就此成为流量预测的终极答案。LSTM-L在通道胜出数上仍然占据优势，说明更大的模型在某些局部细节上确实更精准。但如果你的目标是在一个严格的参数预算和训练时间预算内做出尽可能好的预测，G-QKANFWP目前看来是一个值得认真考量的选择。

有兴趣深入探究这项研究所有技术细节的读者，可以通过arXiv:2606.27821这个编号找到完整论文，或者追踪台湾大学与台湾国家高速网络与计算中心在量子启发序列建模领域的后续工作。

Q&A

Q1：流量矩阵预测和普通的网络流量预测有什么区别？

A：普通网络流量预测通常只关注单条链路或单个节点的流量变化，而流量矩阵预测要同时预测网络中所有起点—终点节点对之间的流量需求。以Abilene骨干网为例，有12个节点就意味着144个起点—终点组合，每一个都要同时预测，而且这些通道之间还相互关联，难度远高于预测单条链路。

Q2：量子启发模型和真正的量子计算有什么关系？

A：量子启发模型借鉴了量子电路的数学结构——比如量子变分激活函数的形式——但运行在普通的经典计算机上，不需要任何量子硬件。它的优势在于用这种数学结构实现更紧凑的非线性变换，在参数数量很少的情况下就能具备较强的函数拟合能力。可以理解为"借用量子数学语言，但不需要量子机器"。

Q3：G-QKANFWP模型在实际网络中能直接部署使用吗？

A：目前还不能直接用于生产环境。这项研究是在FN-TM归一化空间下评估的，实际部署还需要在原始流量尺度上验证性能，并测量在边缘设备上的推理速度、内存占用和能耗。此外，研究只用了Abilene数据集，还需要在更多网络数据上验证其泛化能力。研究本身更像是一项可行性验证，为后续工程落地提供了理论依据。