摘要

軍事決策在不同的領域--陸地、海洋、空中、太空和網絡--以及不同的組織層面--戰略、作戰、戰術和技術上發揮著關鍵作用。建模和仿真被認為是支持軍事決策的一個重要工具，例如，生成和評估潛在的行動方案。為了成功地應用和接受這些技術，人們需要考慮到整個決策 "系統"，包括決策過程和做出決策的指揮官或操作員。

人工智能技術可以以各種方式改善這個決策系統。例如，人工智能技術被用來從（大）數據流中提取觀察結果，自動建立（物理/人類/信息）地形模型，產生對未來事件和行動方案的預測，分析這些預測，向人類決策者解釋結果，并建立人類決策者的用戶模型。

對于所有這些應用，人工智能技術可以在不同的情況下被使用，并且已經開始被使用，因此有不同的要求。在本文中，我們概述了人工智能技術和模擬在決策"系統"中的不同作用，目的是在我們的社區中促進對人工智能的綜合看法，并為用于軍事決策的各種人工智能研發奠定基礎。

1.0 引言

軍事決策有多種形式。它發生在不同的領域--陸地、海洋、空中、太空、網絡--以及不同的組織層次[7]。例如，在戰略層面上，決策是否以及何時在一個特定的作戰區域內開始一項軍事任務。在作戰層面上，聯合部隊指揮官決定為某項行動分配哪些軍事要素，并指定在具體行動中尋求的預期效果。在戰術層面上，例如，海上任務組的反空戰指揮官決定由哪艘護衛艦來應對來襲的威脅。最后，在技術層面上，要決定在什么范圍內使用什么武器來消滅對手。

建模和仿真被認為是支持這些現場決策過程的一個重要工具（例如，見[3]的清單）。它提供了一種理解復雜環境和評估潛在行動方案有效性的手段，而不必使用現場測試。因此，借助于建模和模擬可以更安全、更便宜、更快速，而且可以更容易地測試不同的操作方式。此外，對于戰場上的軍事行動來說，廣泛地試驗軍事行動應該如何進行，甚至可能在道德上不負責任。因為，在指揮官可以決定不繼續按照同樣的戰術行動之前，就已經產生了意想不到的效果。

現代建模和仿真經常得到人工智能（AI）技術的支持。例如，用于仿真單個節點、組織和社會行為模型（見一些背景資料[13][4]），以獲得對對手合理和可能行為的洞察力。在這種行為洞察力的基礎上，可以為許多決策層面的軍事行動設計提供智能分析和決策支持。此外，人工智能技術被用來構建這些模型，與這些模型互動，并迅速分析大量的模擬結果數據。這里的技術進步非常多，例如，使用機器學習來構建更真實的行為模型[11]，改善人機協作[5]，對大量的模擬數據進行理解[10]。然而，人工智能技術只有在對決策者有用的情況下才能也應該被用于軍事決策。這意味著，只有在決策質量提高或決策過程變得更容易的情況下，才應將人工智能技術（在建模和仿真中）整合起來。

成功應用和接受用于決策支持的模擬仿真--可能建立在人工智能技術之上--取決于與主要軍事決策過程的互動和不斷學習（[1]）。決策者和分析員應該知道如何提出正確的輸入問題，以便通過建模和仿真來回答。然后，這些問題應該通過建模和仿真研究轉化為正確的輸出答案。因此，在各種互補的人工智能技術的支持下，應該對軍事決策過程和軍事模擬之間的互動有一個廣泛、全面的看法，并服從不同的功能要求。在本文中，我們概述了由人工智能技術支持的軍事仿真在決策"系統"中的不同作用，目的是在我們的社區內促進對人工智能的綜合看法，并為軍事決策的各種人工智能研發奠定基礎。

2.0 基于仿真的軍事決策

如引言所述，決策發生在不同的領域和不同的組織層面。在這里，我們提出了一個決策系統的示意圖，以提供一個關于如何通過仿真來支持決策的一般見解。這一觀點（圖1）來自于對多個決策過程的分析，如聯合定位[5]、作戰計劃[7]、海上反空戰[1]，并與著名的OODA環[8]相結合。該觀點中的元素解釋如下。

圖1：由建模和仿真支持的軍事決策周期的系統觀點。

觀察：OODA循環的第一步是觀察，從廣義上講，就是觀察現實世界中正在發展和出現的事件和情況。觀察包括，例如，來自傳感器的（原始）數據，包括我們自己的眼睛和耳朵，以及來自報告、報紙和社會媒體的符號數據。還收集了來自高層指揮和控制實體的指導意見。這些數據由分析員處理，對鏡頭中的個體進行命名，計算某些Twitter標簽的出現次數，驗證某個事件是否真的發生，等等。根據[9]，這可以被稱為情境意識的第一級：對當前情況下的元素的感知。

世界模型：在OODA環的觀察步驟中，已經開始了構建世界模型的過程，無論是隱性的還是顯性的。符合軍事決策觀點的世界模型的另一個名稱是共同行動圖。所有相關的概念都在世界模型中得到體現，包括不確定因素和假設。請注意，世界模型可以被仿真，即個體、平臺、團體或社會的行為可以隨著時間的推移而被預測，即使是在用戶的頭腦中隱含完成。

定位：在OODA循環的第二步，分析者使用他的專業知識，對觀察結果進行推理，形成假設，例如對手的意圖。通過這樣做，實現了對真實世界的深入理解[12]，這反映在世界模型中（仍然是顯性或隱性的）。在態勢感知方面，這被稱為第2級（對當前形勢的理解）和態勢感知能力第3級（對未來狀態的預測）。在任何時候，推理的結果可能是世界模型結構是不充分的，例如，現實世界的一個方面被認為是不相關的，但最后發現是相關的。因此，世界模型需要被更新。

決定：決策者，可能是與分析員相同的人，將根據對現實世界的理解，考慮如何采取行動的選項。世界模型的預測能力被用來演繹各種情景，讓人了解什么是理想的行動方案，什么不是，或者讓人了解空間和/或時間上的關鍵點，這樣就可以對這些關鍵點給予額外考慮。當然，如果世界模型是隱含的，這都是決策者的精神努力。此外，對于感興趣的現實世界系統的預測行為，可以得出的結論的精確性和/或確定性有很大不同：從精確的路線，到可能的戰略和理論的廣泛指示。

行動：在OODA-環的這一步，行動被執行。這些行動發生在真實世界中，然后一個新的OODA-環開始觀察是否需要重新考慮已經做出的決定。另一個行動可以是向 "較低層次"的決策過程下達命令，例如，讓下屬單位計劃和執行他們所得到的任務。這就是不同組織層次的決策過程的互動方式。還要注意的是，盡管每個組織層面的世界模型都與真實世界相聯系，但這些世界模型的結構（即被認為是相關的）可能是不同的。

從概念上講，在上述的決策過程中引入模擬（實際上首先是建模的巨大努力）是很直接的。在第一步和第二步中，建立了世界相關部分的模型，在以后的時間里，它被用來評估許多不同的情景，分析由此產生的結果，并根據其結論做出決定。正如后面將顯示的那樣，人工智能技術的作用與建模和模擬的使用有很大關系。

雖然從概念上來說，納入仿真模擬和人工智能技術是很簡單的，但為了給行動提供真正的附加值，它需要被嵌入到具體的決策過程中。而每個決策過程都是不同的，有不同的時間限制，不同的行動者，在不同的操作環境中。這將對開發使用的解決方案，包括人工智能技術，提出不同的功能要求。此外，根據具體的作戰決策環境，應用人工智能技術的附加值（或缺乏附加值）將是不同的。在下一節中，我們將對一個具體的案例進行進一步的探索，盡管肯定不是詳盡的努力，以允許對這種系統在這個過程中可能具有的不同角色進行更通用的識別。

3.0 案例研究：聯合目標定位周期

本節提供了一個關于如何利用仿真和人工智能技術來支持作戰層面上的（蓄意）聯合目標定位決策的案例研究。對于每個想法，都有以下描述：被加強的行為者（決策者）和/或產品，人工智能如何提供支持，以及使用這種形式的支持的附加值是什么。請注意，這個案例研究的目的是為了更好地了解人工智能技術應用的廣度，因此，目標不是完全涵蓋所有的可能性，也不是過于詳細。這種類型的案例研究已經確保了可以得出初步的功能要求，人工智能技術和智能建模與仿真應該應用于此。

圖2顯示了北約盟國聯合出版物3.9中的聯合瞄準決策周期，其中強調了五個想法。

圖2--來自北約盟國聯合出版物3.9的聯合目標定位周期，JFC=聯合部隊指揮官，JTCB=聯合瞄準協調委員會，JTL=聯合瞄準清單，TNL=目標

想法1--基于AI的目標系統分析的所有來源分析。第一個想法是支持目標小組的成員在聯合目標定位周期的第二階段參與目標系統分析，進行目標開發。例如，假設從第一階段開始，就打算通過瞄準對手的石油生產來擾亂其資金能力。在第二階段，分析人員將研究石油生產的目標系統，以確定油井、煉油廠、管道、重要的道路，也許還有相關的關鍵人物，等等，基于他們擁有的所有來源（圖像、信號情報、人類情報，等等）。

人工智能技術可以協助人類分析員建立 "目標系統模型"，即通過采用模式識別算法來處理大量的所有來源的信息，通過使用推理算法將信息碎片組合成一個結構化和連貫的整體。分析傳入信息的算法可能--經過增量的人工智能驅動的創新--也能夠識別尚未反映在目標系統模型中的新概念，然后可以自動添加到模型中。另一種可能性是創建一個 "虛擬分析師"（見圖3），通過不斷挑戰假設、假說和人類偏見來協助人類分析師，這需要額外的用戶建模和可解釋的AI技術。

圖3：人類和虛擬分析員，一起解釋數據，推理信息和知識，以建立一個目標系統模型。

這個想法的潛在附加值首先體現在完整性上，更多的目標可以呈現給人類分析員--它仍然可以為交叉檢查的目的做最后一步的目標審查。因為所有來源的情報都被整合到目標識別決策中，所以可以得出更具體的目標信息。識別算法經過訓練后，與基于人眼從數據中識別目標時相比，可以更快更及時地進行識別。最后，該算法可以明確地轉向識別不同類型的目標，這些目標可能并不都在人類分析員的經驗或觀察能力范圍內。

想法2--通過算法識別來自目標系統分析的優先目標。第二個想法是支持從一個給定的目標系統分析中識別優先目標。這有助于目標支持小組成員得出一個聯合的優先目標清單，該清單是在聯合目標定位周期的第二階段，即目標開發階段制定的。人工智能技術的支持始于將目標系統分析（如果還沒有的話）轉化為計算機可理解的形式，該形式由功能關系連接的實體組成，并由目標任務的目標支持。然后，在相關的時間范圍內計算直接或間接瞄準不同實體所產生的效用（例如，效果和效果的持續時間）。

然后，最終結果可以由人類分析員檢查，該分析員可能會重新引導算法的某些部分，以確保最終結果選擇的優先目標盡可能地滿足和平衡任務目標。另一種可能性是，分析表明，對目標系統的某些部分還沒有足夠的了解，無法做出某種決定，然后發出新的情報請求，以減少這種不確定性。

在這種情況下，使用人工智能技術的附加價值首先體現在通過完整地確定優先事項，包括最大限度地實現任務目標，同時最大限度地減少負面問題，從而更好更快地確定優先次序。這種全面的分析可能會導致原始的目標選擇，在這種情況下，會發現反直覺但非常有效的目標。目標優先級的可追溯性增加了，因為目標選擇問題的算法規范以及積極和消極的相關功能迫使決策者在激發他們的偏好時完全明確。

想法3--能力和優先目標的自動映射。與目標開發（第二階段）密切相關的是第三階段的能力分析。第三個想法是協助，仍然支持目標支持小組的成員，找到最適當的（致命和非致命）能力的最佳同步組合，可以應用于產生所需的物理和心理效果。使用模擬和人工智能技術來自動生成和播放高水平和低水平的行動方案，可以獲得對計劃的優勢、機會、弱點和威脅的深刻理解。當然，只有在與人類分析員和決策者密切合作的情況下，建立這樣的理解才是有用的，這就需要有人類意識的 "虛擬分析員 "技術。

想法4--計算機輔助的穩健和適應性部隊規劃和分配。在聯合定位的第四階段，能力分析的結果被整合到進一步的行動考慮中，推動聯合部隊指揮官對目標的最終批準。仿真和人工智能優化技術可用于尋找稀缺資源對目標或其他任務的最佳分配。什么被認為是 "最好的 "可以是不同的，例如，爭取最大的效果、安全、穩健、靈活，或這些和更多因素的任何組合。這可能會提供原始的規劃和分配方案，從人類分析者的角度來看，這些方案部分是反直覺的，但卻富有成效。智能優化算法可以幫助確定時間和/或空間上值得監測的關鍵點。而且，如果可以實時跟蹤進展，在事件或機會實際發生之前就可以立即生成重新分配方案，在時間緊迫的情況下減少決策時間。

想法5--自動評估軍事行動績效措施。在聯合定位的最后階段，收集和分析數據和信息，以確定計劃的行動在多大程度上得到執行（績效的衡量），以及達到預期的效果（效果的衡量）。因為這種類型的分析與其他階段的分析基本相似（即需要觀察和理解），所以在這里采用的模擬和人工智能技術可以被重復使用。例如，"目標系統模型"可以用來事先確定哪些措施或措施的組合最能說明性能和/或成功，也許還要考慮到其他因素，如效果的可測量性和延遲性。這些見解可用于指導例如戰斗損失評估工作。算法可以自動產生多種假設，當數據/信息可用時，"虛擬分析師"可以協助對這些假設和信息進行推理，幫助人類分析師以結構化的方式更好地解釋復雜的情況。

4.0 討論：人工智能在軍事決策中的作用

在本節中，我們將討論人工智能技術在軍事決策中可以發揮的作用，并將這些作用與前面介紹的軍事決策系統聯系起來。這些作用是由上面的案例研究綜合而成的。不同的作用是沿著兩個層次結構的，從上到下：在 "過程"層面，不同但連貫的步驟/階段被執行；在 "個體"層面，人類（或團隊）負責執行決策過程的特定步驟。

在整個決策過程的層面上，有多個步驟可以區分。在前面介紹的決策系統觀點中，這些步驟是觀察、定位、決定和行動。在聯合定位案例研究中，這些對應于六個階段，由不同的人在不同的時間執行。在這個層面上，我們為人工智能技術定義了四個功能角色，以支持決策過程。

• 感知：這個角色中的人工智能技術，主要以模式識別的形式，幫助處理大量的數據，如在圖像中尋找人，檢測數據流中的異常情況等。

• 態勢理解：這個角色的功能是實現對當前或假設的作戰環境的理解[12]，從而描述所有相關實體、它們之間的關系以及不可觀察的屬性，如它們的野心和目標。例如，對關于最近敵對活動的現有信息進行推理，結合關于他們的理論的一般知識，可以用來產生關于他們最可能的意圖的假設。

• 計劃生成：在這個角色中，人工智能技術，例如搜索和優化，被用來生成旨在達到（或避免）某種目標情況的計劃、策略和行動方案。處理元標準，如計劃的穩健性或情況的實用性也是這個作用的一部分。顯然，在許多情況下，不確定性是行動環境所固有的，因此不能被忽視。盡管如此，對當前形勢的理解越好，預測能力就越強。

• 學習：扮演這一角色的人工智能技術被用來更新有關作戰環境的知識。例如，在某個時間點，人們可能會發現一個被認為是正確的關于敵人理論的假設不再有效了。為了能夠保持正確的理解，這種新知識應該反映在所有其他決策步驟中。

在單個節點層面上，決策過程的單一步驟被執行，通常由一個或一組人類分析員和/或決策者負責。無論這一步需要什么，人工智能技術都可以在不同的合作角色中被使用，以支持人類。

• 專家系統支持：在這個角色中，支持的形式就像一個經典的專家系統，以知識和優化結果的形式向人類決策者或分析員提供建議。重要的考慮因素是，例如，如何以人類能夠接受的方式向其提供建議。對可解釋人工智能的研究可能是一個方向。

• 虛擬團隊成員：在這個角色中，人工智能技術被用來在人類和支持系統之間創造一種更平等的互動關系，積極為一個共同的目標工作。例如，虛擬團隊成員可以通過提出問題使假設明確化或挑戰偏見來幫助做出決定的（認知）過程。人類-人工智能的研究可能是一個追求的方向。

• 自主決策：決策過程中的其他步驟的互動，專家系統和虛擬團隊成員支持的考慮同樣有效。例如，在其他決策中的人類需要能夠推斷出一個自主系統。

圖4顯示了在軍事決策系統視圖中繪制的人工智能的七個角色。當使用模擬和人工智能來支持決策過程時，應該始終考慮這些不同的角色是如何互動的，無論是在過程層面還是在個人層面。例如，在聯合目標定位的過程層面上，第二階段包括定位（目標系統分析）和決定（為達到預期效果而瞄準什么）。第三階段也包括定位（自身能力）和決定（如何實現預期效果）。這些階段共享相同的世界模型，在這個過程中引入人工智能支持將推動這些步驟的合并，這不是不可想象的。在個體層面上，例如再次考慮第2階段，分析員可以得到綜合態勢理解、規劃生成和學習技術的支持，以及虛擬團隊成員和專家系統支持技術的任何組合。

圖4：由建模和仿真支持的軍事決策周期的系統視圖，其中人工智能技術的功能（黃色）和協作（綠色）作用被描繪出來。

5.0 結論和進一步研究

在本文的第一部分，我們介紹了軍事決策的系統觀點，主要基于OODA循環，其中我們介紹了世界模型，作為向整個決策周期提供建模和仿真支持的核心手段。接下來，從我們的聯合目標定位案例研究中，我們推斷出人工智能可以為軍事決策做出貢獻的七個功能性和協作性角色。這些角色對應于決策步驟，或者對應于如何向負責該過程步驟的人提供支持。最后，我們將這些人工智能角色整合到決策系統視圖中。

本文的目標是為我們社區內人工智能的綜合觀點做出貢獻，并為軍事決策的人工智能各種研發奠定基礎。在開發支持軍事決策的模擬和人工智能時，我們建議同時考慮過程層面和單個節點層面。在過程層面上，通過使用建模和仿真可以獲得好處。在單個節點層面上，為人類分析員和決策者提供實際支持，人工智能技術可以通過不同的角色組合對此作出貢獻。鑒于決策過程的各個步驟都是不同的，并且提出了不同的要求，履行這些不同角色的人工智能技術需要作為一個整體來開發。

我們相信，隨著對這一主題的更多研究，軍事決策的速度和質量都可以得到改善。然而，非常重要的是，要持續關注特定的未來人工智能應用的附加值，以及研究這些應用可能對，例如，負責該過程的人的所需技能，甚至該過程本身的影響。最后需要的是一個系統，它的存在是因為它可以建立，而不是有人幫助。對于這一點，應該更普遍地回答如何限定然后量化應用人工智能進行具體軍事決策應用的附加價值的問題。這樣的見解反過來又會成為關于人工智能用于軍事決策的集體技術路線圖的寶貴基礎。

6.0 參考文獻

[1] Bloemen, A., Kerbusch, P., van der Wiel, W., Coalition Force Engagement Coordination, TNO Report TNO-2013-R12117, 2015.

[2] Connable B, Perry W, Doll A, et al. Modeling, Simulation, and Operations Analysis in Afghanistan and Iraq. Santa Monica, CA: RAND, 2014.

[3] Davis P., Kulick J., Egner M. Implications of Modern Decision Science for Military Decision-Support Systems. Santa Monica, CA: RAND, 2005.

[4] Kunc, M., Malpass, J., White, L.(2016). Behavioral Operational Research, Theory, Methodology and Practice. Palgrave Macmillan, London.

[5] Langley, P., Meadows, B., Sridharan, M., Choi, D. (2017). Explainable Agency for Intelligent Autonomous Systems. Proceedings of the Twenty-Ninth AAAI Conference on Innovative Applications (IAAI-17).

[6] NATO Allied Joint Doctrine For Joint Targeting AJP 3.9(B), 2015.

[7] NATO Allied Command Operations. Comprehensive Operations Planning Directive Interim V2.0.

[8] “OODA loop.” Wikipedia, The Free Encyclopedia. 10 Mar. 2018.//en.wikipedia.org/wiki/OODA_loop

[9] “Situation Awareness.” Wikipedia, The Free Encyclopedia. 17 Mar. 2018.

[10] Smit, S., Veldhuis, G., Ferdinandus,G., et al. KaV Advanced Visual Analytics, TNO Report DHWELSS-, 2016.

[11] Toubman, A., Poppinga, G., Roessingh, J. (2015). Modeling CGF Behaviour with Machine Learning Techniques: Requirements and Future Directions. Proceedings of Interservice/Industry Training, Simulation, and Education Conference (I/ITSEC) 2015.

[12] “Understanding.” Wikipedia, The Free Encyclopedia. 18 Apr. 2018.

[13] Zacharias, G., MacMillan, J., van Hemel, S. (2008). Behavioral modeling and simulation: From individuals to societies. National Research Council, National Academies Press.

摘要

攻擊和防御工業對國家安全至關重要，通過提供最重要的信任度并穩定地滿足軍事需求。這項研究探討了人工智能、機器學習和電子信息在國防工業發展中的意義。隨著人工智能在國防工業中的出現和發展，本文回顧了目前國防工業生產什么產品，做什么研究，以及優勢/劣勢。國防工業和其他所有部門都受到人工智能、機器學習、機器人、大數據、數據科學、深度學習、模擬、模糊邏輯、5G和電子學的影響，這些都將成為下一代軍事技術。在這項研究中，還強調了混合戰爭，其與國防工業中發展的人工智能技術已變得相當“熟悉”。利用人工智能技術對大規模數據的處理，可能會產生巨大的軍事優勢，獨特的智能能力，以及各種業務的可觀改善。跟上人工智能的持續發展節奏，保持有效的防御將是至關重要的。

關鍵詞：人工智能，大數據，國防，國防工業，國防領域，深度學習，數據科學，電子，模糊邏輯，混合戰爭，機器學習，機器人，5G，物聯網。

1 引言

隨著人工智能（AI）快速發展，其為各個領域帶來益處，在國防工業領域也取得了巨大的成功。擴大國防工業產品的生產并達到該領域的最高水平是許多國家的主要戰略之一。由于這些融合了機器學習、機器人和人工智能的新技術發展，一個問題無疑會出現在我們的頭腦中：混合戰爭是否即將到來？

當然，這個問題是隨著自主車輛、無人駕駛飛行器（UAV）、武裝無人駕駛陸地車輛和無人駕駛戰機的研制而誕生的。雖然一開始看起來不可思議，但它為人工智能技術的形成做出了卓越的貢獻，它將通過把幾種算法結合到其結構中來促進高水平的發展。人工智能是旨在在機器人中模擬人類思維的技術集合，它需要多學科的研究。今天，人工智能技術在收集、處理和解釋數據方面發揮著關鍵作用，使目前不可行的解決方案和技術成為可能。如果沒有人工智能工具，不可能對使用現有技術獲取的數據進行處理分析。

另一方面，機器學習是人工智能的一個子領域，它做的是有監督-無監督的輔助學習，而不是代碼密集型解決方案。我們可以利用機器學習從豐富、復雜的數據中提取有效的推論。在談論國防工業生產的戰爭技術時，我們說它是用大量的數據創造的。最準確處理這些數據的方式是人工智能、機器學習和深度學習。有了這三樣，就不可能不看到數據科學在世界的普及。深度學習通常被認為是機器學習的一個子領域。它包括通過數據驅動的學習產生人工智能的策略。通過評估虛擬環境中真實飛行員在飛行模擬器中的瞬時決策和環境信息，人工智能飛行員可以在不寫程序的情況下制定規則集，并在包含高度復雜數據的環境中做出現實的飛行決策。混合戰爭的形成與過去使用的戰爭技術和現在使用的戰爭技術之間有許多變化。從現實意義上講，國防領域如此大的發展，其最大的關鍵是人工智能。

2 什么是國防工業中的混合戰爭？

隨著國防工業中通信和戰爭技術的發展，戰爭在總體上已經發生了變化。因為每個國家都想發展和變得更強大，所以很難預測我們在戰場上遇到的情況。在戰爭中，信心和動力一樣必要。只有一點點的安全感是令人欣慰的，它也會導致戰場上更健康的思維和戰略行為。

混合戰爭是一種戰爭概念，它以國際關系學科和安全戰略的多樣化以及發展中的技術所創造的新防御和攻擊載體來取代常規戰爭。由陸、空、海三層組成的常規戰爭被包括電磁波譜、空間、網絡和信息層，以及這三層的混合戰爭所取代。混合戰爭可以看成是如圖1所示。

圖1 混合戰爭。

在混合戰爭中，其目的是在不需要武裝沖突的情況下實現打破對手的聯盟、伙伴關系和決心。為此，首選外交和經濟行動、信息戰等方法，必要時還可使用常規部隊作為威懾威脅。在國家和聯盟內部制造不穩定；通過制造政治分離，減緩友好的解決方案、決策和反應的速度，最終導致戰略不確定性，從而達到目的。

在混合戰爭期間，國家開始為這些計劃中最有效的計劃做準備，制定各種戰略計劃（戰術、行動），以保護自己不受對方影響，獲得優勢和權力。混合戰爭最顯著的優勢是人工智能技術，它可以提供許多選擇，并確保先進能力的完整性，通過迷惑對手頭腦獲得優勢。

因此，混合戰爭對國防工業中正在發展的人工智能技術越來越“熟悉”，這場戰爭的范圍也隨著這些技術的發展而擴大。為了發展人工智能技術，我們必須收集數據，并適當地使用這些數據，以便我們能夠向目標邁出堅定的步伐。特別是在這個領域所做的技術，即使是最輕微的錯誤被忽視，也會對所有的研究產生不利的影響。在人工智能領域進行的研究中，每個國家都知道其重要性，有必要揭示出我們與其他國家不同的特點。例如，我們應該能夠在幾秒鐘內做出決定，而不是幾分鐘，并在99.9%的時間內發現并消滅敵人。首先通過在模擬中測試該領域的研究，然后將其應用到實際，我們可以及早發現不足之處，并采取必要的預防措施。

3 仿真技術在國防工業中的應用

仿真工具通過鼓勵可持續的生產環境來增強與生產有關的任務。自我配置是用于創建生產系統的數字工具的一個特點。因此，它顯示了一個實際研究的路線圖。國防工業中使用的模擬仿真器提供了關于將要完成的工作或已經完成的工作的信息，允許它被整合到計劃的戰略中。模擬器的數據允許制定（戰術、行動和戰略）規劃。仿真技術在國防工業中是必不可少的。因為在這個環境中，它能提供幾乎準確的數據，這促進了許多項目和新技術產品的出現。在圖2中，我們可以看到Havelsan的仿真技術。

圖2 仿真技術。

4 大數據

大數據處于不斷更新的科學和商業世界中。由此產生的數據來自于模擬器、視頻、音頻、圖像、帖子、社交網絡互動、科學數據、傳感器和手機以及所有其他連接設備和技術。

• 重要問題

大數據要求從傳統的數據分析中獲得革命性的飛躍，如圖3所示。大數據由其三個主要部分定義：種類、速度和數量。

圖3 大數據的三個特征。

多樣性將大數據帶入一個超大的格式。有三種類型的大數據來自于許多來源。它們是結構化、半結構化和非結構化。結構化數據增加了一個預先標記和快速排序的數據倉庫，但非結構化數據是隨機的，不容易分析。半結構化數據包含標簽，以分離數據項。

目前，數據的體積或數量超過了TB和PB。大規模的數據增長和擴展超過了標準的存儲和處理技術。因此，數據量在我們的生活中無處不在，而且產生的速度非常快。

在整個過程中，速度是一個重要的因素。這就是數據產生的速度。今天，由于數字和社會媒體的發展（發送、網絡互動、圖像、視頻），大數據迅速產生。在數字世界中，每天都有成千上萬GB的數據實時產生。

這個組件的數據流必須得到驗證，以便在國防工業中產生基于人工智能的技術。數據必須是安全的，因為獲取和驗證大數據是很困難的。在完成所有這些過程后，也就是處理數據將為將要生產的技術提供一個很好的優勢。這將使國防工業的強大技術得以生產。

5 數據科學

數據科學的最一般的定義可以表示為從數據中獲取信息的科學和藝術。利用數據科學，我們可以獲得數據，從這些數據中提取信息，并將這些信息用于塑造未來的研究。所進行的大多數新研究都會將從過去提取的數據與當前的數據進行比較，并向我們展示我們更喜歡哪一個步驟來實現我們的未來。數據科學包括組織和分析，可視化，以及報告數據。

總之，數據科學通過研究現狀為決策者提供意識，并通過預測當前和未來的研究增加決策的正確性。

5.1 數據分析

通過機器學習和深度學習提供的方式，可以獲取人工無法獲得的數據。為了了解所獲信息的質量，可以通過詳細調查分析，檢查方法步驟，探索數據的大小、速度和變化來了解。為了獲得最佳的解決方案，針對現有問題而選擇的機器學習算法應該能被分布式數據使用。

5.2 數據可視化

我們發現的數據有時會很復雜，所以它對我們來說變得有些難以理解。如果我們將這些數據可視化，就可以讓我們更好地理解它，其在腦海中的位置也會更加固定。此外，數據的速度和規模越大，數據就越接近實際。數據中的聯系將不容易看到，而且我們也很難理解它們。在這方面，數據的可視化是至關重要的。

6 人工智能在國防工業中的研究

隨著人工智能使用的增加，研究的數量也在增加。在這方面，國防工業已經進行了并將繼續進行突破性的研究。所產生的大部分技術仍處于設計、測試或評估階段。當然，目的是為了在戰場上取得優勢。

這些技術有望產生戰術偵察和監視，用炸彈或導彈進行空襲，為間接火力、特種作戰和心理作戰進行前方監視，邊境控制和保護，地雷搜索和銷毀，反走私，化學、生物和放射性掃描，海上和遏制中的船舶識別，戰斗搜索和救援，空中無線電鏈接和中繼任務，以及天氣數據收集。因此，國防工業的重點是人工智能。

研制的一些技術產品：

I）Baykar Bayraktar Akinci

這是一種高空長航時（HALE）級別的武裝無人駕駛飛行器，由土耳其國防工業公司Baykar Defense開發。它們在2021年8月29日首次進入土耳其武裝部隊。

Akinci的最大起飛重量為5500多公斤，配備兩個渦輪螺旋槳發動機。其中1350多公斤由有效載荷組成。它也被稱為突擊型無人駕駛飛行器（T?HA），因為它可以進行空對空作戰。Akinci配備了電子支持和反制系統、雙衛星通信系統、空對空雷達、防撞雷達和國產合成范圍的雷達。

圖4 Bayraktar Akinci。

II）HAVELSAN Barkan

世界上的安全威脅已經增加，特別是對陸軍來說。自主的無人駕駛陸地車輛將現代技術融入軍事單位，通過遠程管理和使用傳感器系統來感知環境，并在數字戰場的要求下無人執行偵察、監視和彈藥運輸等基本任務。

HAVELSAN公司設計和生產了HAVELSAN BARKAN，以滿足現代軍事領域的需求。BARKAN在許多方面是野戰人員的重要助手，特別是在提高行動的成功率、防止損失和降低行動成本方面。此外，BARKAN還被開發用于攜帶或牽引貨物、提供近身保護和武裝偵察等任務。

圖5 BARKAN。

7 國防工業中的5G技術

隨著人工智能工作的日漸深入，新產品將不斷涌現，因此，國防工業中生產的技術的多樣性也將增加。

全球智能設備數量的增加，技術的發展，以及對容量和覆蓋質量的要求提高等因素影響著通信領域新技術的發展。由于連接到互聯網的設備數量不斷增加，機器學習，物聯網，以及速度和容量需求的增加，已經開始研究5G的出現。通過5G技術，旨在更好地同時滿足這種多樣性的需求和要求。

第5代通信技術，不僅在通信領域，而且在許多領域都能創造和使用產品，它允許新的工作領域和經營方式；它將通過加速人工智能、機器學習、大數據和物聯網等創新應用的發展，在可持續發展目標中發揮重要作用。因此，5G進入我們的生活，其重要性可見一斑。

7.1 物聯網（IOT）的任務

對于國防工業中的物聯網，到目前為止，指揮、控制、通信、計算機、情報、監視和偵察都集中在火控系統的應用上。普遍的看法是，傳感器主要作為數據收集和共享工具，從而加強指揮和控制。物聯網使指揮官能夠根據合并無人駕駛傳感器和現場報告的數據所產生的實時分析結果做出選擇。

• I）監視和偵察。許多傳感器被用來在防御中獲得優勢。雷達、視頻、紅外或無源射頻探測數據、監視衛星、空中平臺、無人駕駛飛行器、地面站和現場士兵從這些傳感器獲取數據。這些數據被傳遞到一個整合平臺，該平臺分析并向指揮鏈的上層和下層分發信息。

• II）后勤。在這個地區部署了多個低級別的防御性傳感器。例如，RFID標簽已被用于跟蹤貨物和管理中央物流中心之間的供應。

• III) 士兵健康。士兵可以被通知有異常情況，如脫水、睡眠不足、高心率或低血糖。如果需要，可以通知主醫院的醫療反應小組。

• IV）監控。將先進的圖像分析和模式識別軟件與安全攝像機和傳感器相結合，有利于遠程監控設施的安全風險。將許多傳感器納入飛機、無人駕駛飛行器、衛星和船舶的就業是海洋和沿海監控的一個例子。如果我們把5G將給國防領域帶來的創新總結如下；戰場上的單位將能夠通過連接戰爭網絡獲得支持，關鍵任務控制將更有效地進行，可以快速決策，并在電子戰和導彈攻擊中采取行動。各國將能夠即時監控其武裝部隊。

圖6 5G技術。

8 在戰爭中使用模糊邏輯

隨著戰場的復雜化，人工智能技術在軍隊中逐漸普及。但從研究的情況來看，基于人工智能的技術在軍事領域還是不夠的，模糊邏輯也得到了應用。

在戰爭中，它是需要考慮的領域之一，因為空中是敵人攻擊最多的地方。因此，在行動前應確定防空因素以最好地支持各種計劃。應該選擇要得到防空支持的單位的防空優先程度。

在戰爭中，士兵們必須在短時間內做出正確的決定。然而，所做的決定并不總是100%的確定。有些時候或情況下，做決定的人必須選擇其他選項。在這種情況下，腦電路分析就是應用模糊邏輯。模糊邏輯是一種識別和解決真正的不確定和不確定問題的有效方法。模糊邏輯是一種多變量理論，它采用 "中"、"高"、"低 "等均值，而不是 "是"-"否"、"真"-"假"等傳統變量。

8.1 模糊邏輯處理

為了在模糊邏輯中創建一個更好的解決方案，要進行比較，以便通過成對的比較來決定哪個是 "好"、"更好 "或 "壞"。

作為一個例子，我們將研究BAHP方法，因為這種方法以人類的思維方式處理不確定性，并有效解決多標準決策問題。這種方法應該在戰爭環境中應用。其步驟如下：

• 步驟1：目標的模糊值；

• 步驟2：在計算出模糊值后，對這些值進行比較，得到選項和標準的可能性值V。

• 步驟3：比??模糊數更重要的凸模糊數的概率度定義為如下：

• 步驟4：通過歸一化得到歸一化的權重向量W，其中W不是模糊數。歸一化過程是通過將每個值除以總和得到的。

9 人工智能在國防工業中的優勢

國防工業生產的產品不僅在戰爭活動中至關重要，而且對國家的發展也有貢獻。人工智能、增強現實、機器學習、深度學習和機器人技術是所有這些的結合，由于新一代的戰爭技術，通過快速獲取戰場上的信息，提高了士兵在戰爭環境中的態勢感知，在不需要任何顯示器或面板的情況下，以理想的速度提供信息的獲取。國防工業生產的技術優勢：邊界監視，對手工制造的爆炸物進行干預，地雷探測和中和，用于搜索和救援行動，快速耐用和分析，許多功能將使我們的士兵受益。隨著國防技術中人工智能的增加，它應該有望在軍事領域獲得優勢。

10 人工智能在國防工業中的劣勢

在人工智能的工作下，許多新的戰爭技術已經產生。雖然這些技術受到大家的喜愛，讓人眼前一亮，但也有看不見的錯誤面。由于不容易發現這些生產出來的技術在生產過程中出現的錯誤，所以可能會被忽略掉。大多數技術和應用仍處于設計、測試或評估階段。當然，模擬器在發現這些錯誤方面有重要作用。

自主系統在任何情況下都會給我們帶來好處，因為它們會做出并執行自己的決定，但它們是否應該自己做決定仍是一個爭論的問題。在每一種情況下，他是否應該自己選擇，或者在必要時應該征求人類的同意？

出于這個原因，應該確定在哪些關鍵情況下，基于人工智能生產的國防技術需要人類的批準。

11 結論

因此，如果用于生產國防領域新技術的數據通過適當的算法進行處理，那么用人工智能建立、開發和使用的技術將在國防部門的發展中發揮重要作用，在軍事領域提供戰略、戰術和行動的好處。此外，這些技術將通過在戰爭期間做出適當的指導，給予目標導向。由于在這個由人工智能創造的新形勢下產生的每一項技術都將為自己正名，它將通過直接影響現在和未來而成為國防工業不可缺少的一部分。這些技術，在所有研究中需要的獨特功能中提供監測、監視和數據收集，大大影響了國防。盡管如此，他們還是配備了足夠的設備來化解對方，并預測每一步。為了從人工智能的重要性和力量中獲得更多好處，在這一領域不落后是至關重要的。即使看一下已經產生的技術，我們也能看到我們未來的國防領域將是多么強大。

人工智能（AI）的最新進展為許多經典的AI應用帶來了突破，例如計算機視覺、自然語言處理、機器人和數據挖掘。因此，有很多人努力將這些進展應用于軍事領域，如監視、偵察、威脅評估、水雷戰、網絡安全、情報分析、指揮和控制以及教育和培訓。然而，盡管人工智能在軍事應用上有很多可能性，但也有很多挑戰需要考慮。例如，1）高風險意味著軍事人工智能系統需要透明，以獲得決策者的信任并能進行風險分析；這是一個挑戰，因為許多人工智能技術具有黑盒性質，缺乏足夠的透明度；2）軍用 AI 系統需要穩健可靠；這是一個挑戰，因為已經表明即使對所使用的 AI 技術沒有任何了解，AI 技術也容易受到輸入數據微小變動的影響，并且 3) 許多 AI 技術基于需要大量數據的機器學習訓練；這是一個挑戰，因為在軍事應用中經常缺乏足夠的數據。本文介紹了正在進行的項目成果，以說明軍事應用中人工智能的可能性，以及如何應對這些挑戰。

1 介紹

人工智能（AI），特別是機器學習（ML）和深度學習（DL），在十年內已經從研究機構和大學的原型設計轉向工業和現實世界應用。使用DL技術的現代人工智能已經徹底改變了傳統人工智能應用的性能，如機器翻譯、問答系統和語音識別。這一領域的許多進展也將其優秀的想法變成了卓越的人工智能應用，能夠進行圖像說明、唇語閱讀、語音模仿、視頻合成、連續控制等。這些成果表明，一個能夠自我編程的機器有潛力：1）提高軟件和硬件開發的效率，2）以超越人類的水平完成特定的任務，3）為人類以前沒有考慮過的問題提供創造性的解決方案，4）在人類已知的主觀、偏見、不公平、腐敗等方面提供客觀和公平的決定。

在軍事背景下，人工智能的潛力存在于所有維度的軍事空間中（即陸地、海洋、空中、空間和信息）和所有級別的戰爭內（即政治、戰略、作戰和戰術）。例如，在政治和戰略層面，人工智能可以通過制作和發布大量的虛假信息來破壞對手的穩定狀態。在這種情況下，人工智能很可能也是抵御這種攻擊的最佳人選。在戰術層面，人工智能可以改善無人系統的部分自主控制，以便人類操作員可以更有效地操作無人系統，最終擴大戰場影響力，增強戰場實力。

然而，正如我們將在這項工作中指出的那樣，有幾個關鍵挑戰可能會減緩或限制現代人工智能在軍事應用中的使用：

• ML模型的透明度和可解釋性不足。舉一個例子，使用DL對使用深度神經網絡（DNN）的自動駕駛汽車進行控制建模需要幾十萬個參數。顯然，這樣一個復雜的程序不容易被解釋。即使是使用替代的ML算法生成的模型，其中模型可以被圖形化，如解析樹或決策樹，即使在應用于玩具模型問題時，也很難甚至不可能解釋。一個更重要的挑戰是人工智能系統向決策者或人類操作者解釋其推理的能力，或者在這種情況下是無能為力的。
• 眾所周知，使用ML開發的模型很容易受到對抗性攻擊。例如，基于DL的模型可以很容易地通過操縱輸入信號而被欺騙，即使該模型對攻擊者來說是未知的。舉一個例子，使用最先進的目標檢測的無人駕駛飛行器（UAV）也有可能被地面上精心設計的偽裝圖案所欺騙。
• 任何 ML 應用的原料是機器可以從中學習并最終深入理解的數據。軍事組織通常擅長收集數據用于匯報或重建目的。然而，不能保證同樣的數據可以成功用于ML。因此，軍事組織可能必須調整其數據收集過程，以充分利用現代人工智能技術，如DL。

本文的目的是強調人工智能在軍事應用中的可能性和主要挑戰。第2節簡要介紹了DL，它是本文關注的主要人工智能技術。第3節提供了幾個人工智能在軍事領域中應用的例子。第4節描述了與軍事領域中人工智能的關鍵挑戰，以及部分可用于解決這些挑戰的技術。第5節提出了結論。

2 深度學習

我們所說的DL是指由多個非線性處理單元層組成的機器學習模型。通常情況下，這些模型由人工神經網絡表示。在這種情況下，神經元指的是一個單一的計算單元，其輸出是通過一個（非線性）激活函數的輸入的加權和（例如，一個只有在信號為正時才通過的函數）。DNN指的是具有大量串連神經元層（神經元層由神經元并聯組成）的系統。與DNN相對的是淺層神經網絡，它只有一層平行連接的神經元。

直到大約十年前，DNN的訓練幾乎是不可能的。第一個成功的深度網絡的訓練策略是基于一次訓練一個層。逐層訓練的深度網絡的參數最終使用隨機梯度方法進行微調（同時），以最大限度地提高分類精度。此后，許多研究進展使得直接訓練DNN成為可能，而無需逐層訓練。例如，人們發現，網絡權重的初始化策略與激活函數的選擇相結合是解決問題的關鍵。甚至一些技術，如在訓練階段隨機停用神經元，以及在信號到達激活函數之前對其進行歸一化處理，也已證明對于使用 DNN 獲得良好結果非常重要。

表示學習是DNN高性能的主要原因之一。使用DL和DNN，不再需要手動制作學習特定任務所需的特征。相反，辨別特征是在 DNN 的訓練過程中自動學習的。

支持 DL 應用的技術和工具如今比以往任何時候都更加好用。通過廉價的計算資源、免費的 ML 框架、預訓練模型、開源數據和代碼，僅使用有限的編程/腳本技能即可成功應用和定制高級 DL。

3 軍事人工智能應用

本節介紹了幾個可以應用人工智能來提高軍事能力的例子。

3.1 監視

海上監視是利用固定雷達站、巡邏飛機、船舶，以及近年來使用自動識別系統（AIS）對海上船只進行的電子跟蹤。這些信息源提供了大量的關于船只運動的信息，這些信息可能會揭示船舶非法的、不安全的、有威脅的和異常的行為。然而，大量的船舶運動信息使得手動檢測此類行為變得困難。因此ML-方法被用來從船舶運動數據中生成常態模型。任何偏離常態模型的船舶運動都被認為是異常的，并提交給操作員進行人工檢查。

一種早期的海事異常檢測方法使用模糊 ARTMAP 神經網絡架構根據港口位置對正常船舶速度進行建模。另一種方法是利用運動模式的關聯學習來預測基于其當前位置和行駛方向的船舶運動。其他方法則使用基于高斯混合模型（GMM）和內核密度估計（KDE）的無監督聚類。這些模型能夠檢測出改變方向、穿越海路、向相反方向移動或高速行駛的船只。最近的方法是使用貝葉斯網絡來檢測錯誤的船舶類型，以及不連續的、不可能的和徘徊的船舶運動。海事異常檢測的未來發展還應該考慮周圍的船只和多艘船只之間的互動。

3.2 水下水雷戰

水雷對海上船只構成重大威脅，被用來限制船只行動或阻止船只通過受限水域。因此，反水雷措施（MCM）試圖定位和消除水雷，以實現行動自由。越來越多地使用配備合成孔徑聲納 (SAS) 的自主水下航行器 (AUV) 進行水雷搜索，該水下航行器能提供厘米分辨率的海底聲學圖像。由于AUV收集了大量的SAS圖像，自動目標分類對于區分潛在的水雷與其他物體是很有用的。雖然對水雷的自動目標分類已經研究了很長時間，但DNN在圖像分類方面的高性能表現使人們對如何將這種辦法用于自動地雷探測產生了興趣。

一些研究顯示了DNN在水雷探測方面的潛力。例如，這些研究描述了如何將假水雷的形狀、類似水雷的目標、人造物體和巖石放置在海底的各種地理圖形位置上。然后用AUV和SAS對海底進行測量。結果顯示，與傳統的目標分類器相比，DNN的性能明顯提高，對水雷形狀的檢測概率更高，誤報率更低。同樣，這些研究也描述了如何生成圓柱形物體和各種海底景觀的協同SAS圖像，并這些圖像用來訓練DNN。進一步的研究可能會探究如何從所有類型的雜波物體中分辨出水雷，結合檢測和分類，以及對噪聲、模糊和遮擋的魯棒性等

3.3 網絡安全

入侵檢測是網絡安全的重要組成部分，可在惡意網絡活動危及信息可用性、完整性或機密性之前對其進行檢測。入侵檢測是使用入侵檢測系統（IDS）進行的，該系統將網絡流量分類為正常或入侵。然而，由于正常的網絡流量往往具有與實際攻擊相似的特征，網絡安全分析師對所有入侵警報的情況進行分析，以確定是否存在實際的攻擊。雖然基于簽名的IDS通常擅長檢測已知的攻擊模式，但它們不能檢測以前未見過的攻擊。此外，基于簽名的檢測的開發往往是緩慢和昂貴的，因為它需要大量的專業知識。這限制了系統對快速演變的網絡威脅的適應性。

許多研究使用 ML 和其他 AI 技術來提高已知攻擊的分類準確性、檢測異常網絡流量（因為這可能表明新的攻擊模式偏離了正常網絡流量）以及自動化模型構建。然而，這些系統很少被實際使用。其原因是，入侵檢測給出了具體的挑戰，如缺乏訓練數據、網絡流量變化大、錯誤成本高以及難以進行相關評估。雖然可以收集大量的網絡流量，但這些信息往往是敏感的，只能部分匿名化處理。使用模擬數據是另一種選擇，但它往往不夠真實。然后，必須根據模式是正常還是入侵，或用于確保無攻擊的異常檢測來標記數據以進行監督學習，這通常很難做到。最后，模型需要是透明的，以便研究人員能夠理解檢測限制和特征的含義。

另一項提高網絡安全的措施是在安全審計期間進行滲透測試，以確定潛在的可利用的安全弱點。由于許多網絡的復雜性和其中的大量主機，滲透測試通常是自動化的。一些研究已經調查了如何使用網絡的邏輯模型而不是實際的網絡將 AI 技術用于模擬滲透測試。網絡通常用攻擊圖或樹來表示，描述對手如何利用漏洞闖入系統。描述了模型在表征方式方面的不同之處：1) 攻擊者的不確定性，從抽象的成功和檢測概率到網絡狀態的不確定性，以及 2) 從已知的前后條件到一般感知和觀察的攻擊者行為-結果的服務。此外，通過網絡和主機的正式模型，可以對不同的緩解策略進行假設分析。未來對滲透測試的研究可能會使用攻擊者和防御者之間交互的認知有效模型，例如，深度強化學習來探索可能攻擊的大問題空間。

4 挑戰

正如第3節中的案例所示，在為軍事目的開發和部署的基于人工智能的應用之前，有一些尚未解決的挑戰是很重要的。在本節中，我們將討論我們認為對軍事人工智能最關鍵的挑戰：1）透明度，2）脆弱性，以及3）在有限的訓練數據下的學習。其他重要的，但不太關鍵的，與優化、泛化、架構設計、超參數調整和生產級部署有關的挑戰，在本節中沒有進一步討論。

4.1 透明度

許多應用除了需要高性能外，還需要高透明度、高安全性以及用戶的信任或理解。這種要求在安全關鍵系統、監控系統、自主智能體、醫學和其他類似的應用中很典型。隨著最近人工智能技術的突破，人們對透明度的研究也越來越感興趣，以支持最終用戶在此類應用中的使用與透明度相關的成果。

4.1.1 對透明度的期望

人工智能所需的透明度取決于終端用戶的需求。利普頓描述了透明度可能涉及五種類型的用戶需求：

• 1.信任-在用戶難以質疑系統建議的情況下。然而，可能不清楚用戶的信任是基于系統的性能或穩定性，相對于用戶的體驗，還是用戶對系統推薦的舒適度。
• 2.理解之前未知的因果關系，可以用其他方法測試。
• 3.由于與用戶的能力相比，模型的通用性有限，因此對系統性能的了解受到限制。
• 4.有關系統建議的一些補充信息。
• 5.公平性，以避免可能導致某些情況下的不平等待遇的系統性偏見。例如，對信貸申請的評估不應基于個人屬性，如性別或種族，盡管這種屬性可能在整體統計水平上用來區分人口群體。

原則上，有兩種方法可以使人工智能系統透明。首先，某些類型的模型被認為比其他的更容易解釋，例如線性模型、基于規則的系統或決策樹。檢查這些模型可以理解它們的組成和計算。Lipton描述了可解釋性取決于用戶是否能夠預測系統的建議，理解模型參數，以及理解訓練算法。其次，系統可以解釋其建議。這種解釋可以是文字的，也可以是視覺的。例如，通過指出圖像的哪些方面最有助于其分類。Miller 對社會科學研究中如何使用這些知識來設計 AI 系統的進行了的回顧。通常情況下，人們用他們感知到的信念、欲望和意圖來解釋其他智能體的行為。對于人工智能系統來說，信念對應于系統關于情況的信息，欲望對應于系統的目標，而意圖對應于中間狀態。此外，解釋可能包括行動的異常性、使成本或風險最小化的偏好、對預期規范的偏離、事件的回顧性和行動的可控性。主要的發現是：

• 解釋是針對特定的反事實案例而進行的對比性解釋。因此，解釋的重點是為什么提出特定的建議而不是其他建議。
• 解釋是有選擇的，并且集中在一兩個可能的原因上，而不是建議的所有原因。
• 解釋是一種傳遞知識的社會對話和互動。

4.1.2 可解釋模型的實例

貝葉斯規則列表（BRL）是可解釋模型的一個例子。BRL由一系列的if（條件）then（結果）else（替代）語句組成。Letham等人描述了如何為一個高度準確和可解釋的模型生成BRL來估計中風的風險。條件離散化了影響中風風險的高維多變量特征空間，結果描述了預測的中風風險。BRL在預測中風風險方面具有與其他ML方法類似的性能，并且與其他現有評分系統一樣具有可解釋性，但其準確性較低。

基于詞典的分類器是文本分類的另一個可解釋模型的例子。基于詞典的分類器將術語的頻率與每個類別中出現的術語的概率相乘。得分最高的類別被選為預測對象。Clos等人使用一個門控遞歸網絡對詞典進行建模，該網絡同時學習術語和修飾語，如副詞和連詞。受過訓練的詞典是關于論壇中的帖子是支持還是反對死刑以及對商業作品的看法。詞典的表現比其他ML方法更好，同時也是可解釋的。

4.1.3 特征可視化的實例

盡管DNN在許多應用中提供了很高的性能，但它們的子符號計算可能有數百萬個參數，這使得人們很難準確理解輸入特征對系統推薦的貢獻。由于DNN的高性能對許多應用來說是至關重要的，因此人們對如何使它們更容易解釋產生了濃厚的興趣（見一篇評論）。許多用于解釋DNN的算法將DNN處理轉化為原始輸入空間，以便將辨別特征可視化。通常，有兩種通用方法用于特征的可視化，即激活最大化和DNN解釋。

激活最大化會計算哪些輸入特征將最大限度地激活可能的系統建議。對于圖像分類來說，這代表了理想的圖像，它顯示了每個類別的可區分和可識別的特征。然而，由于各類可能使用同一物體的許多方面，而且圖像中的語義信息往往是分散的，所以圖像往往看起來不自然。激活最大化的方法的一些例子是梯度上升法，更好的正則化方法以增加通用性，以及合成首選圖像法。

DNN的解釋是通過強調區分輸入特征來解釋系統建議。在圖像分類中，這種可視化可能會突出顯示支持或反對某個類別的區域，或者僅顯示包含區分特征的區域。計算鑒別特征的一種方法是使用局部梯度或其他變化度量的敏感性分析。然而，敏感性分析的一個問題是，它可能顯示輸入中不存在的判別特征。例如，在圖像分類中，敏感性分析可能會顯示物體被遮擋的部分，而不是可見部分。逐層相關性傳播通過考慮特征存在和模型反應來避免這個問題。

4.1.4 具體應用解釋的實例

與分類不同的是，人工智能規劃是基于動態的領域模型。Fox等人描述如何使用領域模型來解釋為什么行動被執行或不執行，為什么一些行動不能被執行，使未來行動的因果關系，以及重新規劃的需要。

由于公平性對許多人工智能應用來說非常重要，Tan等人描述了如何利用模型蒸餾來檢測黑箱模型的偏差。模型蒸餾法將更大更復雜的模型進行簡化，而沒有明顯的準確性損失。為了提高透明度，他們使用了基于淺層樹的廣義加性模型，對每個參數和兩個參數之間的相互作用進行建模。他們根據黑盒模型的系統建議訓練一個透明模型，并根據實際結果訓練一個透明模型。對兩個模型的推薦差異的假設檢驗體現了黑盒模型引入偏差的情況，然后可以通過比較兩個透明模型來診斷偏差。該系統在犯罪風險、借貸風險和卷入槍擊事件的個人風險方面進行了評估。結果顯示，一個黑盒模型低估了年輕罪犯和白種人的犯罪風險，而高估了美國本土非洲裔犯罪的風險。

4.2 脆弱性

在本節中，我們討論DNN在兩個不同方面的脆弱性。1）對輸入操縱的脆弱性和2）對模型操縱的脆弱性。我們首先看一下對輸入信號的操縱：

4.2.1 對輸入進行對抗性處理

在提供DNN的情況下，人們發現很容易調整輸入信號，從而使分類系統完全失敗。當輸入信號的維度很大時，例如圖片，通常只需對輸入中的每個元素（即像素）進行不易察覺的微小調整，就足以欺騙系統。用同樣的技術來訓練DNN，通常是采用隨機梯度法，通過觀察梯度的符號，你可以很容易地找到每個元素應該朝哪個方向改變，以使分類器錯誤地選擇目標類別或僅僅是錯誤分類。只需幾行代碼，最好的圖像識別系統就會被欺騙，相信一張車輛的圖片是一只狗。下面的圖 1 顯示了操作前后的圖像以及操作前后類的可能性。

上述方法假設有對DNN的完全訪問權，即所謂的白盒攻擊。人們發現，即使是所謂的黑箱攻擊，即你只觀察到系統的輸入和輸出類型，也是可能的。在其中，作者采用從他們想要攻擊的黑盒系統中稀疏采樣所獲得的數據來訓練一個替代網絡。鑒于替代網絡，你可以使用上述的白盒攻擊方法來制作對抗性輸入。一個學習替代網絡的替代方法被提出來，在這個方法中，遺傳算法被用來創建導致系統錯誤分類的攻擊向量。同一作者甚至表明，通常只需修改圖像中的一個像素，盡管常常是可察覺的，就能實現成功的攻擊。

圖 1：從小型貨車到西伯利亞雪橇犬。 原始圖像和操縱（對抗性制作）圖像之間的絕對差異（放大 20 倍）顯示在右側。 對抗性示例（中心）是使用 Kurakin 的基本迭代方法（BIM）生成的。

4.2.2 利用預訓練 DNN 中的隱藏后門

當設計一個DNN，但只能獲得少量的訓練數據時，通常會使用預訓練的模型來達到良好的性能。這個概念被稱為遷移學習，一個常見的應用是采用在大量數據上訓練過的模型，根據具體問題替換和定制網絡中的最后幾層，然后在最后階段（有時甚至是整個系統）利用可用的訓練數據微調參數。目前已經有大量的預訓練模型可以從互聯網上下載。那么一個相關的問題是："我們怎么知道那些上傳模型的人沒有壞心眼？"。作者在識別美國交通標志的模型中插入后門，就考慮了這種類型的漏洞。例如，一個貼紙被訓練為屬于停止標志以外的類別。然后他們表明，當使用后門（即在交通標志上放置一個貼紙）時，基于美國交通標志網絡的識別瑞典交通標志的系統會有負面的反應（大大損害了瑞典交通標志系統的分類準確性）。

4.2.3 防御方法

減少DNN對輸入信號操縱的脆弱性的一種方法是在模型的訓練過程中明確包括被操縱/對抗的例子。也就是說，除了原始訓練數據外，還產生了對抗性例子，并用于模型的訓練。

另一種方法是使用一個叫做防御蒸餾的概念。簡而言之，該方法試圖降低輸出信號只指出真實類別的要求，并迫使其他類別的概率為零。這分兩步完成。第一步是對DNN進行常規訓練。在第二步，將第一個神經元網絡的輸出（類別概率）用作新的類別標簽，并使用新的（軟）類別標簽訓練一個新的系統（具有相同的架構）。這已被證明可以減少漏洞，因為你沒有把DNN與訓練數據貼得太緊，并保留了一些合理的類間關系。

其他防御方法，例如特征壓縮技術，例如均值或中值濾波或非線性像素表示，例如單熱或溫度計編碼。

不幸的是，所描述的方法都不能完全解決漏洞問題，尤其是如果攻擊者對模型和防御方法有充分的了解的話。

4.3 數據

在軍事背景下開發基于ML的應用是具有挑戰性的，因為軍事組織、訓練設施、平臺、傳感器網絡、武器等的數據收集應用最初不是為ML目的設計的。因此，在這個領域，往往很難找到真實世界的、高質量的、足夠大的數據集，可以用來學習和深入理解的。在本節中，我們將探討即使在有限的訓練數據中也可以用來建立ML應用的技術。

4.3.1 遷移學習

遷移學習（也在第4.2.2節中提到）是一種技術，通常在數據集較小和計算資源有限時使用。這個想法是在開發針對其他類似任務的新模型時，重復使用通常由 DNN 表示的預訓練模型的參數。至少有兩種方法可用于DL應用中的遷移學習：

• 重新學習輸出層：使用這種方法，預先訓練好的模型的最后一層被替換成新的輸出層，與新任務的預期輸出相匹配。在訓練過程中，只有新輸出層的權重被更新，其他的都是固定的。
• 微調整個模型：這種方法類似于第一種方法，但在這種情況下，可能會更新整個 DNN 的權重。 這種方法通常需要更多的訓練數據。

事實證明，遷移學習也可以提高模型的泛化能力。然而，隨著源任務和目標任務之間距離的增加，遷移學習的積極作用往往會減少。

4.3.2 生成性對抗網絡

生成性對抗網絡（GANs）是由Goodfellow等人發明的，是一種生成模型，可用于半監督學習，其中將一小組標記的數據與一大組未標記的數據相結合以提高模型的性能。基本的GAN實現由兩個DNN組成，分別代表一個生成器和一個判別器。生成器被訓練成產生假數據，而判別器被訓練成將數據分辨為真實或虛假。當這兩個網絡同時被訓練時，一個網絡的改進也會導致另一個網絡的改進，直到最后達到一個平衡。在半監督學習中，生成器的主要目標是產生未標記的數據，用于提高最終模型的整體性能。除了半監督學習之外，GANs還被用于：

• 重建：填補部分被遮擋的圖像或對象的空白部分。
• 超分辨率：將圖像從低分辨率轉換為高分辨率。
• 磁帶到圖像的轉換：將圖像從冬天轉換為夏天，從夜晚轉換為白天，等等。這項技術的一個軍事應用是可以將夜視圖像轉換為日光圖像。

4.3.3 建模和仿真

建模和仿真已被軍隊廣泛用于培訓、決策支持和研究等。因此，有很多經過長期驗證的模型，也有可能被用于生成ML應用的合成數據。例如，飛行模擬器可以用來生成置于不同環境中飛機的合成圖像。在這種情況下，標簽是自動的，因為在生成合成圖像之前，飛機的類型是已知的。然而，不足為奇的是，在將模型應用于真實世界的圖像時，使用合成圖像可能會導致性能不佳。目前正在探索的一種方法是采用GANs增強合成圖像，使其具有照片般的真實性。這種方法已經得到成功的應用。

5 結論

人工智能最近的突破正在逐漸達到可以用于軍事應用的地步。 該論文描述了在監視、水下魚雷戰和網絡安全中使用人工智能的一些可能性。 其他潛在應用包括使用半自動駕駛車輛和傳感器系統進行偵察、在具有長時間要求的防空系統中進行威脅評估、新興模式的情報分析、指揮和控制系統以及教育和培訓。 然而，人工智能的軍事應用需要考慮以下方面的挑戰：

• 確保模型性能符合軍事要求的透明度。
• 脆弱性可能會導致系統性能大幅度降低。
• ML的訓練數據不足。

專注于人工智能的透明度、可解釋性和可解釋性問題的研究人員已經取得了許多進展。這些進展中的許多部分也都可能被用于軍事人工智能應用中。然而，需要進行更徹底的需求分析以了解如何利用這些研究成果。軍事需求在風險、數據質量、法律要求等方面與一般情況相比非常不同，有些類型的透明度甚至可能不適用。此外，還需要對如何利用社會科學研究來提高人工智能的可解釋性進行更多研究。未來的研究還應該包括如何充分利用在視覺分析研究領域中開發地豐富的可視化技術。

由于目前還沒有解決脆弱性問題的有效方案，因此在監測這一研究領域不斷尋找有希望的解決方案非常重要。然而，在這種解決方案出現之前，有必要盡量減少外部對模型和防御技術的訪問。否則，對手可能會試圖利用這些漏洞來為自己謀利。

最后，遷移學習使其有可能將預先訓練好的模型應用于訓練數據和計算資源都有限的軍事應用。GAN是另一種有很前途的技術，它能夠采用標記的和未標記的數據進行學習（半監督學習）。GAN也可以與仿真結合使用，以提高合成的訓練數據的真實性。

深度學習作為當前人工智能領域的研究熱點之一，已經受到廣泛關注。借助于強大的特征表示和學習能力，深度學習日益成為軍事領域智能化發展的技術基礎。首先結合深度學習的最新發展，指出深度學習的快速發展得益于理論的突破、計算機運算能力的顯著提高和開源軟件的廣泛流行，著重梳理了目前主要的深度學習硬件平臺和編程框架，并總結了各自的特點和研究進展；然后對深度學習在目標識別、態勢感知、指揮決策等典型軍事領域的應用和存在的不足進行了總結；最后，分析了深度學習軍事應用面臨的挑戰，包括數據獲取困難、處理不確定不完備信息和多域信息能力不足、精確度和實時性較低、可解釋和可理解性不強等，并針對這些問題展望了未來可能的發展方向和趨勢。 深度學習為很多復雜問題的解決提供了新的思路$由于其具有強大的特征表示和學習能力$在以目 標識別與檢測,態勢感知,智能指揮決策等為代表的 軍事領域中取得了一系列應用成果$并日益成為軍事領域智能化發展的技術基礎與研究熱點。

1. 目標識別與檢測

雷達目標識別一直是軍事領域關注的重點，隨 著高分辨雷達技術的發展，目標的高分辨一維距離 像(high resolution range profile, HRRP)、合成孔徑 雷達(synthetic aperture radar,SAR)圖像等已經成 為軍事目標綜合識別的重要數據來源，傳統雷達目 標識別方法主要采用人工設計的特征提取算法提取 目標特征，目標識別的性能依賴于提取特征的好壞， 而采用深度學習方法則能自動學習目標數據的深層 次抽象特征，能夠進行更準確、更穩健的識別，從而受 到廣泛的關注。表1為當前主要的深度學習框架。 在 基 于 H R R P 的 雷 達 目 標 識 別 方 面 ， B ( ) . F 等［⑸提出一種新的矯正自編碼器Corrective AE, 自 動 提 取 H R R P 抽 象 特 征 ， 實 現 了 對 目 標 H R R P 的高效識別。P a n等［⑹采用t . S N E方法解決H R - RP目標識別中的訓練數據不均衡問題，利用判別式深層置信網絡提取訓練數據中與類別無關的全局 特征來提升小樣本條件下的H R R P分類性能。徐 彬等口力考慮HRRP樣本距離單元間的時序相關特 性，提出了采用雙向長短時記憶模型的HRRP目標 識別方法，提高了目標識別性能。文獻口8］ 將5種 彈道中段目標HRRP轉化為0-1二值圖，并構建了 二維CNN對HRRP圖像進行分類，充分利用圖像 中蘊含的目標結構信息提升了分類效果，但將HRRP轉化為圖像增加了計算量。Xiang等［血在一維 CNN中引入通道注意力，同時利用改進的人工蜂群 算法對一維CNN進行剪枝，在保持對彈道中段目 標H R R P的高準確識別率前提下大幅降低了模型 的復雜度。

2 態勢感知

現代戰場態勢具有顯著的大數據特征，傳統方法已不能滿足現代復雜戰場態勢的感知需求，深度學習技術為研究戰場態勢感知提供了智能化技術手段，在對以往實戰數據,實兵對抗數據,靶場試 驗數據,兵棋推演數據等進行態勢標注的基礎上，將 其作為訓練數據，對深度學習模型進行訓練利用訓 練獲得的網絡模型可以實現對戰場態勢的理解。

3 指揮決策以 AlphaGo等為代表的人工智能 應用的成功，表明了深度學習技術在應對實時對抗, 不確定性推理等復雜動態場景問題的優秀能力深 度學習在軍事智能輔助決策領域的應用已經受到廣 泛的關注。

機器學習是現代戰爭系統的關鍵組成部分。本文探討了人工智能的 7 個關鍵軍事應用。

機器學習已成為現代戰爭的重要組成部分，也是我（Nicholas Abell）作為陸軍退伍軍人和數據科學家的主要興趣點。與傳統系統相比，配備人工智能/機器學習的軍事系統能夠更有效地處理大量數據。此外，人工智能由于其固有的計算和決策能力，提高了作戰系統的自我控制、自我調節和自我驅動能力。

人工智能/機器學習幾乎被部署在所有軍事應用中，軍事研究機構增加研發資金有望進一步推動人工智能驅動系統在軍事領域的應用。

例如，美國國防部 (DoD) 的國防高級研究計劃局 (DARPA) 正在資助一種機器人潛艇系統的開發，該系統預計將用于從探測水下水雷到參與反潛行動的各種應用。此外，美國國防部在 2017 財年在人工智能、大數據和云計算方面的總體支出為 74 億美元。預計到 2025 年，軍事 ML 解決方案的市場規模將達到 190 億美元。

以下是機器學習將在未來幾年證明其重要性的七種主要軍事應用。

1. 作戰平臺

來自全球不同國家的國防軍隊正在將人工智能嵌入陸地、海軍、空中和太空平臺上使用的武器和其他系統中。

在基于這些平臺的系統中使用人工智能，可以開發出更少依賴人工輸入的高效作戰系統。它還增加了協同作用，提高了作戰系統的性能，同時需要更少的維護。人工智能還有望使自主和高速武器能夠進行協作攻擊。

2. 網絡安全

軍事系統通常容易受到網絡攻擊，這可能導致機密軍事信息丟失和軍事系統損壞。然而，配備人工智能的系統可以自主保護網絡、計算機、程序和數據免受任何未經授權的訪問。

此外，支持人工智能的網絡安全系統可以記錄網絡攻擊的模式，并開發反擊工具來應對它們。

3. 物流運輸

人工智能有望在軍事后勤和運輸中發揮關鍵作用。貨物、彈藥、武器和部隊的有效運輸是成功軍事行動的重要組成部分。

將人工智能與軍事運輸相結合可以降低運輸成本并減少人力工作負荷。它還使軍用艦隊能夠輕松檢測異常并快速預測組件故障。最近，美國陸軍與 IBM 合作，使用其 Watson 人工智能平臺來幫助預先識別 Stryker 戰車的維護問題。

4. 目標識別

正在開發人工智能技術以提高復雜戰斗環境中目標識別的準確性。這些技術使國防軍隊能夠通過分析報告、文檔、新聞提要和其他形式的非結構化信息來深入了解潛在的作戰領域。此外，目標識別系統中的人工智能提高了這些系統識別目標位置的能力。

支持人工智能的目標識別系統能力包括基于概率的敵人行為預測、天氣和環境條件匯總、潛在供應線瓶頸或漏洞的預測和標記、任務方法評估以及建議的緩解策略。機器學習還用于從獲得的數據中學習、跟蹤和發現目標。

例如，DARPA 的競爭環境中的目標識別和適應 (TRACE) 計劃使用機器學習技術在合成孔徑雷達 (SAR) 圖像的幫助下自動定位和識別目標。

5. 戰場醫療

在戰區，人工智能可以與機器人手術系統 (RSS) 和機器人地面平臺 (RGP) 集成，以提供遠程手術支持和疏散活動。美國尤其參與了 RSS、RGP 和其他各種用于戰場醫療保健的系統開發。在困難條件下，配備人工智能的系統可以挖掘士兵的病歷并協助進行復雜的診斷。

例如，IBM 的 Watson 研究團隊與美國退伍軍人管理局合作開發了一種稱為電子病歷分析器 (EMRA) 的臨床推理原型。這項初步技術旨在使用機器學習技術來處理患者的電子病歷，并自動識別和排列他們最嚴重的健康問題。

6. 戰斗模擬與訓練

模擬與訓練是一個多學科領域，它將系統工程、軟件工程和計算機科學結合起來構建計算機模型，使士兵熟悉在軍事行動中部署的各種作戰系統。美國正在越來越多地投資于模擬和訓練應用。

美國海軍和陸軍都在進行戰爭分析，啟動了幾個傳感器模擬程序項目。美國海軍已經招募了 Leidos、SAIC、AECOM 和 Orbital ATK 等公司來支持他們的計劃，而美國陸軍的計劃得到了包括 SAIC、CACI、Torch Technologies 和 Millennium Engineering 在內的公司的支持。

7. 威脅監控和態勢感知

威脅監控和態勢感知在很大程度上依賴于情報、監視和偵察 (ISR) 工作。ISR 行動用于獲取和處理信息以支持一系列軍事活動。

用于執行 ISR 任務的無人系統既可以遠程操作，也可以按照預先定義的路線發送。為這些系統配備人工智能有助于防御人員進行威脅監控，從而提高他們的態勢感知能力。

具有集成 AI 的無人駕駛飛行器 (UAV) - 也稱為無人機 - 可以巡邏邊境地區，識別潛在威脅，并將有關這些威脅的信息傳輸給響應團隊。因此，使用無人機可以加強軍事基地的安全，并提高軍事人員在戰斗中或偏遠地區的安全性和效率。

結論

人工智能在軍事技術硬件和軟件的大規模采用，向我們展示了現代戰爭中令人難以置信和可怕的范式轉變。毫不奇怪，世界上最大的軍隊比其他任何事情都更加關注這項技術，而這場技術競賽的獲勝者可能會比美國在研制原子彈后擁有更多的全球影響力。 （作者：Nicholas Abell，美國陸軍退伍軍人）

摘要

任務規劃對于建立成功執行任務所需的形勢意識至關重要。全面的計劃有助于預測不同的情況，這一點尤其重要，因為威脅的多樣性和復雜性會增加。規劃過程是團隊的努力，需要收集、分析相關信息并將其整合到一個全面的計劃中。由于第5代平臺、傳感器和數據庫生成的大量信息，這些過程面臨壓力。

本文描述了初始直升機任務規劃環境的創建，在該環境中，來自不同來源的數據被整合、分析和可視化。參與規劃過程的所有人員都可以查看所有可用信息并與之交互。算法處理傳入的數據，為計劃的特定部分提供潛在的解決方案。交互式可視化有助于直觀理解輸入數據和算法輸出，而交互式增強現實環境有助于有效協作。

集成系統和算法是未來智能協作任務規劃的重要組成部分，因為它們可以有效處理與第5代平臺相關的大量多樣的數據流。結合直觀的可視化和協作，這使工作人員能夠構建靈活且響應迅速的操作所需的共享SA。

【作 者】

Michal Krelina

1 捷克技術大學核科學與物理工程學院；

2 Quantum Phi s.r.o.公司。專注于量子技術的知識、原理、學術研究、工業及其應用，重點是在國防、空間和安全領域的應用。

【關鍵詞】

量子戰爭、量子技術、量子計算、量子遙感、量子網絡、量子雷達、量子成像、軍事應用、量子安全、軍民兩用技術

【摘 要】

量子技術是一門新興且具有潛在破壞性的學科，能夠影響許多人類活動。量子技術是兩用技術，因此對國防和安全行業以及軍事和政府行為者很感興趣。本報告回顧并描繪了可能的量子技術軍事應用，作為國際和平與安全評估、倫理研究、軍事和政府政策、戰略和決策制定的切入點。用于軍事應用的量子技術引入了新的能力，提高了效率和精度，從而導致了“量子戰爭”，其中應該建立新的軍事戰略、學說、政策和倫理。本文提供了正在開發的量子技術的基本概述，還估計預期的交付時間范圍或利用率影響。描述了量子技術在各種戰爭領域（例如陸地、空中、太空、電子、網絡和水下戰爭以及ISTAR——情報、監視、目標獲取和偵察）的特定軍事應用，并闡明了相關的問題和挑戰。

圖1 利用各種量子技術系統的量子戰示意圖

1 引 言

盡管第四代現代戰爭的特點是分散化和國家對戰爭失去壟斷[1,2]，但先進國家軍隊的特點是可以使用最先進的軍事技術。這包括即將出現的量子技術。

量子技術(QT)一詞指的是主要源于所謂的第二次量子革命的技術。早些時候，第一次量子革命帶來了我們今天所熟悉的技術，例如核能、半導體、激光、磁共振成像、現代通信技術或數碼相機等成像設備。第一個量子技術產生了核武器和能源；然后，經典計算機發揮了重要作用。目前，激光武器正在實施和測試[3]。

第二次量子革命[4]的特點是操縱和控制單個量子系統（如原子、離子、電子、光子、分子或各種準粒子），允許達到標準量子極限；也就是說，在量子尺度上測量精度的極限。在本報告中，量子技術一詞指的是來自第二次量子革命的技術。量子技術不會帶來根本上的新武器或獨立的軍事系統，而是顯著提高當前和未來軍事技術的測量能力、傳感、精度和計算能力以及效率。大多數量子技術通常是雙重用途的技術。因此，量子技術的軍事應用潛力巨大。各種研究和建議不斷涌現，表明實現這種技術的可能性越來越大；例如，參見[5-8]。

本報告提供了一個更深入的背景來理解“量子戰”這個術語，討論了它影響情報、安全和國防部門的可能性，并描述了新的可能的能力或改進。目標不是提供基于量子技術的精確預測，而是展示實施和應用的可能方向和趨勢。量子技術通常被認為是新興技術，具有改變戰爭行為和戰斗結果的潛力[8]。盡管當前的量子技術大多具有較低的技術就緒水平(TRL)，但它們被認為具有顛覆性潛力[9]。繪制量子技術可想象的軍事應用對于進一步評估對全球和平的威脅以及討論道德政策或基于量子的預防性軍備控制也很重要。

本報告共分八節。在第2節中，定義了量子技術和量子戰爭的術語，介紹了量子技術的分類和量子技術。第3節提供了基本的量子技術概述，它是特定應用的基礎，包括預期的部署時間和使用影響。第4節介紹了量子技術在軍事領域的發展和部署的一般考慮和期望。在第5節中，單個量子技術在軍事上的應用被介紹到不同的領域(如網絡、水下、空間和電子戰)。第6節確定并討論量子炒作以及現實的可能性。第7節初步討論了有關的軍事、和平和道德方面以及技術后果和挑戰。第8節對本文進行總結。

第5節和第4節涉及國家安全和國防問題。雖然第3節是基于最先進的研究并提供了相關的參考資料，但第5節更多地是基于各種軍事或政府報告、政策簡報和國際安全分析，如[5-8,10-13]。在這里，讀者應該警惕圍繞量子技術的炒作，避免夸大的期望;這方面在第6節和[14]中有論述。對于目前提出的許多量子技術軍事應用來說，與高端軍事技術需求相關的所有挑戰是否會得到解決，甚至該技術是否會被實際部署，都是不確定的。

2 定 義

量子技術一詞的定義如下：

量子技術（QT）是一個新興的物理和工程領域，基于量子力學特性——特別是量子糾纏、量子疊加和量子隧道效應——應用于單個量子系統，并將它們用于實際應用。

從定義來看，量子技術描述了量子力學系統的各種物理原理，具有眾多應用；例如，捕獲離子技術可以用作量子計算機的量子比特，也可以用作磁場或量子鐘的量子傳感器。

兩用技術是指在國防和商業生產中具有潛在應用的研究和開發領域[15]。

量子技術是一種典型的兩用技術，不僅對軍隊而且對政府行為者[16]和維和組織都具有相當大的興趣。

量子戰（QW）是將量子技術用于影響所有戰爭領域的情報、安全和防御能力的軍事應用的戰爭，它帶來了新的軍事戰略、學說、情景與和平以及倫理問題。

也有人嘗試將量子域[17]定義為戰爭的新域。然而，在本文中，我們將把量子技術視為改進所有當前定義的領域的一個因素，而不是作為一個獨立的戰爭領域。

隨后，定義術語量子攻擊是有幫助的，它指的是使用量子技術來破壞、破壞或竊聽經典或量子安全系統。典型的例子是使用量子密鑰分發竊聽或破壞Rivest-Shamir-Adleman (RSA) 加密方案的量子計算機。 盡管有大量的QT文獻，但對量子技術分類沒有明確的共識。我們將使用以下分類法：

• 量子計算與模擬

量子計算機(數字和模擬量子計算機及其應用，如量子系統仿真、量子優化)

量子仿真器(非可編程量子電路)

• 量子通信與密碼學

量子網絡與通信(量子網絡單元、量子密鑰分配、量子通信)

后量子密碼學(量子彈性算法、量子隨機數發生器)

• 量子傳感與計量

量子傳感(量子磁力計、重力儀)

量子計時(精確時間測量與分配)

量子成像(量子雷達、低信噪比成像)

除了上述一般的量子技術分類，我們介紹了一個新的分類量子技術根據他們的利益和用途。下面的分類可以概括為:然而，我們更重視軍事應用。量子技術利用影響的分類如下:

• 必須性:必須實施的量子技術，以防止未來的量子攻擊(例如后量子密碼);

• 有效性:提高當前技術和方法有效性的量子技術(如量子優化、量子機器學習或人工智能);

• 精度:提高當前測量技術(如量子磁強、量子重力、量子慣性導航、授時)精度的量子技術;

• 新能力:量子技術提供了超出現有技術范圍的新能力(如量子雷達、量子化學模擬、量子密碼分析、量子密鑰分配)。

請注意，這種分類不是互斥的。

3 量子技術概述

本節提供了量子技術的基本描述以及相關參考資料。對于每種量子技術，都會顯示當前的開發狀態、確定的利用影響、估計的預期部署時間、并概述了主要挑戰。對于量子計算應用，提供了所需邏輯量子比特的大致數量。

不同的量子技術及其應用處于不同的TRL從TRL 1（例如，某些類型的量子比特）到TRL 8（例如，量子密鑰分發）。

我們在此不追求完整性，也不提供任何理論背景，而只是根據討論的軍事應用的需要介紹基礎知識、效果和當前的發展狀態。

3.1 量子信息科學

量子信息科學（QIS）是與量子物理學相關的信息科學，處理量子信息。在經典信息科學中，信息的基本載體是只能為0或1的比特。信息的量子信息基本載體是量子比特，簡稱量子比特。一個量子比特可以|0?要么|1?，或狀態的任意復雜線性組合|0?和|1?稱為量子疊加。

另一個關鍵特性是量子糾纏。量子糾纏是指兩個或多個量子位（或通常是兩個或多個量子系統）之間的強相關性，沒有經典的類似物。量子糾纏是造成許多量子意外的原因。另一個特點是不可克隆定理[18]，它說量子信息（量子比特）不能被復制。該定理對量子比特糾錯以及量子通信安全具有深遠的影響。

量子信息科學描述了量子計算和量子通信中的量子信息流，盡管在更廣泛的意義上它可以應用于量子傳感和計量學，參見[19,20]。

有相當大的學術興趣，并且已經創建了幾種量子算法[21]。然而，預計只有少數對國防和安全應用有價值。

3.2 量子計算

• 現狀:商業上可用的物理量子位數量非常有限

• 使用影響:新的能力，有效性，精確度

• 時間線預期:10年100萬個物理量子位元

• 主要挑戰:提高量子位的質量(相干性，抗錯誤性，門保真度)，提升量子位的數量，邏輯量子位

量子計算是指利用量子信息科學進行計算。這樣的機器可以稱為量子計算機。量子計算機的分類可能非常復雜。為本報告的目的，我們將分類簡化如下：

• 數字量子計算機（也稱為門級量子計算機）是通用的、可編程的，應該執行所有可能的量子算法，并具有如下所述的眾多應用。經典計算機可以完全模擬基于門級的量子計算機。區別在于資源和速度。例如，完全糾纏的量子比特的模擬成倍地增加了對經典資源的需求。這意味著在經典（超級）計算機上幾乎不可能模擬?45個量子位。

• 模擬量子計算機（也稱為哈密頓計算）通常使用量子退火（作為絕熱量子計算的噪聲版本）來實現。量子退火器與數字量子計算機的不同之處在于量子比特的有限連接性和不同的原理。因此，模擬量子計算機的使用受到更多限制，但仍適用于量子優化或基于哈密頓量的模擬等任務。

• 量子模擬器用于研究和模擬通常不太容易訪問的其他量子系統，并且通常被構建為單一用途的機器。與量子計算機相比，量子模擬器可以想象成一個不可編程的量子電路。

一般來說，量子計算不會取代經典計算。量子計算機僅適用于有限類型的問題，通常是高度復雜的問題。量子計算應用的實際部署取決于質量（相干性、抗錯性、門保真度）和量子比特的數量。要遵循的一些基本參數是：量子比特的數量、量子比特相干時間、量子門保真度和量子比特互連。在單個量子位上應用量子門的一組量子指令稱為量子電路。量子電路是量子算法的實際實現。

繼[7]之后，量子計算機可以分為三個演化階段：分量量子計算（CQC）、噪聲中等規模量子（NISQ）計算和容錯量子計算（FTQC）。CQC階段涵蓋量子計算示范和成熟的基本要素。CQC的計算能力非常有限，足以證明一些原理證明。NISQ階段的量子計算機應該有足夠數量的量子比特來展示量子計算的優勢。持續的研究應該會導致增加量子比特的數量和質量。當達到完美的邏輯量子位時，FTQC階段開始（解釋見下文）。

物理量子比特可以通過許多量子系統來實現。最新的先進技術是基于超導量子位和處于或接近NISQ階段的俘獲離子量子位的量子計算機。所有其他技術，例如冷原子、拓撲、電子自旋、光子或基于NV中心的量子比特，仍處于CQC階段或僅理論階段。各個量子計算機及其性能顯著不同（例如速度、相干時間、糾纏所有量子比特的可能性、門保真度）。已經開發了各種指標和基準，例如Quantum Volume指標[22]，用于比較。

所有類型的量子比特都存在的問題是它們的質量。量子比特非常脆弱，相干時間有限（不會丟失量子信息的時間尺度）。在量子位上執行的每個操作都具有有限的保真度。因此，研究人員需要使用糾錯碼。量子比特的糾錯比經典比特的糾錯復雜得多，因為量子比特不能被復制，正如不可克隆定理所解釋的那樣。區分了兩種類型的量子比特：由物理量子系統實現的物理量子比特和由若干物理量子比特和糾錯碼組成的邏輯量子比特。邏輯量子比特是完美或近乎完美的量子比特，具有非常長到無窮大的相干時間、非常高的保真度和更高的環境電阻率。例如，[23]將需要。有關量子計算的最新概述，請參見例如[24]。

前沿量子計算機的例子是由谷歌制造的具有53個物理超導量子比特的量子計算機（該公司在2019年聲稱擁有量子霸權[25]），以及由IBM制造的量子計算機。最好的離子阱量子計算機是IonQ的32個量子位或霍尼韋爾的6個量子位。就光子量子比特而言，Xanadu有一臺24量子比特的量子計算機。IBM和Google的量子計算路線圖所設想的預期時間表如下：IBM 計劃在2022年推出433量子比特的量子處理器，到2023年推出1121量子比特[26]。谷歌宣布了一項計劃，以達到10,000個量子比特的量子模塊。到2029年，所有其他量子處理器將包含多達100萬個量子比特的此類模塊[27]。根據對量子科學和技術關鍵相關領域領導者的調查，量子計算機很可能會開始變得強大到足以對大多數公鑰加密方案構成威脅（有關更多詳細信息，請參見3.2.2) 在大約20年內[28]。模擬量子計算機的例子是D-Wave Systems的具有超過5000個量子位的量子退火器和東芝的相干伊辛機。

模擬和數字量子計算機的區別在于它們不同的物理原理和局限性。數字量子計算機受資源限制，不受噪聲限制（可以使用更多資源來校正噪聲）。相比之下，模擬量子計算機受到難以理解、控制和表征的噪聲的限制（尤其是對于量子退火器）。因此，模擬量子計算機的適用性受到限制[24]。

在現實中，量子計算機完成的任務大多只是經典計算機程序的子程序或子程序。經典程序不僅會控制量子計算機，還會提供大量在量子計算機上執行是不切實際的計算。這包括最近使用量子模擬在化學中的應用，例如，變分量子特征求解器(VQE)[29]，這是經典計算和量子計算的混合組合。此外，量子計算機是大型機器，其中許多需要低溫技術。因此，在未來幾十年中，大多數客戶不太可能購買個人量子計算機，而是將這些作為云服務訪問。基于云的量子計算模型（通常稱為量子計算即服務- QCaaS）如今已在商業上可用，甚至是免費的，它們允許任何對量子計算感興趣的人訪問。對量子計算機的云訪問由各個量子硬件制造商提供。某些平臺，例如Microsoft Azure Quantum或Amazon Braket，可以在一個生態系統中訪問各種制造商的量子計算機。

澄清量子霸權、優勢和實用性的術語也很有幫助。量子霸權是指量子計算機解決特定問題的速度明顯快于經典計算機的情況。然而，這個問題很可能是理論上的而不是實際的。量子優勢是指量子計算機能夠解決經典計算機無法解決的現實問題的情況。量子實用性類似于量子優勢，唯一的區別是量子計算機比經典計算機更快地解決現實世界的問題。

我們在下面提供了可能的量子計算機應用的基本概述。讀者應該記住，量子計算是一個快速發展的領域，新的革命性量子算法仍在等待被發現。請注意，在量子計算應用的上下文中，術語“量子位”意味著一個邏輯量子位。然而，小型量子電路可以僅使用物理量子位運行，并且具有合理的精度。

3.2.1 量子模擬

• 狀態：開發中的算法，小規模應用

• 使用影響：新能力（例如量子化學計算）

• 時間線預期：短期，可用性隨著量子比特的數量而增加

• Qubits 要求：～200（例如用于固氮問題）

• 主要挑戰：邏輯量子比特的數量

早在第一臺量子計算機誕生之前，量子計算機的主要任務就被認為是模擬其他量子系統[30]。分子就是這樣一個量子系統。盡管現有的計算能力有所提高，但可以使用當前的計算化學或以許多近似和簡化為代價對較大分子進行僅簡單分子的完全模擬。例如，對于具有n 個電子的系統，經典計算機需要位來描述電子的狀態，而量子計算機只需要n個量子位。因此，量子模擬是量子計算機的第一個應用，也可能是最有前途的應用。

最主要的方法有兩種：量子相位估計[31]和量子變分技術(VQE)[32,33]。特別是后一種方法在NISQ計算機上成功的可能性最高。例如，在2020年，谷歌進行了迄今為止最大的量子化學模擬（使用VQE的H12分子）[34]。

正在開發用于量子化學模擬的算法。它們可以應用于更復雜的模擬，與量子比特的數量密切相關。因此，即使在量子計算的早期階段，化學和制藥行業也很感興趣。一般來說，這種模擬允許發現和設計新的藥物、化學品和材料。例如，最近考慮的主題是高溫超導、更好的電池、蛋白質折疊、固氮和肽研究。

3.2.2 量子密碼分析

• 狀態：算法準備就緒

• 使用影響：新功能（例如公鑰密碼方案破壞）

• 時間表預期：中長期

• 量子位要求：~ 6200用于2048位RSA因式分解[35]，~ 2900用于256位ECDLP-based加密[36]

• 主要挑戰：邏輯量子比特的數量

最著名的量子計算機應用之一是通過Shor算法[37]描述的指數加速對大素數進行因式分解。這對RSA、DH和ECC等公鑰密碼方案構成威脅，基于大素數乘法、離散對數問題或基于橢圓曲線離散對數問題的模式，這些模式被認為在經典計算機上難以計算或非常困難。

盡管現有NISQ量子計算機的資源遠不能滿足RSA破解所需，但威脅是真實存在的。對手或外國情報可以攔截和存儲加密流量，直到量子密碼分析可用。由于許多機密的解密時間遠遠超出了強大的量子計算機交付的預期時間表，因此如今這種威脅可以被認為是真實的。

量子密碼分析還為對對稱加密方案的暴力攻擊提供了改進的工具。例如，著名的Grover 搜索算法[38]將密鑰安全性降低了一半以對抗暴力攻擊；256位AES在大約2128次量子操作中，可以通過蠻力解決5個密鑰。盡管量子計算機需要大量資源，但建議將對稱密鑰長度加倍[39]。此外，Simon算法和疊加查詢[40]可以完全破解大多數消息認證碼(MAC)和關聯數據的認證加密(AEAD)，例如HMAC-CBC和AES-GCM [41、42]。

此外，基于對稱密碼系統中存在的結構，對對稱密鑰系統的密碼分析攻擊進行了積極的研究，它可以提供高達超多項式的加速[43]。然而，這些算法對量子計算機的資源要求過高。

3.2.3 量子搜索和量子行走

• 狀態：正在開發的算法
• 使用影響：有效性（例如更快的搜索）
• 時間表預期：短期至中期
• Qubits 要求：～100，取決于搜索的系統大小
• 主要挑戰：邏輯量子比特的數量

最著名的搜索量子算法之一是Grover算法[38]，它在數據庫搜索或反演函數中提供二次加速。對于未排序的列表或數據庫，經典的搜索算法是關于復雜度（意思是與N個實體的數量成正比），雖然 Grover 的算法大約是

量子搜索算法是所謂的大數據（非結構化數據）分析的一個重要課題。處理大量數據需要大容量的量子存儲器。然而，沒有可靠的量子存儲器可以將量子信息保持任意長時間和大量。其次，將經典數據轉換為量子形式既耗時又無效。因此，目前只有對算法生成的數據進行搜索才被認為是可行的。 另一種搜索方法可以基于量子隨機游走機制[44]，它提供與Grover算法類似的加速。

3.2.4 量子優化

• 狀態：開發中的算法

• 利用率影響：有效性（例如更快地解決 NP 問題）

• 時間表預期：短期至中期

• Qubits 要求：～100，取決于問題的復雜性

• 主要挑戰：邏輯量子比特的數量

考慮到解決NP級別的可能性，量子優化是一個非常積極探索的話題復雜的問題。這種 NP問題的一個例子是旅行商問題。在這里，給定一個地點列表和它們之間的距離，目標是找到最短（和最佳）的路線。天真地，人們可以嘗試所有可能性，但這種方法有嚴重的缺點，甚至可能變得不可能，而且復雜性越來越高。因此，最常見的解決方案是基于啟發式算法，這些算法不一定能找到最佳解決方案，但至少可以找到一個接近它的解決方案。

量子計算為這個問題引入了一個新的視角，并提供了不同的方法和技術。目前最主要的方法是基于變分方法，例如量子近似優化算法(QAOA) [45]。QAOA的一部分是稱為二次無約束二進制優化(QUBO)[46]的子技術，它也適用于模擬量子計算機。其他方法是，例如，最小二乘擬合的量子類比[47]或半定規劃[48]。 到目前為止，尚不清楚量子優化是否會比經典的啟發式方法提供一些加速。然而，人們一致認為，如果可以實現一些加速，它不會超過多項式[48]。量子計算引入的新范式導致了新的受量子啟發的經典算法，例如在QAOA[49]的情況下刪除了量子加速。另一方面，我們可以談論量子啟發算法作為第一個量子計算實際結果。

已經有許多關于量子優化的演示、用例和概念證明，特別是與模擬量子計算相關，目前為此類應用提供最多的量子計算資源。典型的演示是對交通、物流或金融部門的優化。

3.2.5 量子線性代數

• 狀態：開發中的算法

• 利用率：有效性（例如更快的線性方程求解）

• 時間表預期：短期至中期

• 量子位要求：取決于解決的系統大小

• 主要挑戰：邏輯量子比特的數量

已經表明，量子計算機在求解線性方程時也可以達到超多項式加速。這種加速估計尤其適用于稀疏矩陣的HHL(Harrow-Hassidim-Lloyd)[50]算法。但是，估計的加速取決于問題（矩陣）的大小。也有大量的資源需求，這對于某些問題可能被認為太不切實際[51]。另一方面，例如對于10,000個參數的線性方程組，需要10,000步來求解它，而HHL可以在13步之后提供近似解。

目前，規劃、工程、建筑和天氣預報中的許多數值模擬將復雜問題簡化為大量線性方程組。對于他們中的許多人來說，本質上是統計的，近似的解決方案可能就足夠了。

請注意，HHL算法在量子計算中被證明是通用的，并且被證明可用于各種應用，例如k均值聚類、支持向量機、數據擬合等。有關更多詳細信息，請參閱[52]。

處理大量輸入數據的量子算法的主要警告之一是數據加載。經典數據，尤其是二進制數據或比特，需要通過高效的量子算法轉換成量子態進行后續處理。這個過程很慢，并且經典數據加載本身可能需要比連貫時間更長的時間。解決方案是量子存儲器或量子RAM[52,53]。

3.2.6 量子機器學習和人工智能

• 狀態：開發中的算法
• 利用率影響：有效性（例如更好的機器學習優化）
• 時間表預期：短期至中期
• Qubits 要求：～100，取決于問題的復雜性
• 主要挑戰：邏輯量子比特的數量

由于圍繞經典機器學習和人工智能 (ML/AI) 的炒作，可以預期也會有關于這個主題的量子研究。首先，請注意，考慮到處理經典數據的效率非常低 [54]，人們不能指望全量子 ML/AI，如果缺少量子存儲器以及經典數據（例如圖片數據）的加載和編碼速度非常慢，則更是如此) 轉換成量子信息格式。這根本不實用。當機器學習/人工智能應用于量子數據時，會出現另一種情況；例如，來自量子傳感器或成像 [55]。

盡管如此，可以引入量子增強的ML/AI [56,57]，其中量子計算可以改進一些機器學習任務，例如量子采樣、線性代數（其中機器學習是關于高維線性中復雜向量的處理）空間）或量子神經網絡[54]。一個例子是量子支持向量機[58]。

事實上，ML/AI 主題涵蓋了各種技術和方法，與量子計算沒有什么不同。量子機器學習/人工智能或量子增強機器學習/人工智能是當今許多研究工作的主題。有關量子ML/AI算法及其可能的加速的調查，請參閱[59]。

3.3 量子通信和密碼學

量子通信是指通過使用光纖或自由空間通道的量子網絡進行的量子信息交換。大多數情況下，量子通信是使用光子作為量子信息載體來實現的。然而，由于光子的限制，例如遠距離損失，量子網絡包含其他元素，例如量子中繼器或量子開關。

量子密碼學的目標是用量子密鑰分發的抗量子算法取代傳統的（主要是非對稱的）加密方案。用于量子通信的典型量子特征如下：量子糾纏、量子不確定性以及指出量子信息無法復制的非克隆理論[18,60]。

3.3.1 量子網絡

• 狀態：研究中（僅可用于具有可信節點的QKD）

• 使用影響：新功能、有效性（例如超安全通信、量子彈性密碼學）

• 時間表預期：中期

• 主要挑戰：量子中繼器和開關（量子存儲器）

量子網絡（有時稱為量子互聯網[61]或量子信息網絡(QIN)）的目的是通過多種技術跨各種渠道傳輸量子信息。量子信息（量子比特）通常由單個光子攜帶，因此量子信息傳輸是脆弱的。此外，許多量子網絡應用依賴于量子糾纏。

量子信息傳輸的常用通道是專用的低損耗光纖或當前具有較高損耗的電信光纖基礎設施。兩個相互靠近的通信端點的情況就像使用一根光纖一樣簡單。網絡的復雜性隨著更多的終端節點或更大的距離而增加，其中需要諸如量子中繼器或量子開關之類的組件。請注意，對于大多數量子網絡應用來說，非常適中的（一個量子比特）量子處理器就足夠了。

自由空間量子通道更具挑戰性。由于強烈的大氣衰減，光學或近光學光子在大氣中的效用有限。因此，最普遍考慮和實現的量子網絡場景是使用量子衛星[62,63]。衛星的優勢在于可以利用光光子通信傳輸量子信息，其中衛星-地面鏈路中的損耗低于相距較遠的兩個地面節點之間的損耗。然而，短距離自由空間通道中的光子通信可以使用無人機等來實現[64]。最好的方法是使用經典無線通信所采用的微波頻譜。然而，在單個光子水平上使用微波光譜的通信更具挑戰性[65]。微波單光子技術在產生和檢測單個光子方面難度更大。另一個問題是微波頻段的嘈雜環境。

由于光子損失和退相干，長距離的量子通信需要量子中繼器。量子中繼器是一個中間節點，其工作方式類似于經典光網絡中的放大器，但需要遵守不可克隆定理。事實上，量子中繼器允許糾纏端節點的量子比特。當兩個末端節點糾纏在一起時，量子隱形傳態的效果[66] 可以被利用。這意味著可以在沒有物理發送光子的情況下傳送量子信息；只需要經典的通信。利用量子糾纏，量子信息可以流過一個量子網絡或其中的一部分，甚至可以被竊聽者控制，而沒有任何機會泄露傳輸的量子信息。為了量子中繼器的正確運行，需要量子存儲器。然而，目前還沒有可靠實用的量子存儲器可用。

作為中間步驟，可以使用受信任的中繼器。可信中繼器不會糾纏終端節點，僅用于量子密鑰分發（QKD，參見下一節，3.3.2）。為了想象它是如何工作的，讓我們考慮兩方A和B以及一個受信任的中繼器R。然后用密鑰對密鑰進行加密。可信中繼器R對進行解密，得到。此時，受信任的中繼者R知道密鑰, A和B必須相信密鑰是安全的，不受竊聽者的控制。最后，R使用密鑰對重新加密，并將其發送給B。這是目前QKD網絡中使用的一種技術。

目前在實驗中測試的下一步是獨立于測量設備的QKD(MDI-QKD)[67,68]。它是一種量子協議，不僅可以用安全的中繼器代替受信任的中繼器（仍然不是量子，不支持糾纏），而且還可以用作交換機。這意味著可以開始構建通常的星形網絡拓撲和基礎設施。請注意，在 MDI-QKD網絡中，對中心節點的攻擊在物理上不能泄露密鑰，也不能泄露敏感信息。之后，中心節點將被量子交換機和中繼器取代，實現功能齊全的量子信息網絡。

量子網絡將與經典網絡并行工作，因為并非所有傳輸的信息都需要在量子信息中進行編碼。事實上，例如，量子隱形傳態需要并行經典網絡。量子網絡可用于以下應用：

• 量子密鑰分發（QKD），一種加密密鑰的安全傳輸（參見第3.3.2節）；

• 量子計算機或量子計算集群之間的遠距離量子信息傳輸或遠程量子能力共享；

• 盲量子計算[69,70]允許將量子算法傳輸到量子計算機、執行計算和檢索結果，而無需所有者或竊聽者知道算法或結果是什么；

• 網絡時鐘同步[71]，見第3節3.4.2；

• 安全識別[72]允許在不泄露身份驗證憑證的情況下進行識別；

• 量子位置驗證[73]允許驗證對方的位置；

• 用于多臺量子計算機的分布式量子計算[74,75]，允許將任務作為一臺量子計算機進行計算；

• 涉及所謂拜占庭協議的共識和協議任務（盡管有對手的干預，組對一個輸出的決定問題）。與經典復雜度相比，量子版本[76]可以在復雜度上達成一致。

• 糾纏傳感器網絡[77,78]允許提高傳感器的靈敏度并減少錯誤，并評估全局屬性，而不是收集有關系統特定部分的數據。

量子網絡允許量子計算機之間直接安全的量子通信，其中可以直接交換量子數據。這對于根據單個量子計算機性能有效地重新分配計算任務很有用，主要是當一個巨大的任務可以分成更小的任務時。另一種情況是量子云，其中量子數據可以在多臺量子計算機之間共享。此外，是否有可能構建一臺獨立的高性能量子計算機是值得懷疑的。這種實現更有可能通過分布式量子計算[74,75]，其中許多量子計算機將通過量子網絡連接。

3.3.2 量子密鑰分發

• 狀態：商業可用（帶有可信賴的中繼器）

• 使用：新能力時間線

• 預期：短期

• 主要挑戰：安全的量子中繼器（量子存儲器）、物理硬件的安全認證

量子密鑰分發（QKD）是量子通信最成熟的應用。目標是在兩方或多方之間為通過經典渠道分發的加密數據分發密鑰。由于不可克隆定理，任何竊聽者都必須執行通信方可檢測到的測量。

協議的主要類別有兩種：一種基于BB84 (Bennett-Brassard 1984) 協議[79]，另一種基于 E91 (Ekert 1991) 協議[80]。占主導地位的BB84協議在技術上更簡單，但需要生成量子隨機數（參見 第3.3.4節），并且提供方必須在分發之前準備密鑰。E91協議利用量子糾纏在分發過程中生成密鑰，各方同時知道密鑰。在該協議中，不需要量子隨機數生成器。然而，量子糾纏的技術解決方案更具挑戰性。這兩類協議在信息理論上都是安全的。

理論上，QKD 在傳輸過程中是不可穿透的。然而，典型的攻擊向量可能集中在最終（接收器/發送器）或中間節點，其中軟件層的硬件可能包含漏洞，例如控制軟件中的錯誤、不完美的單光子源、各方驗證問題等。這是一個非常活躍的研究領域。例如，不完善的物理硬件可能被所謂的光子數分裂[81]或特洛伊木馬[82]攻擊濫用。在這里，硬件和軟件的安全認證是必要的，并且需要時間。

除了受信任的中繼器之外，另一個弱點是量子比特傳輸速率，它太慢而無法分發長密鑰。新的單光子源的高傳輸率可以解決這個問題。

目前，QKD技術可作為短距離的點對點連接或在遠距離使用可信中繼器進行商用。值得信賴的中繼器可以是一顆太空衛星，正如中國所證明的那樣[62,63]。

3.3.3 后量子密碼學

• 狀態：算法準備就緒

• 使用影響：必須有

• 時間線預期：短期

• 主要挑戰：標準化、實施

后量子密碼學（有時稱為量子證明、量子安全或抗量子密碼學）代表了一個應該能夠抵抗未來量子計算機攻擊的加密技術領域。目前，對于大多數使用公鑰技術的非對稱加密來說，情況并非如此。另一方面，大多數對稱密碼算法和散列函數被認為相對安全，可以抵御量子計算機的攻擊[83]。盡管如此，建議將對稱密鑰長度加倍[39]。

現在，有幾種方法被認為是抗量子的。例如，基于格的密碼學[84]、超奇異橢圓曲線同源密碼學[85]、基于哈希的[86]密碼學、基于多變量的[87]密碼學、基于代碼的密碼學[88] 和對稱密鑰量子抗性。

與QKD不同，從數學角度來看，所有這些算法都不能證明是安全的。因此，在標準化過程中，所有這些算法都經過嚴格的測試和分析，包括實施。在最壞的情況下，經典計算機 [89]可以破解在實現中存在錯誤的抗量子算法。最受關注的標準化過程是美國國家標準與技術研究院(NIST)的標準化過程。標準化進程在第三輪[90]，有三名決賽選手（基于格、基于代碼和多變量的算法）和幾個備選候選者。NIST 標準化過程預計將于 2023-24 年結束。無論如何，現在越來越多的商業供應商正在提供新的抗量子加密解決方案。

3.3.4 量子隨機數發生器

• 狀態：市售

• 使用影響：新功能（真正的隨機數生成）

• 時間線預期：短期

• 主要挑戰：提高比特率

隨機數生成器 (RNG) 對于許多應用程序來說都是必不可少的，例如蒙特卡洛模擬和集成、加密操作、統計和計算機游戲。然而，經典計算機中的RNG，因為它是確定性的，并不是真正隨機的，被稱為偽隨機數生成。但是，對于許多應用程序，偽RNG就足夠了。

另一方面，生成強密鑰是安全的基石，只有真正隨機的RNG才能實現。一種解決方案是基于硬件的量子隨機數生成器(QRNG)。此外，QRNG是基于BB84的QKD協議的關鍵部分，可證明是安全的。

QRNG可用于任何密碼學，并使所有密碼學變得更好。QRNG的優點之一是它可以被驗證和認證[91]，這與任何其他RNG不同。

3.4 量子傳感和計量

量子傳感和計量是最成熟的量子技術領域，它改進了時序、傳感或成像。例如，來自第一次量子革命的原子鐘已成為全球定位系統(GPS)的一部分近半個世紀。當前的量子時鐘正在提出更高的時間測量精度。

量子傳感代表所有測量各種物理變量的量子技術，例如外部磁場或電場、重力梯度、加速度和旋轉。量子傳感器可以產生關于電信號、磁異常和慣性導航的非常精確的信息。

量子成像是利用光子相關性的量子光學的一個子領域，可以抑制噪聲并提高想象物體的分辨率。量子成像協議被考慮用于量子雷達、在不透光環境中檢測物體和醫學成像。

量子傳感和計量技術依賴于以下一項或多項特征：量子能級、量子相干性和量子糾纏[92]。單個量子傳感器具有隨應用而變化的各種指標。常用指標是：靈敏度（在1秒積分時間后給出統一信噪比的信號）、動態范圍（最小和最大可檢測信號）、采樣率（對信號進行采樣的頻率）、工作溫度、等。衍生的關鍵指標包括，例如，一定距離的空間分辨率和達到指定靈敏度所需的時間。典型的測量量是磁場和電場、旋轉、時間、力、溫度和光子計數。

3.4.1 量子電、磁和慣性力傳感

• 狀態：實驗室原型

• 使用影響：精度、新能力

• 時間表預期：短期到長期

• 主要挑戰：小型化、冷卻

許多傳感量子技術是通用的，可以測量各種物理量。每種技術的詳細描述超出了本報告的范圍；但是，提供了一個基本概述。許多應用包括各種量子技術。例如，量子慣性導航包括三種類型的傳感：加速度、旋轉和時間。一般來說，許多應用都需要精確的基于量子的定時，而不僅僅是量子技術。有關量子計時，請參閱第3節。3.4.2最有前途的技術是：原子蒸氣、冷原子干涉、氮空位中心、超導電路和俘獲離子。

冷原子干涉儀（測量量：磁場、慣性力、時間）。在非常低的溫度下冷卻的原子表現出類似波浪的行為，并且對與其質量相互作用的所有力都很敏感。在干涉圖案中觀察到變化 [5,92,93]。特定的實現可以是拉曼原子干涉法、原子布洛赫振蕩或其他形式[94–96]。例如，在重力測量中，基于量子的重力儀有可能達到大約幾個數量級的精度[5]比最好的經典同行。這種精確的重力儀可以非常詳細地繪制地球表面和地下的地圖，分辨率達到厘米級。在慣性導航方面，振動晶格干涉儀有可能克服最先進的原子干涉儀技術的缺點，可以同時用作加速度計和陀螺儀[97]。仍然存在一些挑戰。一些最大的挑戰是將量子傳感器集成到一個量子慣性測量單元中，用于冷卻原子并同時保持相干性（抑制與噪聲環境的相互作用）的激光冷卻裝置的小型化，或動態范圍實驗室外的冷原子傳感器。然而，在這一領域也可以找到顯著的進步，例如[98]。回顧見[99]。

俘獲離子（測量量：電場和磁場、慣性力、時間）。俘獲離子是最通用的傳感平臺之一 [100–102]。控制良好的俘獲離子形成具有量化運動模式的晶體。任何干擾都可以通過這些模式之間的轉換來測量。單個捕獲的離子可以作為時間的精確測量或作為量子計算機中的量子比特。對于慣性導航，1、2和3維陣列中捕獲的冷原子的光學晶格技術可能提供亞厘米級的尺寸。除了可以測量重力和慣性參數外，它還可以測量卡西米爾力或范德華力。最近，使用量子糾纏的俘獲離子，電場測量的靈敏度已達到，這比經典對應物好幾個數量級。

氮空位 (NV) 中心（測量量：電場和磁場、旋轉、溫度、壓力）。金剛石晶體中的氮空位中心作為與外部磁場耦合的電子自旋量子比特起作用。此外，使用Berry相位的帶負電的 NV中心可以測量旋轉。一般來說，基于NV中心的傳感器可在各種條件下提供高靈敏度、廉價的生產和操作[92、104、105]。特別是，基于NV中心的技術也可以在室溫或更高溫度下工作。一種新穎的3D設計允許同時感應磁力、加速度、速度、旋轉或引力的所有三個分量[106]。NV中心在基于金剛石的傳感中的優勢在于空間分辨率和靈敏度。另一方面，挑戰在于選擇、實施和制造單個NV中心或其整體。在電場傳感的情況下，定義靈敏度是一項挑戰[107]。

超導電路（測量量：電場和磁場）。基于約瑟夫森效應的超導電路技術描述了兩個超導體之間的量子隧道效應[92]。該技術允許在宏觀尺度上制造量子系統，并且可以通過微波信號進行有效控制。超導量子干涉裝置（SQUID）是最好的磁力傳感器之一。然而，缺點是需要低溫技術。請注意，對于小于地磁噪聲的磁場變化的測量，首選設計是基于傳感器陣列來消除與應用的空間相關性，例如醫學和生物醫學應用（例如MRI或分子標記）。最近的發展表明，量子計算機中使用的超導量子比特也可用于測量電場和磁場[92]。

原子蒸氣（測量量：磁場、旋轉、時間）。自旋極化的高密度原子蒸氣在外部磁場下經歷狀態轉變，可以光學測量[92,108,109]。一個優點是在室溫下部署。原子蒸氣適用于旋轉傳感，稱為原子自旋陀螺儀(AGS)。AGS可以是芯片級的[5]。相比之下，最好的經典旋轉傳感器非常精確（例如環形激光陀螺儀）。預期的量子傳感器將精確到大約兩倍。然而，上面提到的最好的經典陀螺儀的尺寸為4×4 米，這是不切實際的[110]。基于原子系綜的原子蒸汽電池磁力計有可能超越SQUID磁力計并在室溫下工作[92]。

3.4.2 量子鐘

• 狀態：實驗室原型

• 使用影響：精度

• 時間表預期：短期至中期

• 主要挑戰：小型化

原子鐘已經陪伴我們幾十年了。例如，作為GPS衛星的一部分。當前的原子鐘是基于原子物理學的，其中在改變能級時電子的電磁輻射利用“滴答聲”。因此，原子鐘是一項非常成熟的技術。今天，基于原子噴泉或熱原子束和磁態選擇原理的原子鐘可以達到相對的不確定性[111]，或者最先進的芯片大小的原子鐘具有不確定性[5]。

第二次量子革命帶來了原子鐘或量子鐘的新原理。量子邏輯時鐘基于單離子，這是一種與用于量子計算的捕獲離子量子比特相關的技術[101]。量子邏輯時鐘是第一個時鐘不確定性低于[112]。量子鐘也可以從量子糾纏中受益[113]。

后來，量子邏輯時鐘被實驗光學晶格時鐘所取代。請注意，當前的原子鐘使用微波頻率工作，即能級之間的躍遷會發射微波光子。盡管它提供了更好的性能，但在光學頻率中發射光子的電平躍遷測量更難實現。光學時鐘仍在開發中，系統基于：在離子阱中隔離的單個離子、在光學晶格中捕獲的中性原子和包裝在3D量子氣體光學晶格中的原子。尤其是 3D 量子氣體光學晶格時鐘已經證明了頻率精度[114]。最近，證明量子糾纏可以提高時鐘穩定性[115]。

另一項研究側重于提供芯片尺寸實現的蒸汽電池（或氣體電池）原子鐘[116]；固態（例如，鉆石中的NV中心）時鐘[117]；或核鐘，其原理與微波或光學原子鐘相似，只是它使用核躍遷而不是原子殼中的電子躍遷[118]，具有超越原子光學鐘[119]的前所未有的性能潛力。

各種時鐘技術都有自己的挑戰，例如精確的頻率梳、用于控制和冷卻的激光系統以及黑體輻射偏移（在光學時鐘的情況下）。此外，小型化通常以較低的頻率精度為代價。另一種常見的挑戰是這些時鐘的同步。 精確計時對于許多技術至關重要，例如衛星導航、空間系統、精確測量、電信、國防、網絡同步、金融業、電網控制以及幾乎所有工業控制系統。然而，非常精確的時序對于量子技術至關重要，尤其是對于量子傳感和成像。例如，一個非常高精度的時鐘允許進行新的測量，例如重力勢測量到地球表面的厘米級或尋找新的物理學。

3.4.3 量子射頻天線

• 狀態：實驗室原型

• 使用：有效性

• 時間表預期：短期至中期

• 主要挑戰：小型化、冷卻

射頻(RF)天線用作各種信號的接收器或發射器。它們可以是復雜的AESA的簡單偶極天線個模塊。它們的尺寸限制受限于產生或接收信號的波長。例如，3 GHz信號的波長為～10厘米并且天線的尺寸應不小于大約1/3這個波長的。這稱為 Chu-Harrington 極限[120,121]。

里德堡原子的技術可以打破這一限制，并擁有一個獨立于接收信號波長的幾微米大小的天線。里德堡原子是高度激發的原子，具有相應的大電偶極矩，因此對外部電場具有高靈敏度[122,123]。請注意，基于里德堡原子的天線只能接收一個信號。

最近的基于Rydberg原子的分析儀原型在0到20 GHz的頻率下用于AM或FM無線電、WiFi 和藍牙信號[124]。更多天線的組合可以檢測信號的到達角[125]。在實驗室層面，里德堡原子技術已商業化。

量子射頻接收器作為單個單元（用于目標頻率、窄帶寬）或陣列傳感器（寬頻率跨度）可以在導航、有源成像（雷達）、電信、媒體接收器或無源太赫茲成像中找到其應用。

3.4.4 量子成像系統

• 狀態：實驗室原型和概念驗證

• 使用：新能力

• 時間表預期：短期到長期

• 主要挑戰：提高分辨率、高倍率單光子源

量子成像系統是一個廣泛的領域，涵蓋 3D 量子相機、幕后相機、低亮度成像和量子雷達或激光雷達（對于量子雷達，請參閱第 3.4.5節）。

SPAD（單光子雪崩探測器）陣列是一種非常靈敏的單光子探測器，與脈沖照明源相連，可以測量從源到物體的飛行時間，從而測量物體的范圍。然后，將SPAD放入陣列中就可以作為3D相機工作。SPAD與擴展至近紅外光譜的光譜一起工作。

SPAD陣列也可用于檢測視線之外的物體（例如隱藏在墻角后面）。這個想法是基于激光和相機的合作，其中激光在SPAD相機的前面（例如地板上的一個點）發送一個脈沖。從該點，激光脈沖將向各個方向散射，包括拐角后，光子可以反射到SPAD相機前面的點，然后再反射到相機。SPAD足夠靈敏，可以檢測到這樣的三散射信號[126]。

量子重影成像[127 –129]，也稱為重合成像或雙光子成像，是一種允許對相機視線之外的物體進行成像的技術。在源中，產生了兩個糾纏的光子，每個光子的頻率不同。光學頻率中的一個由高分辨率光子計數相機直接記錄。具有不同頻率的第二光子（例如紅外線）被發送到物體。反射的光子由單光子檢測器（所謂的“桶”檢測器）檢測。然后根據兩個光子之間的相關性創建圖像。鬼成像協議也被證明沒有量子糾纏（使用經典相關），盡管分辨率較差。

這種模式允許在極低的光照水平下對物體進行成像。此外，紅外光可以更好地穿透某些環境，具有更好的信噪比(SNR)[130]。最近展示了使用 X 射線或超相對論電子的鬼成像實驗 [131,132]。

亞散粒噪聲成像[133] 是另一種量子光學模式，允許檢測信號低于散粒噪聲的弱吸收物體。散粒噪聲是檢測到的光子數量波動的結果。例如，散粒噪聲是激光的極限。使用相關光子可以克服這個限制。一個“先驅”或“輔助”光子的檢測表明存在探測物體或環境的相關光子。

量子照明(QI)[134]是一種使用兩個相關（糾纏）光子檢測目標的量子協議。保留一個稱為“閑置”的光子。另一個稱為“信號”光子，被發送到目標并被反射，兩個光子都被測量。即使糾纏被有損和嘈雜的環境破壞，該協議的優勢仍然存在。QI協議是主要適用于量子雷達的協議之一，但也可以應用于醫學成像或量子通信。

3.4.5 量子雷達技術

• 狀態：實驗室原型和概念驗證

• 使用：新能力

• 時間表預期：長期和更多

• 主要挑戰：高速率單光子源、量子微波技術

從原理上講，量子雷達的工作原理與經典雷達類似，即必須向目標發送信號，并且雷達系統需要等待反射信號。盡管如此，理論上可以通過量子力學逼近來提高精度和新能力。

有幾種用于量子雷達的協議，例如干涉式量子雷達[135]、量子照明(QI) [134] 、混合量子雷達[136、137]或Maccone-Ren量子雷達[138]。沒有一個提到的協議是完美的。例如，干涉式量子雷達對噪聲過于敏感，需要保留量子糾纏。QI是嘈雜環境的理想協議，甚至在實驗室驗證了微波頻譜[139]，但它需要了解與目標的距離，例如它沒有測距功能。然而，基于QI的量子目標測距方法正在開發中[140]。混合量子雷達也解決了這個測距問題，但以犧牲靈敏度為代價。Maccone-Ren協議具有QI屬性和測距功能，但目前還只是一個理論概念。

所有協議共同面臨的最大挑戰是（不僅）微波狀態下糾纏光子的高生成率。雷達方程的量子版本[141]仍然占據主導地位，其中R是雷達-目標距離。因此，所需的糾纏光子（模式）的數量比目前可用的數量級高幾個數量級[142]。從某種意義上說，量子雷達與噪聲雷達相似，具有截獲概率、檢測概率低、頻譜共享高效等諸多特性，參見[137]及其參考文獻。

另一個相關的挑戰是目標尋找。理論工作[143]表明，量子糾纏在尋找目標未知位置方面可以勝過任何經典策略。此外，所提出的方法可以用作固定目標范圍的量子增強頻率掃描儀。

3.4.6 其他傳感器和技術

• 狀態：實驗室原型

• 利用：新功能（例如化學和精確聲學檢測）

• 時間表預期：中短期

• 主要挑戰：提高分辨率

使用光聲檢測，量子技術可用于高達聲子水平的超精確聲音傳感，聲子是一種準粒子量化固體物質中的聲波[144,145]。聲波的精確檢測對于許多應用至關重要，包括醫療診斷、聲納、導航、痕量氣體傳感和工業過程[146,147]。

光聲檢測可與量子級聯激光結合，用于氣體或一般化學檢測。量子級聯激光器 (QCL) 是一項成熟的技術[148]。QCL是一種在中波和長波紅外波段發射的半導體激光器，與許多其他量子技術一樣，需要遠低于-70℃的冷卻。然而，最近的發展允許芯片級實現工作在-23℃ 左右，這可以通過便攜式冷卻系統來實現[149]。

4 國防中的量子技術

與工業或公共應用相比，軍事技術的要求更高。考慮到戰場上可能的部署，這需要更加謹慎。第5節介紹了具有不同 TRL、時間預期和多種實現風險的各種可能的軍事應用。

對于易于實施并適合當前技術的技術，例如量子傳感器，簡單地說，我們可以用量子傳感器代替經典傳感器，這將更簡單，風險更小。

相反，QKD是一種已經商業化但難以部署的技術的例子。需要許多新的硬件、系統和與當前通信系統的互操作性。因此，這項技術在軍事部署方面具有更大的風險。

從長遠來看，我們可以期待降低SWaP和擴大量子計算機和量子網絡的優勢。如果國家/軍隊想與其他國家/軍隊競爭邊緣（量子）技術，這將使部署更容易并且可能是必要的。

4.1 量子策略

軍事量子技術的未來用戶將不得不仔細考慮是否、何時以及何時投入時間和資源。國防軍的目標不是開發軍事技術，而通常只是明確要求及其獲取。但是，他們可以顯著參與開發，特別是如果他們是最終用戶。 作為基礎，最好有一個由產業和學術機構組成的國家量子生態系統。這樣的生態系統應在政府層面得到普遍支持，即制定國家量子計劃，但也應激勵為國防部門開發技術。這可以通過適當的贈款資金甚至各種主題挑戰來實現，個人和初創公司可以參與其中，并可能帶來新的顛覆性想法和解決方案。這自然會導致與工業界和學術界的更緊密合作。量子產業非常有趣，學術界和工業界之間有大量的合作。

第一步是建立量子技術路線圖或量子戰略。路線圖/戰略應詳細說明所有后續步驟，從識別顛覆性量子解決方案、市場調查、技術和風險評估以及開發本身到原型測試和最終解決方案部署。路線圖或量子策略可以由三個部分組成：

1.鑒別，

2.發展，

3.實施和部署。

最關鍵的部分是為所考慮的戰爭領域確定最有利和最具破壞性的量子技術。此步驟還包括技術和科學評估，以平衡技術風險（有限的可部署性、低于預期的性能或不可能從實驗室轉移到戰場）與單個量子技術的潛在優勢。這個識別過程應該循環重復，以便對新發現和破壞性解決方案做出相對快速的反應。重要的是要記住許多應用程序尚未被識別或發現。

下一步是通常的研發（R&D）過程。研發應在財政上得到充分支持，但官僚障礙也應降至最低。它應該涉及快速的開發周期，并與軍事技術的最終用戶密切互動（規格和性能咨詢、原型測試、準備認證……）。在此階段結束時，新系統應具備初始運行能力。

最后一步是達到全面作戰能力，包括修改或創造新的軍事學說，準備新的軍事情景、戰略和戰術，充分發揮量子優勢。

最后一點與識別階段有關。在這里，決策者還需要考慮長遠的觀點。到目前為止，許多量子技術已經被單獨考慮：傳感器、QKD、量子計算等。但長期的愿景是考慮通過量子網絡實現量子傳感器和量子計算的互連。在這里，理論和實驗工作展示了利用量子糾纏傳感器和計算機的額外量子優勢[77,78]。更多類似的應用可能會被發現或發明。在構建光纖/量子網絡時要考慮這一點很重要。之后，可信中繼器等當前元素可以被全量子中繼器和交換機取代，從而充分發揮量子網絡的潛力。

4.2 TRL 和時間范圍

正如多次提到的，各種量子技術處于不同的TRL，從1到8不等。在考慮各種應用和部署平臺時，尤其是用于軍事目的時，TRL的變化和時間范圍預期更加復雜。[150]中提供了一些TRL和時間范圍估計。然而，根據本報告中的描述，一些估計，例如TRL 6 的量子精確導航，似乎過于樂觀。

在這里，我們在表1中提供了我們自己的TRL和預期時間范圍 ，這與這項工作的結果相對應。

表 1 TRL 和時間范圍預期。這些期望反映了一般 TRL 而不僅僅是軍事 TRL。請注意，各種量子技術在同一應用程序中處于不同的 TRL

讀者可以將這些與[11,150]中的其他時間線進行比較。

實際的軍事部署可能需要一些時間來克服所有技術障礙并滿足軍事要求。以用于地下掃描的量子重力儀為例。第一代可能會部署為放置在卡車上的靜態傳感器，并且范圍/空間分辨率將相當低。隨著時間的推移，下一代將提高靈敏度和空間分辨率。隨著SWaP的降低，該傳感器將能夠被放置在飛機上，然后在無人機上，也許在LEO衛星上。然而，傳感器的極限也有可能提前達到，導致部署變得不可能，例如在無人機或LEO衛星上。

4.3 量子技術對策

一個關于量子技術對策的獨立部分是有必要的，盡管這個主題將被觸及，例如在 Sect.5.6關于經典電子戰的量子類比。該主題研究較少，很少有文本涉及該主題；此外，詳細描述超出了本報告的范圍。

簡而言之，這個主題是指欺騙、禁用或破壞量子技術的方法和技術，無論是量子計算機、量子網絡還是量子傳感器和成像系統。量子技術利用了單個量子的量子物理特性。因此，它們非常容易受到來自環境的干擾和噪音的影響，因此可能會被欺騙或癱瘓。特別是關于量子網絡，特別是QKD，我們談到了與QKD本身攜手發展的量子黑客攻擊[151–155]。

量子戰略的作者和決策者應該牢記，當量子技術部署在軍事領域時，很可能遲早會出現各種對策。目前未知的是量子技術對策的可能有效性及其影響。

5 量子技術軍事應用

量子技術有可能對人類活動的許多領域產生重大影響。對于國防部門來說尤其如此。量子技術可以影響現代戰爭的所有領域。第二次量子革命將提高靈敏度和效率，并引入新的能力和提高現代戰爭技術，而不是導致新型武器。

以下文字描繪了現代戰爭不同方面的軍事、安全、太空和情報方面的可想象量子技術應用，如圖1所示。它還提到了可能暗示量子技術能力和性能的工業應用，尤其是在沒有關于軍事應用的公開信息可用的情況下。

圖1 利用各種量子技術系統的量子戰示意圖

重要的是要注意，許多應用仍然是理論多于現實。在實驗室中取得的顯著量子進步并不總是在實驗室外產生類似的進步。除了工作實驗室原型之外，從實驗室到實際部署的轉移還涉及其他方面，例如便攜性、靈敏度、分辨率、速度、穩健性、低SWaP（尺寸、重量和功率）和成本。量子技術的實用性和成本效益將決定是否制造和部署特定的量子技術。

將量子技術集成到軍事平臺中更具挑戰性。除了與民用類似的主要位于數據中心的量子計算機外，量子傳感、成像和網絡的集成和部署還面臨著軍事用途需求增加帶來的若干挑戰（與民用/工業或科學需求相比））。例如，精確導航的軍用級要求需要快速的測量速率，這對于當前的量子慣性傳感器來說可能是相當有限的。還有更多的例子，而且可能還會有更多的例子。

此外，這個領域還很年輕，新技術的驚喜，無論是好的還是壞的，都可能帶來其他量子優勢或劣勢。

5.1 量子網絡安全

關鍵點：

• 量子加密敏捷實施的必要性。

• 想要利用Shor算法的操作應該在部署量子安全加密之前開始收集感興趣的數據。

• QKD的實施需要仔細考慮。

• 在QKD中，端點將是系統中最薄弱的部分。

網絡戰中的量子優勢可以提供新的，但一方面非常有效（具有指數加速），對當前非對稱加密的攻擊向量（基于整數分解、離散對數或橢圓曲線離散對數問題），并且，理論上，關于對稱加密[90,156]。另一方面是新的量子彈性加密算法和方法，以及量子密鑰分發。有關概述，請參見例如[157 –160]。 當前的趨勢也是機器學習或人工智能在網絡戰中的發展和應用[161]。有關量子機會的更多詳細信息，請參閱3.5.2 .

5.1.1 量子防御能力

后量子密碼學實現是應該盡快實施的“必備”技術。敵對情報正在收集加密數據并期望未來使用量子計算機的力量進行解密的風險是真實的、高的并且存在的[162]。這適用于交換或存儲秘密和機密數據的軍事、情報和政府部門以及工業或學術界。當前的趨勢是，當經過認證（標準化）的后量子密碼學準備好部署時，開始準備實施量子密碼敏捷性的基礎設施 [90,156]。

新的量子彈性算法不僅可以提供一種即使對于量子計算機來說也足夠困難的新數學方法，還可以提供一種處理加密數據的新范式。例如，完全同態加密 (FHE) 允許數據永遠不會被解密——即使它們正在被處理[163]。盡管安全應用程序（例如基因組數據、醫療記錄或財務信息）被提及最多，但情報、軍事或政府應用程序也很明顯。因此，FHE 是基于云的量子計算的良好候選者，以確保安全的云量子計算[164]。

請注意，后量子密碼學應在物聯網(IoT)或軍事物聯網(IoMT)[165]中實施，因為這是一個快速發展的領域，存在許多潛在的安全漏洞。有關物聯網后量子密碼學的概述，請參閱 [166]。

量子密鑰分發(QKD)[160,167,168] 是另一個允許安全加密密鑰交換的新功能，其中安全性得到了數學證明。雖然不可能竊聽量子數據（密鑰）的量子載體，但由于硬件或軟件實現不完善，弱點可以在端節點和可信中繼器上找到。另一個問題是成本，如果解決方案是基于光纖或利用量子衛星，則獨立考慮量子數據吞吐量、安全性和非量子替代方案。QKD 解決方案似乎在歐盟[169]中受到青睞，而后量子加密解決方案在美國[170]中受到青睞。

最后一點是指量子隨機數生成器。QRNG提高了安全性[171]并拒絕了對偽隨機數生成器的攻擊[172]。

5.1.2 量子攻擊能力

借助Shor基于算法的公鑰加密(PKE)量子密碼分析（例如RSA、DH、ECC），攻擊者可以解密之前收集的加密數據。所謂的“Q-Day”（量子計算機破解2048位RSA加密的那一天）何時會發生，并沒有準確的預測。然而，普遍的看法是大約需要10-15年（基于2017年的一項調查）[173]。由于Simon的算法和疊加查詢，類似的威脅適用于大多數消息身份驗證代碼(MAC)和關聯數據的身份驗證加密(AEAD)，例如HMAC-CBC和AES-GCM。

人們必須假設這種進攻性行動已經存在，或者正在進行深入的研究。在10年內，最敏感的通信或感興趣的主題將使用在未來六年內實施的后量子密碼學或QKD。這意味著當能夠破解PKE的量子計算機可用時，大多數安全敏感數據將使用量子安全解決方案。

理論上，Grover算法弱化了對稱密鑰加密算法；例如，DES和AES。然而，量子計算，特別是量子存儲器的需求如此巨大，以至于在未來幾十年內似乎是不可行的[174]。

另一個攻擊向量使用經典計算機的經典黑客方法，這些方法將落后于量子技術。總的來說，量子技術是一個技術年輕的領域，正在開發大量新的量子系統控制軟件。新的軟件和硬件往往有更多的錯誤和安全漏洞。例如，當前的QKD量子衛星作為受信任的中繼器工作，由經典計算機控制，可能成為網絡攻擊的理想目標。此外，針對量子網絡的特定基于物理的攻擊向量（例如QKD）是積極研究的主題[175]，例如光子數分裂[81]或特洛伊木馬攻擊[82]，不能排除未來的驚喜。有關量子黑客的概述，請參見例如[157]。

5.2 量子計算能力

關鍵點：

• 量子計算能力將隨著邏輯量子比特的數量而增加。

• 最有可能的是，量子計算將被用作混合云的一部分。

• 小型嵌入式量子計算系統是直接量子數據處理的理想選擇。

• 一般用于量子優化、ML/AI 增強和更快的數值模擬。

量子計算將為當前的經典計算服務引入新的能力，幫助解決高復雜度的計算問題。此外，除了上述量子模擬之外，量子計算還包括量子優化、機器學習和人工智能 (ML/AI) 改進、量子數據分析以及更快的數值建模[11,24]。在[10]中提出了可以用近期量子計算機解決的軍事問題。它們是：戰場或戰爭模擬；無線電頻譜分析；物流管理；供應鏈優化；能源管理; 和預測性維護。

為了獲得最有效的結果，未來的量子計算實施將與經典計算機一起在計算農場中實現，這將創建一個混合系統。混合量子經典操作系統將使用ML/AI分析要計算的任務，并將單個計算拆分為CPU、GPU、FPGA或量子處理器(QPU)，可以獲得最佳和最快的結果。

例如，可以放置在自動駕駛汽車或移動指揮中心中的小型嵌入式量子計算機是值得懷疑的。當前最先進的量子比特設計需要低溫冷卻。因此，更多的努力應該集中在其他量子比特設計上，例如可以在室溫下工作的光子、自旋或NV中心。嵌入式量子芯片可以執行簡單的分析任務或用于與需要直接量子數據處理的量子網絡應用相關的簡單操作。盡管如此，自主系統和機器人技術的機器學習和模型優化也可以從“大型”量子計算機中受益。

量子計算在優化問題中可能是有效的[10,176,177]。在軍事領域，量子優化的例子可以是海外行動和部署的物流、任務規劃、兵棋推演、系統驗證和驗證、新車的設計及其屬性，如隱身或敏捷性。頂部將是一個增強決策的應用程序，通過量子信息科學支持軍事行動和功能，包括預測分析和ML/AI[178]。具體來說，量子退火器已經證明了自己在驗證和驗證復雜系統的軟件代碼方面的能力[179,180]。

量子計算機有望在指揮和控制 (C2) 系統中發揮重要作用。C2系統的作用是分析和呈現態勢感知或協助規劃和監控，包括模擬各種可能的場景，為最佳決策提供最佳條件。量子計算機可以改進和加速場景模擬或處理和分析來自 ISR（情報、監視和偵察）的大數據，以增強態勢感知。這還包括量子增強機器學習和量子傳感器和成像的參與。

量子信息處理可能對于情報、監視和偵察(ISR)或態勢感知至關重要。ISR將受益于量子計算，它極大地提高了ISR捕獲的信號和圖像中過濾、解碼、關聯和識別特征的能力。尤其是量子圖像處理是一個引起廣泛關注和發展的領域。預計在短期內，態勢感知和理解可以受益于利用神經網絡的量子圖像分析和模式檢測[13]。

量子計算將增強經典機器學習和人工智能[54]，包括國防應用[178]。在這里，量子計算肯定無法進行完整的機器學習過程。然而，量子計算可以改進ML/AI機器（例如量子采樣、線性代數、量子神經網絡）。最近的一項研究[181]表明，量子ML僅對一些適合特定問題的內核提供了優勢。原則上，量子計算可能會增強大多數經典的ML/AI國防應用；例如，自動化網絡操作、算法目標、態勢感知和理解以及自動化任務規劃[182,183]。量子 ML/AI 最直接的應用可能是量子數據；例如，由量子傳感或測量設備產生的數據[55]。實際適用性將隨著量子計算機資源的增長而增長，八年后，量子機器學習/人工智能可以成為重要的量子計算應用之一[184]。這種適用性可以通過混合經典量子機器學習來加速，其中張量網絡模型可以在小型近期量子設備上實現[185]。

通過量子神經網絡，量子計算機有望提供卓越的模式識別和更高的速度。這可能是必不可少的，例如，在保護網絡的仿生網絡防御系統中，類似于生物有機體的免疫系統[13]。

此外，通過更快的線性代數（見3.2.5），量子計算有可能改進國防領域當前基于數值線性方程的數值建模，如兵棋推演模擬、雷達截面計算、隱身設計建模等。

從長遠來看，量子系統可以啟用網絡量子啟用能力（NQEC）[13]。NQEC是一個未來系統，允許各個單位和指揮官之間通過網絡進行通信和共享信息，以快速響應戰場發展和協調。量子增強可以帶來安全通信、增強的態勢感知和理解、遠程量子傳感器輸出融合和處理以及改進的 C2。

5.3 量子通信網絡

關鍵點：

• 各種安全應用（例如 QKD、識別和認證、數字簽名）。

• 隨著對所有新技術安全方面的仔細探索，安全應用程序的采用將很快發生。

• 量子時鐘同步允許使用更高精度的量子時鐘。

• 量子互聯網是量子計算機和/或量子云之間最有效的通信方式。

量子互聯網代表具有各種服務的量子網絡[186]，這些服務不僅具有重要的安全性，而且具有重要意義。然而，許多進步的量子通信網絡應用需要量子糾纏；也就是說，它們需要量子中繼器和量子開關。回想一下，可信中繼器只能用于QKD（參見第3.3.1節）。未來光纖和自由空間通道的組合將互連各種終端節點，如無人機、飛機、船舶、車輛、士兵、指揮中心等。

5.3.1 安全應用

量子密鑰分發是最成熟的量子網絡應用之一。以后，當使用MDI-QKD或量子中繼器的長距離通信成為可能時，這項技術將對國防部門產生興趣。目前，可以使用使用可信中繼器的基本商業技術。這些先驅可以作為如何使用量子技術的典范。在這里，QKD公司將這項技術推廣為最安全的技術，并且出現了越來越多的用例，尤其是在金融和醫療保健領域。另一方面，眾多的推薦報告和權威機構更加謹慎；例如，英國國家網絡安全中心[187]不認可 QKD 在其當前狀態下用于任何政府或軍事應用。

除了僅分發密鑰的QKD之外，量子網絡還可用于太空、特種部隊、空軍、海軍和陸地資產之間的量子安全直接通信(QSDC)[188–191]。在這里，在量子數據中加密的直接消息利用了類似于QKD的安全性。一個障礙可能是低量子比特率，它只允許發送簡單的消息，而不是視聽和復雜的遙測數據。在這種情況下，網絡切換到QKD協議來分發密鑰，加密數據將通過經典通道分發。其他協議，例如量子對話[192]和量子直接秘密共享[193]旨在使用量子網絡作為QSDC進行可證明的安全通信。請注意，QKD和QSDC被認為是6G無線通信網絡的原生部分，并在[194]中進行了相應討論。

量子方法對安全性的另一個重要貢獻是量子數字簽名(QDS)[195]。它是經典數字簽名的量子力學等價物。QDS 提供安全性，防止在發送者簽署消息后篡改消息。

接下來，量子安全識別利用了量子特征，允許在不泄露身份驗證憑證的情況下進行識別 [72]。非量子身份識別基于登錄名和密碼或加密密鑰的交換，允許入侵者至少猜測誰嘗試了身份驗證。

另一個應用是基于位置的量子密碼學[196,197]。基于位置的量子密碼學可以提供更安全的通信，其中訪問的信息只能從特定的地理位置獲得，例如只能從特定的軍事基地與軍用衛星進行通信。當一方的地理位置是其唯一憑證時，基于位置的量子密碼學還可以提供安全通信。

5.3.2 技術應用

量子網絡將執行網絡時鐘同步[71,198]，這已經是經典數字網絡中的一個主要話題。時鐘同步旨在協調其他獨立的時鐘，尤其是原子鐘（例如在 GPS 中）和本地數字時鐘（例如在數字計算機中）。使用量子糾纏的量子網絡將實現更準確的同步，尤其是在部署量子時鐘時（時間標準和頻率傳輸見第 5.4節）。否則，量子時鐘的高精度只能在本地使用。精確的時鐘同步對于C4ISR（指揮、控制、通信、計算機、情報、監視和偵察）系統的合作至關重要，以準確同步雷達、電子戰、指揮中心、武器系統等的各種數據和行動。

一個簡短的說明專門用于盲量子計算[69,70]。這類量子協議允許量子程序在遠程量子計算機或量子計算云上運行并檢索結果，而無需所有者知道算法或結果是什么。當需要秘密計算（例如軍事行動計劃或新武器技術設計）并且沒有自己的量子計算機能力可用時，這是很有價值的。

通過量子網絡進行的分布式量子計算——參見第3節。 3.3.1——對于擁有量子計算機的軍事和政府行為者來說，構建高性能量子計算服務或量子云非常重要。

能夠分布糾纏的量子網絡可以集成和糾纏量子傳感器[77]，以提高傳感器的靈敏度，減少誤差，最重要的是執行全局測量。這在感興趣的參數是整個網絡的全局屬性的情況下提供了優勢；例如，當信號的到達角需要從三個傳感器測量時，每個傳感器測量具有一定幅度和相位的信號。之后，每個傳感器的輸出可用于估計信號的到達角。量子糾纏傳感器可以在全球范圍內對此進行評估。然后可以通過機器學習來改進這個過程[78]。

用于分布式計算協議的量子協議[76]可以對一群無人機或一般來說對一群自動駕駛汽車 (AV) 具有有利的軍事應用。在這里，量子協議可以幫助在同一時間尺度上實現所有AV之間的協議，而與它們的數量無關。然而，所有快速移動的AV之間的開放空間量子通信將是一個必須首先解決的挑戰。請注意，最近成功進行了無人機量子糾纏分布的第一個實驗[64]。

5.4 量子PNT

關鍵點：

• 所有量子 PNT 技術都有一個共同點，即對高精度量子時鐘的需求。

• 量子慣性導航可以帶來比其經典對應物高幾個數量級的精度。

• 量子慣性導航可以通過使用量子磁或重力映射的量子增強導航進行擴展。

• 基于地球磁異常的有前途的量子導航。

量子技術有望顯著改善定位、導航和授時(PNT)系統，尤其是慣性導航。時間標準和頻率傳輸(TFT)是一項基本服務，可為通信、計量以及全球導航衛星系統(GNSS)提供精確計時。盡管目前的TFT系統已經很成熟，但光學原子鐘或量子鐘與利用量子網絡的TFT相結合的性能[199,200]將跟上當前應用（通信、GNSS、金融部門、雷達、電子戰爭系統）并支持新的應用（量子傳感和成像）。

新的基于量子的技術和方法支持開發用于PNT的靈敏精密儀器。量子優勢將在GPS被拒絕或具有挑戰性的操作環境中體現出來，從而實現精確操作。這種環境的示例是水下和地下，或GPS干擾下的環境。

當前的GNSS（GPS、GLONASS、伽利略、北斗……）依賴于通過單個衛星中的多個原子鐘提供的精確計時，這些原子鐘由地面上更穩定的原子鐘進行校正。量子時鐘的更高精度也將提高定位和導航的準確性。從長遠來看，GNSS衛星應連接到量子互聯網以進行時間分配和時鐘同步。芯片大小的精確移動時鐘可以幫助發現GNSS欺騙和欺騙[201]。

已經考慮和研究了一些量子GNSS（不僅僅是量子時鐘）；例如，干涉式量子定位系統 (QPS)[199,202,203]。QPS[202,203]的方案之一具有類似于傳統GNSS的結構，其中有三個基線，每個基線由兩個低軌道衛星組成，基線相互垂直。然而，盡管理論上定位的準確性令人驚訝，但必須進行大量工程才能設計出逼真的QPS。

當前的大多數導航依賴于GPS，或者一般來說是GNSS，這是最精確的可用導航技術。GNSS技術容易受到干擾、欺騙、欺騙或缺乏GPS的環境，例如使用高電磁頻譜的人口稠密地區。此外，對于地下或水下環境，GNSS技術根本不可用。解決方案是慣性導航。經典慣性導航的問題是它的漂移，隨著時間的推移精度的損失。例如，航海級慣性導航（用于船舶、潛艇和航天器）的漂移為1.8公里/天，導航級（用于軍用飛機）的漂移為1.5公里/小時[204]。2014年，DARPA啟動了MTO-PTN項目，目標是達到20 m和1 ms/小時的漂移[205]。即便如此，一些期望值非常高，即量子慣性導航將提供每月僅約數百米的誤差[5,206]。

全量子慣性導航系統由量子陀螺儀、加速度計和原子/量子鐘組成。盡管量子慣性導航所需的單個傳感器在實驗室外進行了測試，但創建完整的量子慣性測量單元仍然具有挑戰性。對于高度移動平臺的導航，傳感器需要幾個100 Hz的快速測量速率，或者提高量子傳感器的測量帶寬[204,207]。最需要改進的關鍵部件是低漂移旋轉傳感器。經典的慣性傳感器基于各種原理[208]。一種常見的芯片尺寸技術是MEMS (Micro Electro - Mechanical Systems)技術，其中MEMS陀螺儀的不穩定性達到約，適用于軍事應用[99]。目前最好的冷原子陀螺儀的不穩定性極限約為(積分時間為1000 s)[209]。與現有實驗室實驗的精度相比，不確定性在于可現場部署的量子傳感器的精度。經典和量子慣性導航之間的中間步驟可以是融合經典和量子加速度計輸出的混合系統[210]。隨著量子慣性導航設備的尺寸減小到芯片尺寸，可以預期其部署在較小的車輛上，尤其是無人駕駛的自動駕駛汽車或導彈上。但是，我們可以達到的小型化是未知的。對于芯片大小的量子慣性導航存在諸多疑慮。盡管挑戰很大，但它無疑是下一代技術。

目前，陀螺儀或加速度計等單個元件也在各種平臺上進行測試；例如，在飛機[211]或最近的[212]上。 多年來，美國國家海洋和大氣管理局(NOAA)一直在繪制地球磁異常圖并創建磁異常圖。將靈敏的量子磁力計與地球的磁異常圖結合使用是另一種實現量子非GNSS導航的方法 [213,214]。

引力圖匹配[215]的工作原理類似，人們可以期待使用量子引力計提高性能。量子重力儀和磁力儀一起可以成為潛艇量子增強導航的基礎，尤其是在海底峽谷、褶皺海床或沿海環境中。

一般來說，量子慣性導航或增強導航具有巨大的潛力，因為不需要GPS、紅外或雷達導航，而且它不易受到干擾或一般電子戰攻擊。然而，“不需要 GPS”的說法并不十分準確。這些系統的初始位置總是需要一些外部輸入，很可能來自GNSS。

5.5 量子ISTAR

關鍵點：

• 量子計算的密集參與以收集和處理信息。

• 期望在低軌道衛星上部署，但分辨率值得懷疑。

• 海底作業的廣泛應用。

• 預期具有不確定分辨率的先進地下監視。

• 新型 3D、微光或低信噪比的量子視覺設備。

ISTAR（情報、監視、目標獲取和偵察）是現代軍隊進行精確作戰的關鍵能力。量子技術有可能顯著提高多域戰場的態勢感知能力。

一般來說，預計量子計算會產生巨大影響，這將有助于獲取新的情報數據、處理來自監視和偵察的大數據以及使用量子 ML/AI 識別目標[178,183]。

除了ISTAR的處理部分之外，可以預期放置在單個陸地/海洋/飛行器和低軌道衛星上的量子傳感會取得巨大進步。

量子重力儀和重力梯度儀保證了高精度，可以改進或引入新的應用：地球物理學研究、地震學、考古學、礦物（裂變材料或貴金屬）和石油探測、地下掃描和精確的地理參考和地形測繪（例如，用于水下的海床導航）[7]。

另一種重要的傳感類型是量子磁力計。量子磁力測量的應用與量子重力測量的應用部分重疊，因此引入了新的應用：地球磁場包括磁異常、由于存在的局部磁異常，例如金屬物體（潛艇、礦井等），或弱生物磁信號（主要用于醫療目的的應用）[7]。

ISTAR 感興趣的第三個領域是量子成像。量子成像提供了許多不同的應用；例如，量子雷達（見第 5.7節）、醫學成像設備、3D相機、隱形測距儀等。

量子計算在 ISR 和態勢感知中的潛在應用在第3節中進行了描述。

5.5.1 量子地球的地表和地下監視

基于磁力測量、重力測量和重力梯度測量的第一級量子傳感有助于研究大陸和海面，包括自然起源的地下變化。磁異常和基于重力的傳感都提供了地球表面的不同圖像。地球是非常不均勻的（海洋、巖石、洞穴、金屬礦物……），包括由人類制造的巨大建筑或車輛，它們會產生獨特的引力（取決于質量）和磁（取決于金屬成分）足跡。

所討論的量子傳感技術——磁力測量、重力測量和重力梯度測量——可以達到非常高的精度，至少在實驗室中是這樣。例如，實驗室外絕對重量法的精度約為[216]。請注意，靈敏度3.1 μGal對應于地球表面上方每厘米高度的靈敏度。然而，問題在于通常與靈敏度反相關的空間分辨率（較高的靈敏度是以較低的空間分辨率為代價的，反之亦然）。空間分辨率和靈敏度是定義您將識別什么（大規模自然變化或小型地下結構）以及距離多遠（距地面、無人機或基于衛星的測量）的關鍵屬性。當前空間分辨率的例子是，星載重力梯度儀大約為100公里[217]，或者使用雷達衛星測高儀（海域）增加了16公里[218]寬度，或者機載重力儀為5公里[219]。有關更多信息，請參閱例如[5]。

對于許多量子傳感應用，必須將傳感器放置在低地球軌道(LEO)衛星上[220]。然而，目前的靈敏度和空間分辨率只允許應用于地球監測（測繪資源，如水或石油、地震或海嘯探測）。

除了低軌道衛星外，上述量子傳感器還被考慮部署在機載、海上或地面車輛平臺上。如今，量子傳感實驗是在實驗室環境之外進行的，例如在卡車[221]、無人機和飛機[222,223] 或船上[217]上。例如，可以將量子重力儀安裝在無人機上，以搜索人造結構，例如用于走私毒品的隧道[223]。將量子傳感設備放置在無人機上（這可能是無人駕駛飛行器(UAV)、無人水面艦艇(USV)、遙控潛水器 (ROV) 或無人水下航行器(UUV)）需要更多工程才能達到最佳靈敏度、分辨率和可操作性同時進行。

低分辨率量子傳感可用于精確的地理參考和地形映射，以幫助在崎嶇地形中進行水下導航或任務規劃。此外，新礦物和油田的探測可能成為新的關注點，尤其是在海床下[224]。盡管在大多數情況下邊界是明確的，但這可能是國際摩擦的根源。

高分辨率量子磁力和重力感應[217,225–227]在許多報告和文章[7,225,228–231]中被認為能夠：檢測偽裝的車輛或飛機；有效地從LEO搜索船隊或單艘船；探測洞穴、隧道、地下掩體、研究設施和導彈發射井等地下結構；定位埋藏的未爆炸物體（地雷、水下地雷和簡易爆炸裝置）；實現旋轉機械的穿墻檢測。 然而，再次注意，技術限制在哪里以及所提到的量子重力測量和磁力測量應用是否會達到實現上述所有想法的靈敏度和分辨率（尤其是從LEO使用）是高度不確定的。量子傳感器將分多代投放市場，每代都具有更好的靈敏度和分辨率以及更低的SWaP，從而允許更廣泛的部署和應用。

5.5.2 量子成像系統

除了量子雷達和激光雷達（參見 第5.7節），還有其他與軍事相關的量子成像應用。一般來說，ISTAR 的全天候、晝夜戰術傳感用于長/短程、主動/被動狀態、不可見/隱形使用 EO/IR/THz/RF 頻率特征和優勢。量子成像系統可以使用各種技術和量子協議；例如，SPAD、量子鬼影成像、亞散粒噪聲成像或量子照明，如第3節所述。 3.4.4 一般來說，構建小尺寸的量子成像系統是沒有問題的。關鍵參數是單光子/糾纏光子發射器的通量或單光子檢測分辨率和靈敏度。此外，大規模部署具有高光子通量的量子成像系統將需要強大的處理能力，這可能會限制系統的可部署性和性能。

利用量子糾纏和光子數相關性的量子3D相機將引入具有前所未有的焦深和低噪聲的快速3D成像，旨在實現亞散粒噪聲或遠程性能。這種能力可用于檢查和檢測噴氣式飛機、衛星和其他敏感軍事技術上的偏差或結構裂縫。無人機的遠程3D成像可用于偵察和探索任務目的地或敵對設施和設備。

另一種商用技術是量子氣體傳感器[232]。從技術上講，它是一種經過校準以檢測甲烷泄漏的單光子量子激光雷達。下一個準備好的產品是能夠檢測二氧化碳(CO 2)的多氣體檢測器。通過適當的改進和校準，它也可以用于人體存在檢測。

短距離的一個特定特征是在角落后面或視線之外的可見性的可能性，[126]。這些方法可以幫助定位和恢復被困人員、人質情況下的人，或者通過檢測拐角處的車輛來改進自動駕駛。

量子成像可以用作微光或低信噪比的視覺設備；例如，在多云的水、霧、灰塵、煙霧、叢林樹葉或夜間等環境中，導致優勢。低信噪比量子成像有助于目標檢測、分類和識別，具有低信噪比或隱藏的可見特征，并可能對抗對手的偽裝或其他目標欺騙技術。當直升機飛行員降落在多塵、有霧或煙霧的環境中時，量子成像將非常有用[9]。

一個重要的產品將是量子測距儀[233,234]。傳統的測距儀使用明亮的激光，可以很容易地被目標檢測到。從目標觀察時，量子測距儀在時間和光譜上都無法與背景區分開來。換句話說，量子測距儀將是不可見和隱身的，包括在夜間，而經典測距儀可以對目標或其他人可見。

在某些情況下，量子鬼成像可以起到量子激光雷達的作用[235]，尤其是當目標不移動或移動非常緩慢且需要無限景深進行3D成像時。

5.6 量子電子戰

關鍵點：

• 通過更小的通用量子天線、精確的定時和先進的射頻頻譜分析儀來增強當前的電子戰。

• 量子通道檢測的問題。

• 當量子通道被定位時，會考慮和開發幾種類型的攻擊。

• 量子電子戰（EW）可分為量子增強經典電子戰和專注于對抗、反對抗和支持量子通道的量子電子戰。量子通道是指攜帶用于量子互聯網、量子雷達或使用自由空間或光纖通道的其他量子系統的量子信息的任何光子傳輸。

用于電子支持措施的經典電子戰系統可以從量子天線中受益。基于里德堡原子的量子天線可以提供與測量信號波長（頻率）無關的小尺寸[122,123]。這意味著即使對于低頻（MHz 到 kHz [124,236]）信號攔截，幾微米的量子天線就足夠了。可以有一組量子天線，用于不同帶寬的多頻測量，也可以有一個天線根據興趣動態改變帶寬。此外，基于里德堡原子的天線可以測量AM和FM信號，提供自校準，測量弱場和強場并檢測到達角[125]。未來，量子天線可能看起來像里德堡原子細胞的陣列（矩陣）。不同的小區可以測量不同的信號，在兩個或多個小區的聯合測量中，可以確定信號的到達角。這種天線最薄弱的方面是冷卻里德堡原子所需的低溫技術，需要按比例縮小到可接受的尺寸。一般來說，量子射頻傳感器是先進（LPD/LPI) 通信、超視距定向射頻、抗射頻干擾和干擾、射頻測向或射頻-太赫茲成像。例如，陣列式量子射頻傳感器被開發為戰斗機F-35[237]的潛在升級。

經典電子戰也可以從量子計算中受益，為電子戰提供改進的射頻頻譜分析儀，可以應用量子優化和量子ML/AI技術。通過直接處理和分析來自RF量子傳感器（里德堡原子，NV 中心）的量子數據[55]可以獲得更高的效率，其中量子計算機的影響可能更為顯著。此外，其他基于量子的解決方案和方法正在開發中，例如基于NV中心的射頻頻譜分析或基于SHB的彩虹分析儀[238]。

當前的電子戰系統也將受益于量子計時。量子計時可以增強信號情報、反DRFM（數字射頻存儲器）和其他需要精確計時的電子戰系統等能力；例如，反雷達干擾能力。

量子電子戰的另一個領域將是信號情報（SIGINT）和通信情報（COMINT）（檢測、攔截、識別、定位）和量子電子攻擊（干擾、欺騙、使用直接能量武器）。量子通道（用于量子通信或量子成像）具有特定的特性。首先，簡單的信號攔截是有問題的，因為量子數據是由單個量子承載的，它們的攔截很容易被檢測到。其次，典型的量子成像技術使用低信噪比，這意味著在沒有額外知識的情況下識別信號和噪聲具有挑戰性。第三，通常用作信號的相干光子表現得像非常聚焦的激光。在不知道至少一方位置的情況下找到這樣的量子信號非常具有挑戰性。

即使對于潛在的量子電子戰系統來說，這種情況也很困難，因為是否有可能檢測到量子（自由空間）通道的存在存在疑問。這將需要開發激光警告接收器的量子類比[239]。對于量子電子戰，使用量子通道獲取有關一方或雙方位置的情報至關重要。

經典電子戰會攔截和竊聽自由空間經典信道。然而，這對于將被迅速檢測到的量子通道來說是不可能的。一種可能的攻擊是中間人類型的攻擊[240,241]，因為早期的量子網絡各方可能在身份驗證或受信任的中繼器方面存在問題。在量子物理層面考慮其他類型的攻擊；例如，光子數分裂攻擊依賴于將相干激光脈沖用于量子通道[81]或特洛伊木馬攻擊[82]，或散射光的收集和檢測[242]。然而，這些類型的攻擊非常復雜，它們的實用性，例如在太空中，是不確定的。

量子電子戰攻擊更有可能只是一種拒絕服務，其中量子信道被攔截，導致信道停止使用。另一種可能性是一側或兩側接收器的復雜干擾，導致巨大的噪聲。當接收器或發射器的位置已知時，經典電子戰的另一個對策是使用激光等定向能武器，導致傳感器損壞或破壞。這種攻擊也可以幫助竊聽者[155]。 總的來說，需要開發新的方法和方法來實現量子電子戰的能力并滿足相應的要求。

5.7 量子雷達和激光雷達

關鍵點：

• 現有的量子微波技術不太可能實現遠程監視量子雷達。

• 光學領域的可能應用——量子激光雷達。

• 量子雷達可用于太空戰。

對量子雷達話題的認知[141,243,244] 受到媒體對中國量子雷達發展的炒作[245,246] 或樂觀的實驗室實驗的影響。確實，量子雷達的理論優勢和特點是顯著的（其中一些取決于單獨的量子協議）：

• 更高的抗噪聲能力——即更好的SNR（信噪比）——更高的抗干擾能力和其他電子戰對抗能力；

• 基于單個光子；即輸出信號功率太低，電子戰措施看不到；

• 目標照明；也就是說，可以識別目標的雷達。

根據獨特的量子雷達功能列表，它可能是一種強大的顛覆性技術，可以改變現代戰爭的規則。因此，盡管技術不成熟，量子雷達能否作為標準的初級監視雷達存在諸多疑慮，但國際上仍對這一話題給予關注。 此外，許多人立即將量子雷達想象為具有數百公里范圍的遠程監視雷達，而量子雷達的這種應用似乎不太可能[247,248]。這種最佳的長期監視量子雷達將非常昂貴（比任何范圍的經典雷達成本高出許多數量級）[247]，并且它仍然無法滿足上面列出的所有優勢和特性。

簡而言之，實際問題如下[247]。量子雷達也受制于雷達方程，其中接收功率隨距離的四次方而損失。同時，為了保持量子優勢，每個模式最好有一個或更少的光子。總之，需要在微波范圍內產生由低光子模式構成的相對較高的功率。這需要大量的量子信號發生器、低溫裝置、大天線尺寸等。所有這些都導致極高的成本和不切實際的設計[137,247]。科學家們需要想出更實用的量子微波技術來克服這些困難。

除了高昂的價格外，人們還對探測隱身目標或抗干擾能力持懷疑態度。量子雷達對抗彈幕干擾器可能有優勢，但不一定對抗 DRFM 或其他智能干擾器[247]。綜上所述，遠程監視量子雷達即使作為一個長期前景也不太可能實現。為了實現這一目標，人們需要發展新技術，允許更小的低溫裝置、在更高溫度下工作的射頻量子發射器或更有效的低溫裝置冷卻，以及更強大的發射器（低光子脈沖的高速率）。請注意，即使開發了室溫超導材料，它也無助于產生糾纏微波光子的約瑟夫森參量放大器 (JPA) 方法[249]。然而，JPA 并不是獲得糾纏微波光子的唯一方法[137]。未來發現新的量子雷達理論和設計并非完全不可能。上述遠程監視量子雷達尺寸大、重量大、功耗大，這種雷達是否具有隱身性值得懷疑[247]。

另一個問題是量子照明（QI）協議情況下的測距。QI 協議需要事先了解目標，因此它需要對測距進行一些擴展，無論是經典的還是量子的[6]。

幾年來，人們認為量子雷達截面 (RCS) 高于經典雷達的RCS[250,251]。對量子RCS[252]進行的一項新的精確研究表明，先前聲稱的量子RCS優于經典RCS的優勢是錯誤近似的結果。目前，量子和經典RCS似乎是平等的。

另一種方法可以是量子增強噪聲雷達[137、253、254]。噪聲雷達使用噪聲波形作為發射信號，根據發射信號與接收到的噪聲波形雷達回波之間的相關性進行檢測。優點是截獲概率(LPI)低，現在的截獲接收器幾乎無法檢測到。量子噪聲雷達設計需要更多研究才能看到實際適用性。然而，這里的潛在用途尤其適用于微波方案。

盡管如此，目前的理論和研究在雷達領域仍有應用，尤其是使用光學或近光學光子的領域；也就是量子激光雷達。在這里，短程量子激光雷達可用于短距離目標照明。從10[255]到45公里[256]演示了單光子成像實驗。在這個范圍內，量子激光雷達可以作為反無人機監視雷達或作為SHORAD（短程防空）綜合體的一部分運行。

空間可以是量子雷達/激光雷達[257]有利環境的另一個例子，它對光學系統來說是低噪聲的，它甚至幾乎消除了糾纏光子情況下的退相干問題。例如，雷神公司在空間域[258,259] 的光學狀態下對量子雷達進行了模擬。這個想法是在衛星上放置一個量子雷達，并探測由于截面積小、反射率和環境照明條件小而難以探測到的小型衛星。為空間環境部署量子雷達/激光雷達幾乎可以提供上述所有優勢。

這里有一個小筆記專門介紹量子增強雷達。經典雷達可以配備原子鐘或量子鐘。這種量子增強雷達顯示出高精度和低噪聲，因此在檢測小型、緩慢移動的物體（如無人機）方面表現出優勢[260]。

5.8 量子水下戰

關鍵點：

• 潛艇可以成為量子慣性導航的首批采用者之一。

• 量子磁力計作為探測潛艇或水下水雷的主要工具。

量子技術可以顯著干擾水下戰爭，增強對潛艇或水下水雷的磁探測、新型慣性潛艇導航和量子增強精確聲納。一般來說，在海洋環境中，可以應用基于量子光電探測器、雷達、激光雷達、磁力計或重力儀的傳感[257]。有關量子技術對核武器潛艇近乎無懈可擊的影響的一般概述，請參閱[261]。

潛艇和其他水下航行器將受益于 Sect 中描述的量子慣性導航。 5.4關于PNT。大型潛艇可能是量子慣性導航的首批采用者之一，因為它們有能力安裝更大的量子設備，包括低溫冷卻。此外，靈敏的量子磁力計和重力儀可以幫助繪制海底峽谷、冰山和起皺的海底等環境，而無需使用易于檢測的聲納。另一種特別適用于水下北極導航的慣性導航的例子是基于量子成像[262]。

反潛戰的基本工具可能是量子磁力計。研究人員預計，尤其是SQUID磁力計可以檢測 6 公里外的潛艇，同時仍能改善噪聲抑制[263,264]。請注意，目前通常安裝在直升機或飛機上的經典磁異常探測器的探測范圍只有數百米。一系列量子磁力計，例如沿海岸，可以覆蓋重要區域，從而導致潛艇無法進入區域。此外，一組量子磁力計似乎在抑制噪聲的情況下工作得更好。

量子磁力計也可用于探測水下水雷，例如，使用無人水下船只[230]。

但是，主要討論的是檢測范圍、靈敏度等，如Sect. 5.5.1 甚至聲納等其他水下領域技術也提供了更長的探測范圍[229]。[261]中還指出，量子技術對SSBN（彈道導彈潛艇）影響不大。量子磁力計有可能與其他傳感器一起工作，以幫助檢測、識別和分類目標[229]。

5.9 量子空間戰

關鍵點：

• 對長距離量子通信很重要。

• 近地軌道對于未來量子傳感和成像技術的部署將很重要。

• 太空戰將導致新的量子雷達/激光雷達和量子電子戰技術部署在太空中。

太空領域的重要性日益凸顯，將成為先進國家的重要戰場。太空過去主要用于衛星導航、測繪、通信和監視，通常用于軍事目的。如今，太空正變得越來越武器化[265]；例如，帶有激光武器的衛星或“神風敢死隊”衛星被放置在地球軌道上，反衛星戰也在同步發展。另一個激增的問題是太空垃圾的數量，估計有 2,200 顆衛星，還有幾顆計劃被釋放[266]。

空間也將是在衛星中部署量子傳感和通信技術的關鍵[267–271]，以及空間對策。

對于前幾節中描述的許多量子技術應用，最好將量子傳感技術（例如量子重力儀、重力梯度儀或磁力儀）放置在地球軌道上的衛星上，尤其是低軌道（LEO）衛星上。此類應用程序正在開發中；例如，一種低功率量子重力感應設備，可以部署在小型衛星上的太空中，用于準確繪制資源圖或幫助評估自然災害的影響[272]。然而，這樣的應用不需要太高的空間分辨率。見節。5.5.1進行詳細討論。這同樣適用于基于衛星的量子成像。例如，中國聲稱開發了一顆使用幽靈成像技術的間諜衛星[273]。然而，它的空間分辨率是多少尚不確定。盡管如此，量子重影成像的優勢在于可以在多云、有霧的天氣或夜間使用。

另一方面，已經證明利用衛星進行量子通信[62,274]。基于衛星的量子通信對于近期的遠距離集成量子網絡至關重要[275]。目前的量子通信衛星存在與光纖通道可信中繼器相同的問題。事實上，目前的量子衛星是值得信賴的中繼器。受信任的中繼器的問題在于，它們為可能對衛星控制系統進行的網絡攻擊敞開大門。目前演示的MDI-QKD協議是一種更好的安全狀況[276]，其中中心點用作中繼器或開關，但處于安全狀態，后來使用量子中繼器。有關空間量子通信概述，請參見[270,271]。

一項新的所需軍事能力將是檢測其他衛星、太空物體、太空垃圾并對其進行跟蹤的技術。經典雷達用于此目的；例如，作為美國太空監視網絡一部分的太空圍欄項目[277]。然而，這些空間監視雷達中的大多數都存在尺寸約為 10 厘米或更小的物體的問題[266]（在太空圍欄的情況下，最小尺寸約為 5 厘米），另一個問題是容量，如他們可以跟蹤多少個對象。大多數只有幾厘米大小的太空垃圾就是這種情況。代替經典雷達，量子雷達或激光雷達被考慮[6,257,259]作為備選。特別是對于空間環境，考慮了光學狀態下的量子雷達[259]，因為光學光子不會遭受諸如在大氣中的損失。空間量子雷達可以提供量子雷達的大部分優點，如第 3 節所述。 5.7，包括隱身。根據模擬[259]，與GEODSS（陸基電光深空監視）相比，太空中的量子雷達可以提供至少一個數量級的太空探測靈敏度和目標跟蹤靈敏度。空間量子雷達對于跟蹤小型、黑暗和快速的物體非常有用，例如衛星、太空垃圾或流星體。

太空中越來越多的量子傳感和通信設備將導致人們對量子電子戰的興趣增加，如第5.6節所述。

5.10 化學和生物模擬與檢測

關鍵點：

• ～ 200 個量子位足以進行化學量子模擬研究。

• 實現更復雜模擬的能力隨著邏輯量子比特的數量而增加。

• 空氣或樣品中的化學物質檢測。

• 適用于探測爆炸物和化學戰劑。

與國防相關的化學和生物模擬主要對軍事和國家實驗室、化學國防工業或 CBRN（化學、生物、放射和核）國防力量感興趣。基于量子模擬的新藥和化學物質研究需要先進的量子計算機、經典計算設備和量子化學專家。化學和生物化學戰劑的量子模擬原則上與民用研究具有相同的要求，例如已經在進行的蛋白質折疊、固氮和多肽研究。

所需量子比特的數量取決于空間基函數的數量（存在各種基組，例如STO-3G、6-31G 或 cc-pVTZ）；例如，使用6-31G基礎，苯和咖啡因分子可以通過大約分別為140和340個量子位[278]。例如，沙林分子模擬需要大約250個量子比特。根據量子計算機路線圖[27,279] 和邏輯量子比特要求，一個人可以在10年內達到100個邏輯量子比特，但可能更早，更有效的糾錯和抗錯誤量子比特。這對于中型分子模擬來說已經足夠了。

威脅可能是新的中小型分子的結構和化學特性的設計和精確模擬，這些分子可以發揮化學戰劑的作用，例如氰、光氣、氯化氰、沙林或Yperit。另一方面，一般來說，相同的知識也可用于CBRN對策和新檢測技術的開發。

蛋白質折疊、DNA和RNA探索的研究，如基序識別、全基因組關聯研究和從頭結構預測[280]也可能影響對生物制劑的研究[281]。然而，需要更詳細的研究來評估量子模擬的真正威脅。

使用量子級聯激光器的光聲檢測作為化學檢測器將是有效的。例如，量子化學探測器可以檢測用于非對稱沖突中常用武器的簡易爆炸裝置(IED)中的TNT和三過氧化三丙酮元素。用于檢測丙酮的同一系統可用于發現行李和攜帶爆炸物登機的乘客。一般來說，量子化學檢測可用于對抗化學戰劑或有毒工業化學品[282,283]。

從中長期來看，此類探測器可以放置在正在檢查某個區域的自主無人機或地面車輛上 [284]。

5.11 新材料設計

關鍵點：

• 一般研究影響；例如，允許高精度SQUID磁力計在不冷卻的情況下運行的室溫超導可以對軍事量子技術應用產生顯著影響。

• 國防工業研究偽裝、隱身、超硬裝甲或耐高溫材料。

現代科學正在通過利用量子力學特性（例如石墨烯、拓撲絕緣體）來開發新材料、超材料，有時稱為量子材料。作為量子系統的材料可以通過量子計算機進行模擬；例如，材料的電子結構。例如，考慮的應用可以是室溫超導體、更好的電池和特定材料特性的改進。

為了更詳細地解釋，例如，室溫超導材料利用高溫下的超導性[285]。這將允許構建約瑟夫森結，通常用作SQUID或超導量子比特的構建塊。到目前為止，需要在絕對零附近進行冷卻。預計具有約70個邏輯量子比特[286]的量子計算機足以進行高溫超導體的基礎研究。

對于國防工業而言，正在考慮研究新材料的機會，例如更好的偽裝、隱身（電磁吸收）、超硬裝甲或耐高溫材料設計，但沒有透露任何細節。

5.12 腦成像和人機交互

關鍵點：

• 量子啟用的腦磁圖

• 增強的人機界面

MEG（腦磁圖）掃描儀是一種醫學成像系統，它通過測量流經神經元組件的電流產生的磁場來可視化大腦正在做什么。量子磁力計——例如，基于光泵磁力計[287]——可以實現高分辨率腦磁圖，用于實時大腦活動成像。該技術安全且無創，并且已經過實驗室測試。該技術本身很小，而且可穿戴[287]。

在短期內，量子 MEG 可以成為士兵頭盔的一部分，用于在受傷時進行連續和遠程醫療監測和診斷。長期的期望包括增強人機接口，即與機器和自治系統進行實際的非侵入性認知通信[11]。

6 樂觀與悲觀

上面提到的許多量子技術軍事應用聽起來非常樂觀，可能會導致夸大的期望。一些應用取自各種報告和報紙或雜志文章，其中作者可能高估了從實驗室到戰場的量子技術轉移或受到一般量子技術炒作的影響[288]。當話題涉及國家安全或國防時，避免夸大預期尤為重要。這個問題已在[14]中描述。

上述量子技術軍事應用基于公共領域的最新研究，并輔以有關國防應用的各種報告和報紙或雜志文章。沒有針對幾種技術對其可行性進行批評性評論，因為沒有相同的公開信息。在這些情況下，讀者應該更加小心和挑剔，直到獲得更詳細的研究。

另一方面，眾所周知，大型國防公司和國防實驗室已經進行了幾年的量子研發計劃。但是，只有一些詳細信息是公開傳達的。相反的極端似乎包括公告，例如來自中國的公告 [245,246,263,273]，在這些公告中，很難將真正的研究進展與國家的戰略宣傳[289]分開。

對于許多提到的量子技術，迄今為止只提供了實驗室的概念證明。決定量子技術是否會在實驗室外普遍使用的決定性因素是組件的小型化和對干擾的敏感性。這些改進不能以犧牲靈敏度、分辨率和功能為代價。實際部署的另一個決定性因素是技術的價格。

總之，考慮到過去幾年量子技術研究和支持系統的進步，例如激光和低溫冷卻的小型化，對未來的量子技術軍事應用持樂觀態度而不是悲觀是合理的（從軍事的角度來看）或政府行為者）。需要注意運營部署中的實際能力，看看它們是否滿足要求，以及性價比是否可以證明采購和部署的合理性。

7 量子戰的后果和挑戰

用于軍事應用的量子技術的開發、獲取和部署將帶來新的相關挑戰。量子戰的概念將對軍事戰略、戰術和理論、倫理和裁軍活動以及技術實現和部署提出新的要求。應該進行研究以了解量子技術發展產生的問題、影響、威脅和選擇，而不僅僅是為了軍事應用。

7.1 軍事后果和挑戰

軍事應用中的量子技術具有增強現有能力的潛力，例如通過提供更精確的導航、超安全通信或先進的 ISTAR 和計算能力。一般來說，量子戰需要更新、修改或創建新的軍事學說、軍事場景以及為量子時代開發和獲取新技術和武器的計劃。

在此之前，需要制定技術政策和戰略來響應各個參與者的戰略雄心[290]。國家技術政策和戰略應包括，例如，國家量子技術資源（大學、實驗室和公司）和市場的研究、發展狀況和可行性研究以及軍事和安全威脅和潛在評估，例如[261]。

監測量子技術的演變和適應對于避免鄰國或潛在敵對國家造成的技術意外至關重要。即使量子技術超出了某些國家的財政、研究或技術能力，量子戰監測也是必不可少的。因此，所有現代軍隊都應該對量子戰可能產生的影響感興趣。

國家貿易和出口政策也很重要。例如，歐盟已宣布量子計算是一項具有全球戰略重要性的新興技術，并正在考慮對名為Horizon Europe[291]的研究計劃的訪問進行更嚴格的限制。此外，中國還禁止出口密碼技術，包括量子密碼技術[292]。

另一個話題是與盟友仔細溝通重要的量子優勢，特別是在量子ISTAR和量子網絡能力方面，這些能力可以揭示軍事機密，例如機密文件、核潛艇的位置或地下設施。力量平衡的重大破壞可能會擾亂盟友以及中立或敵對玩家[9]。

7.2 和平與倫理的后果和挑戰

迄今為止，量子技術的軍事應用已被繪制在Sect中。 5不引進新武器，即使它們提高了現有的軍事技術；例如，通過開發更精確的傳感和導航、新的計算能力和更強的信息安全。然而，量子技術，特別是用于軍事應用，對世界和平是好是壞的問題是相關的。

已經出現了對量子計算[293–295]道德準則的各種呼吁，其中提到了道德問題，例如人類DNA操縱、為戰爭創造新材料和侵入性人工智能[294]。

盡管量子技術不會產生新武器，但它們對現有軍事技術的改進將提高這種能力，縮短攻擊、警告和決策的時間。因此，即使在降低個人風險的同時，量子技術也可以更有可能使用武力[296]，從而使戰爭更有可能發生[297,298]。

諸如量子技術等通用兩用技術的預防性軍備控制將更加困難，因為它們也可以用于民用應用，例如用于醫學的量子傳感。已經與納米技術進行了類比[299]。防止或減緩其他國家或非國家團體的擴散和軍事使用的出口管制是試圖減少量子技術構成的任何威脅的最有可能的方式[298]。

具體來說，量子計算的研發成本非常高。然而，目標是開發一種允許簡單可靠的量子比特生產的技術。這可以為技能較少的參與者帶來更便宜、更廣泛分布和更容易獲得的技術，這是即將出現的有問題的軍事技術的一個特征[298]。

7.3 技術后果和挑戰

將成功的實驗室概念驗證轉移到真正的“外部”應用面臨許多技術和技術挑戰，例如小型化和可操作性，而不是以實驗室實現的靈敏度和分辨率為代價。此外，還有其他相關的技術挑戰。

一個重要的問題可能是量子勞動力。量子勞動力不需要包括物理學家或擁有博士學位的科學家。但是，他們應該是具有量子信息科學知識和量子技術概述的量子工程師，能夠理解并能夠處理和評估來自量子傳感器、計算機和通信的傳出數據。目前，現有的量子生態系統正在不斷增長，這個生態系統將需要越來越多的量子勞動力[300]。這需要培訓和教育新的量子工程師和專家；也就是說，更多的大學提供量子課程，更多的學生選擇學習這些課程。此外，讓這些人在軍隊工作可能更加困難。因此，量子信息和量子技術的基本原理也應該成為現代軍隊軍事學院課程的一部分，量子技術已經或將要部署的地方。

另一個技術挑戰將是海量數據。量子技術通過所有的量子傳感器、量子成像、量子通信和計算，將產生大量經典和量子數據，這將增加對數據傳輸、處理和評估的要求。在規劃 C4ISR 和量子基礎設施期間應考慮這些要求。

最后的挑戰將是標準化。標準化過程對于不同生產商制造的設備的互操作性很重要。除了統一接口和通信協議，標準化過程還可以包括安全驗證，例如在后量子密碼標準化過程中[90]。在量子網絡的情況下，特別是各種連接的設備（如節點、中繼器、交換機、光纖通道和開放空間通道）可以預期，因此開發和實施一些允許成功傳輸的標準非常重要量子信息。

8 結論

量子技術是一個新興的技術領域，它利用對單個量子的操縱和控制來實現具有顛覆性潛力的多種應用。這些應用中有許多是雙重用途或直接用于軍事目的。但是，從TRL 1（觀察到的基本原理）到TRL 6（在相關環境中展示的技術），單個量子技術處于用于軍事用途的 TRL。

用于軍事應用的量子技術不僅將提供改進和新的能力，而且還需要制定新的戰略、戰術和政策，評估對全球和平與安全的威脅以及識別道德問題。所有這些都包含在“量子戰”一詞中。

在本報告中，描述了不同TRL的各種量子技術，重點關注在國防領域的可能利用或部署。由于從實驗室到現實世界應用的過渡尚未實施或正在進行中，因此無法準確預測量子技術的部署。這引發了一些問題，例如我們是否能夠達到提供真正量子優勢的解決方案，而經典系統通常要便宜得多，而且通常已經在行動。盡管對量子技術可能的軍事應用的描述聽起來非常樂觀，但人們應該警惕量子炒作，并提請注意實際部署量子技術用于軍事應用之前面臨的挑戰。

量子技術有望產生戰略和長期影響。然而，技術意外影響軍隊和國防力量的可能性相當低。避免意外的最好方法是培養量子技術知識和監控量子技術的發展和就業。用心對待量子技術，將起到量子保險的作用。

【簡介】隨著深度表示學習的發展，強化學習（RL）已經成為了一個強大的學習框架，其可以在高維度空間中學習復雜的規則。這篇綜述總結了深度強化學習（DRL）算法，提供了采用強化學習的自動駕駛任務的分類方法，重點介紹了算法上的關鍵挑戰和在現實世界中將強化學習部署在自動駕駛方面的作用，以及最終評估，測試和加強強化學習和模仿學習健壯性的現有解決方案。

論文鏈接： //arxiv.org/abs/2002.00444

介紹：

自動駕駛(AD)系統由多個感知級任務組成，由于采用了深度學習架構，這些任務現在已經達到了很高的精度。除了感知任務之外，自主駕駛系統還包含多個其他任務，傳統的監督學習方法已經不再適用。首先，當對agent行為的預測發生變化時，從自動駕駛agent所處的環境中接收到的未來傳感器觀察到的結果，例如獲取市區最佳駕駛速度的任務。其次，監督信號（如碰撞時間（TTC），相對于agent最佳軌跡的側向誤差）表示agent的動態變化以及環境中的不確定性。這些問題都需要定義隨機損失函數來使其最大化。最后，agent需要學習當前環境新的配置參數，預測其所處的環境中每一時刻的最優決策。這表明在觀察agent和其所處環境的情況下，一個高維度的空間能夠給出大量唯一的配置參數。在這些場景中，我們的目標是解決一個連續決策的問題。在這篇綜述中，我們將介紹強化學習的概念，強化學習是一種很有前景的解決方案和任務分類方法，特別是在驅動策略、預測感知、路徑規劃以及低層控制器設計等領域。我們還重點回顧了強化學習在自動駕駛領域當中各種現實的應用。最后，我們通過闡述應用當前諸如模仿學習和Q學習等強化學習算法時所面臨的算力挑戰和風險來激勵使用者對強化學習作出改進。

章節目錄：

section2: 介紹一個典型的自動駕駛系統及其各個組件。

section3: 對深度強化學習進行介紹，并簡要討論關鍵概念。

section4: 探討在強化學習基本框架上對其進行更深層次，更加復雜的擴展。

section5: 對強化學習用于自動駕駛領域的所面臨的問題提供一個概述。

section6: 介紹將強化學習部署到真實世界自動駕駛系統中所面臨的挑戰。

section7: 總結

【導讀】分布式機器學習Distributed Machine Learning是學術界和工業界關注的焦點。最近來自荷蘭的幾位研究人員撰寫了關于分布式機器學習的綜述，共33頁pdf和172篇文獻，概述了分布式機器學習相對于傳統(集中式)機器學習的挑戰和機遇，討論了用于分布式機器學習的技術，并對可用的系統進行了概述，從而全面概述了該領域的最新進展。

?論文地址： //www.zhuanzhi.ai/paper/161029da3ed8b6027a1199c026df7d07 ?

摘要 在過去的十年里，對人工智能的需求顯著增長，而機器學習技術的進步和利用硬件加速的能力推動了這種增長。然而，為了提高預測的質量并使機器學習解決方案在更復雜的應用中可行，需要大量的訓練數據。雖然小的機器學習模型可以用少量的數據進行訓練，但訓練大模型(如神經網絡)的輸入隨著參數的數量呈指數增長。由于處理訓練數據的需求已經超過了計算機器計算能力的增長，因此需要將機器學習的工作負載分布到多臺機器上，并將集中式的學習任務轉換為分布式系統。這些分布式系統提出了新的挑戰，首先是訓練過程的有效并行化和一致模型的創建。本文概述了分布式機器學習相對于傳統(集中式)機器學習的挑戰和機遇，討論了用于分布式機器學習的技術，并對可用的系統進行了概述，從而全面概述了該領域的最新進展。

1. 引言

近年來，新技術的快速發展導致了數據采集的空前增長。機器學習(ML)算法正越來越多地用于分析數據集和構建決策系統，因為問題的復雜性，算法解決方案是不可行的。例如控制自動駕駛汽車[23]，識別語音[8]，或者預測消費者行為[82]。

在某些情況下，訓練模型的長時間運行會引導解決方案設計者使用分布式系統來增加并行性和I/O帶寬總量，因為復雜應用程序所需的訓練數據很容易達到tb級的[29]。在其他情況下，當數據本身就是分布式的，或者數據太大而不能存儲在一臺機器上時，集中式解決方案甚至都不是一個選項。例如，大型企業對存儲在不同位置的[19]的數據進行事務處理，或者對大到無法移動和集中的天文數據進行事務處理[125]。

為了使這些類型的數據集可作為機器學習問題的訓練數據，必須選擇和實現能夠并行計算、數據分布和故障恢復能力的算法。在這一領域進行了豐富多樣的研究生態系統，我們將在本文中對其進行分類和討論。與之前關于分布式機器學習([120][124])或相關領域的調查([153][87][122][171][144])相比，我們對該問題應用了一個整體的觀點，并從分布式系統的角度討論了最先進的機器學習的實踐方面。

第2節深入討論了機器學習的系統挑戰，以及如何采用高性能計算(HPC)的思想來加速和提高可擴展性。第3節描述了分布式機器學習的參考體系結構，涵蓋了從算法到網絡通信模式的整個堆棧，這些模式可用于在各個節點之間交換狀態。第4節介紹了最廣泛使用的系統和庫的生態系統及其底層設計。最后，第5節討論了分布式機器學習的主要挑戰

2. 機器學習——高性能計算的挑戰?

近年來，機器學習技術在越來越復雜的應用中得到了廣泛應用。雖然出現了各種相互競爭的方法和算法，但所使用的數據表示在結構上驚人地相似。機器學習工作負載中的大多數計算都是關于向量、矩陣或張量的基本轉換——這是線性代數中眾所周知的問題。優化這些操作的需求是高性能計算社區數十年來一個非常活躍的研究領域。因此，一些來自HPC社區的技術和庫(如BLAS[89]或MPI[62])已經被機器學習社區成功地采用并集成到系統中。與此同時，HPC社區已經發現機器學習是一種新興的高價值工作負載，并開始將HPC方法應用于它們。Coates等人，[38]能夠在短短三天內，在他們的商用現貨高性能計算(COTS HPC)系統上訓練出一個10億個參數網絡。You等人[166]在Intel的Knights Landing(一種為高性能計算應用而設計的芯片)上優化了神經網絡的訓練。Kurth等人[84]證明了像提取天氣模式這樣的深度學習問題如何在大型并行高性能計算系統上進行優化和快速擴展。Yan等人[163]利用借鑒于HPC的輕量級概要分析等技術對工作負載需求進行建模，解決了在云計算基礎設施上調度深度神經網絡應用程序的挑戰。Li等人[91]研究了深度神經網絡在加速器上運行時對硬件錯誤的彈性特性，加速器通常部署在主要的高性能計算系統中。

與其他大規模計算挑戰一樣，加速工作負載有兩種基本的、互補的方法:向單個機器添加更多資源(垂直擴展或向上擴展)和向系統添加更多節點(水平擴展或向外擴展)。

3. 一個分布式機器學習的參考架構

圖1 機器學習的概述。在訓練階段，利用訓練數據和調整超參數對ML模型進行優化。然后利用訓練后的模型對輸入系統的新數據進行預測。

圖2 分布式機器學習中的并行性。數據并行性在di上訓練同一個模型的多個實例!模型并行性將單個模型的并行路徑分布到多個節點。

機器學習算法

機器學習算法學習根據數據做出決策或預測。我們根據以下三個特征對當前的ML算法進行了分類:

反饋、在學習過程中給算法的反饋類型

目的、期望的算法最終結果

方法、給出反饋時模型演化的本質

反饋 訓練算法需要反饋，這樣才能逐步提高模型的質量。反饋有幾種不同類型[165]:

包括 監督學習、無監督學習、半監督學習與強化學習

目的 機器學習算法可用于各種各樣的目的，如對圖像進行分類或預測事件的概率。它們通常用于以下任務[85]: 異常檢測、分類、聚類、降維、表示學習、回歸

每一個有效的ML算法都需要一種方法來迫使算法根據新的輸入數據進行改進，從而提高其準確性。通過算法的學習方式，我們識別出了不同的ML方法組: 演化算法、隨機梯度下降、支持向量機、感知器、神經網絡、規則機器學習、主題模型、矩陣分解。

圖3所示：基于分布程度的分布式機器學習拓撲

4. 分布式機器學習生態系統

圖4所示。分布式機器學習生態系統。通用分布式框架和單機ML系統和庫都在向分布式機器學習靠攏。云是ML的一種新的交付模型。

5 結論和當前的挑戰

分布式機器學習是一個蓬勃發展的生態系統，它在體系結構、算法、性能和效率方面都有各種各樣的解決方案。為了使分布式機器學習在第一時間成為可行的，必須克服一些基本的挑戰，例如，建立一種機制，使數據處理并行化，同時將結果組合成一個單一的一致模型。現在有工業級系統,針對日益增長的欲望與機器學習解決更復雜的問題,分布式機器學習越來越普遍和單機解決方案例外,類似于數據處理一般發展在過去的十年。然而，對于分布式機器學習的長期成功來說，仍然存在許多挑戰：性能、容錯、隱私、可移植性等。