?摘要：在影視領域中，經常會涉及大量的視頻圖像渲染工作，而往往在這種大規模、動態渲染場景下，普遍存在著冗余渲染現象。究其原因在于大規模的圖像渲染通常要求在短時間內做出渲染任務的算力分配決策，而經典計算機無法在要求時間內得到最優的任務-云資源分配方案，這將大大影響圖像渲染的完成效率，甚至影響到用戶體驗。

云端服務器資源調度問題可歸結為JSP組合優化類問題🔗，而對該問題的高效求解，對提升圖像渲染效率至關重要。玻色量子通過自研的“天工量子大腦”光量子計算機，針對該問題的求解實現了千倍以上的加速，并且與模擬退火、禁忌搜索等經典優化算法等對比，“天工量子大腦”可以在毫秒內獲得更優解，這也展現出光量子算力在計算速度和精度上的雙重優勢。

任務調度問題是一個經典的NP-Hard組合優化類問題，問題背景是將多個任務合理分配到多臺機器上使得整體完成效率最高。可分為單機任務調度、并行機任務調度、開放車間調度、流水車間調度、作業車間調度等問題。該問題的應用場景非常廣泛，包括航線調度、機場飛機調度、港口碼頭貨船調度、汽車加工流水線、生產線排產、云計算任務分配等。

目前，針對真實應用場景中的任務調度問題，玻色量子充分發揮了光量子計算機的真機優勢，率先取得一系列重要研究成果。

2023年4月，玻色量子就與中國移動云簽訂了“五岳”量子云計算創新加速計劃，聯合移動云共同打造“恒山光量子算力平臺”🔗。2023年5月16日，在玻色量子的首場自研100計算量子比特相干光量子計算機“天工量子大腦”的新品發布會現場🔗，中國移動云能力中心首席科學家錢嶺提到：“中國移動使用‘天工量子大腦’實現了云渲染業務算力網絡資源調度算法的毫秒級運算，相比傳統算力，計算速度及結果均有大幅提升！可獲得2000倍的速度優勢。”

同月，在我國知名科技期刊《中國科學：物理學 力學 天文學》英文版上，雙方聯合發表了以“Optical experimental solution for the multiway number partitioning problem and its application to computing power scheduling”（光學實驗求解多路數字劃分問題的光學實驗解及其在算力調度中的應用）為題的頂級學術論文，公開了這一研究內容🔗。這是玻色量子和移動云在共同打造“恒山光量子算力平臺”過程中的首個重要研究成果，也是光量子計算機在云計算領域率先實用化的重要起點。

2023年6月，玻色量子成功中標中國移動云能力中心“2023—2024年量子算法及光量子算力接入關鍵技術研究項目”🔗，這是玻色量子繼與移動云簽訂“五岳量子云計算創新加速計劃”后，中標首個央企量子云計算項目，也是與移動云在共同打造首個央企量子計算云服務的重要里程碑。

下面，我們將發布完整的量子真機測試報告，從圖像渲染的場景和計算問題的描述出發，講解量子計算機如何求解云算力任務調度問題，包括了問題建模與真機測試，并且與傳統的模擬退火、禁忌搜索等優化算法的計算結果進行了對比分析與總結。

場景介紹

在影視、動漫、游戲等領域中，圖像渲染通過對三維對象進行建模最終生成符合真實環境的圖像，包括紋理、光照等信息。渲染的計算效率決定了作品的視覺效果。近年來，隨著人們對于高品質渲染的需求與日俱增，渲染任務的計算量也日趨龐大，單機渲染已無法滿足市場需求，基于云計算的集群環境已被用來處理大規模渲染任務，集群中的各個計算節點可以并行處理不同的渲染子任務，從而提高整體渲染效率。針對這一場景，需要開發有效的并行任務的調度算法，來實現計算集群的任務分配與負載均衡，從而更高效地完成渲染需求。

問題分析及建模

問題分析

經典的任務調度問題可以描述為將一組任務分配到一組機器上，使得整體的任務完成時間最短。此次討論的調度模型屬于并行機調度問題，基于圖像渲染云計算節點資源調度問題的特性，可以將該模型的假設與約束總結如下：

1.各任務僅包含一道工序；

2.各任務的加工時間已知，與機器無關；

3.一臺機器在任意時刻最多只能處理一個任務；

4.每個任務可以分配到任意一臺機器加工，且只能在一臺機器上加工；

5.每個機器可以有不同的空閑開始時間。

調度問題常用的求解方法包括基于數學規劃的精確算法和各種啟發式算法。由于該問題屬于NP-Hard問題，這些求解方法的應用隨著問題規模增大會受到了復雜性的限制，無法在較短時間內找到最優解。而量子計算機在解決組合優化問題上具有獨特優勢，因此玻色量子使用“天工量子大腦”對這一任務調度問題進行了加速求解。

數學建模

假設有N個計算任務的集合I={1,2,3,...,N}和M臺服務器的集合J={1,2,3,...,M}。定義二值決策變量xij，如果任務i∈I被分配到服務器j∈J上運行，則xij=1，否則=0。假設每個任務的執行時間只與任務類型有關，用DURATIONi表示。假設每臺服務器的空閑開始時間為STARTj?。則服務器j上的計算任務完成時間ENDj可以表達為：

由于任何任務i只能跑在一臺服務器上，需要引入約束條件：

其中l∈L是二進制的精度列表，dul和dsjl取值為0或1。

將約束條件放入目標函數中，有：

這里使用的變量的數量為N*M+L+M*L，其中,M，N，L分別為服務器數量、任務數量和精度數量。為了降低使用的量子比特數，便于“天工量子大腦”真機求解，我們將目標轉化為最小化各個服務器的結束運行時間的方差，即：

結合（1）和（9），并將約束條件（2）放入目標函數，則原優化問題可表示為：

這樣我們將原問題轉化為量子計算可以處理的二次無約束二值（QUBO）形式，將比特數降低為M*N個。通過量子計算求解確定xij的取值，我們就可以確定哪個任務運行在哪臺服務器上。

真機測試結果

“天工量子大腦”真機和傳統算法對比

采用不同規模問題的“天工量子大腦”和經典（SA和tabu）算法調度方案對比

基于“天工量子大腦”和兩種經典算法（a，b）的量子算法的運行時間（以毫秒為單位），以及求解大規模問題(c)的時間節省率R（SA/tabu，cim）。

結論

與傳統的優化算法進行對比，基于“天工量子大腦”的量子算法在處理圖像渲染任務分配問題中，展示出更高的效率。量子計算的速度可達毫秒級，相比傳統算法可以提升2-3個數量級，并且隨著問題規模的增大，量子計算呈現出的計算用時基本保持穩定，也就是說這種速度優勢將會越來越大。而在準確度上，量子計算得到的服務器任務分配方案與理想分配方案相比差距很小。

接下來，玻色量子還將啟動“燎原計劃”開發者平臺，并持續對外開放“天工量子大腦”的真機測試，熱忱歡迎更多不同領域的研究伙伴前來了解相干量子計算的原理和能力，在此基礎上展開共同研發，用量子計算去解決更多真實場景中的問題，讓量子計算的超強算力能真正服務于各行各業，滿足未來時代對于計算的需求。