摘要：在影视领域中，经常会涉及大量的视频图像渲染工作，而往往在这种大规模、动态渲染场景下，普遍存在着冗余渲染现象。究其原因在于大规模的图像渲染通常要求在短时间内做出渲染任务的算力分配决策，而经典计算机无法在要求时间内得到最优的任务-云资源分配方案，这将大大影响图像渲染的完成效率，甚至影响到用户体验。
云端服务器资源调度问题可归结为JSP组合优化类问题🔗，而对该问题的高效求解，对提升图像渲染效率至关重要。玻色量子通过自研的“天工量子大脑”光量子计算机，针对该问题的求解实现了千倍以上的加速，并且与模拟退火、禁忌搜索等经典优化算法等对比，“天工量子大脑”可以在毫秒内获得更优解，这也展现出光量子算力在计算速度和精度上的双重优势。
任务调度问题是一个经典的NP-Hard组合优化类问题，问题背景是将多个任务合理分配到多台机器上使得整体完成效率最高。可分为单机任务调度、并行机任务调度、开放车间调度、流水车间调度、作业车间调度等问题。该问题的应用场景非常广泛，包括航线调度、机场飞机调度、港口码头货船调度、汽车加工流水线、生产线排产、云计算任务分配等。
目前，针对真实应用场景中的任务调度问题，玻色量子充分发挥了光量子计算机的真机优势，率先取得一系列重要研究成果。
2023年4月，玻色量子就与中国移动云签订了“五岳”量子云计算创新加速计划，联合移动云共同打造“恒山光量子算力平台”🔗。2023年5月16日，在玻色量子的首场自研100计算量子比特相干光量子计算机“天工量子大脑”的新品发布会现场🔗，中国移动云能力中心首席科学家钱岭提到：“中国移动使用‘天工量子大脑’实现了云渲染业务算力网络资源调度算法的毫秒级运算，相比传统算力，计算速度及结果均有大幅提升！可获得2000倍的速度优势。”
同月，在我国知名科技期刊《中国科学：物理学 力学 天文学》英文版上，双方联合发表了以“Optical experimental solution for the multiway number partitioning problem and its application to computing power scheduling”（光学实验求解多路数字划分问题的光学实验解及其在算力调度中的应用）为题的顶级学术论文，公开了这一研究内容🔗。这是玻色量子和移动云在共同打造“恒山光量子算力平台”过程中的首个重要研究成果，也是光量子计算机在云计算领域率先实用化的重要起点。
2023年6月，玻色量子成功中标中国移动云能力中心“2023—2024年量子算法及光量子算力接入关键技术研究项目”🔗，这是玻色量子继与移动云签订“五岳量子云计算创新加速计划”后，中标首个央企量子云计算项目，也是与移动云在共同打造首个央企量子计算云服务的重要里程碑。
下面，我们将发布完整的量子真机测试报告，从图像渲染的场景和计算问题的描述出发，讲解量子计算机如何求解云算力任务调度问题，包括了问题建模与真机测试，并且与传统的模拟退火、禁忌搜索等优化算法的计算结果进行了对比分析与总结。
场景介绍
在影视、动漫、游戏等领域中，图像渲染通过对三维对象进行建模最终生成符合真实环境的图像，包括纹理、光照等信息。渲染的计算效率决定了作品的视觉效果。近年来，随着人们对于高品质渲染的需求与日俱增，渲染任务的计算量也日趋庞大，单机渲染已无法满足市场需求，基于云计算的集群环境已被用来处理大规模渲染任务，集群中的各个计算节点可以并行处理不同的渲染子任务，从而提高整体渲染效率。针对这一场景，需要开发有效的并行任务的调度算法，来实现计算集群的任务分配与负载均衡，从而更高效地完成渲染需求。
问题分析及建模
问题分析
经典的任务调度问题可以描述为将一组任务分配到一组机器上，使得整体的任务完成时间最短。此次讨论的调度模型属于并行机调度问题，基于图像渲染云计算节点资源调度问题的特性，可以将该模型的假设与约束总结如下：
1.各任务仅包含一道工序；
2.各任务的加工时间已知，与机器无关；
3.一台机器在任意时刻最多只能处理一个任务；
4.每个任务可以分配到任意一台机器加工，且只能在一台机器上加工；
5.每个机器可以有不同的空闲开始时间。
调度问题常用的求解方法包括基于数学规划的精确算法和各种启发式算法。由于该问题属于NP-Hard问题，这些求解方法的应用随着问题规模增大会受到了复杂性的限制，无法在较短时间内找到最优解。而量子计算机在解决组合优化问题上具有独特优势，因此玻色量子使用“天工量子大脑”对这一任务调度问题进行了加速求解。
数学建模
假设有N个计算任务的集合I={1,2,3,...,N}和M台服务器的集合J={1,2,3,...,M}。定义二值决策变量xij，如果任务i∈I被分配到服务器j∈J上运行，则xij=1，否则=0。假设每个任务的执行时间只与任务类型有关，用DURATIONi表示。假设每台服务器的空闲开始时间为STARTj 。则服务器j上的计算任务完成时间ENDj可以表达为：
由于任何任务i只能跑在一台服务器上，需要引入约束条件：
其中l∈L是二进制的精度列表，dul和dsjl取值为0或1。
将约束条件放入目标函数中，有：
这里使用的变量的数量为N*M+L+M*L，其中,M，N，L分别为服务器数量、任务数量和精度数量。为了降低使用的量子比特数，便于“天工量子大脑”真机求解，我们将目标转化为最小化各个服务器的结束运行时间的方差，即：
结合（1）和（9），并将约束条件（2）放入目标函数，则原优化问题可表示为：
这样我们将原问题转化为量子计算可以处理的二次无约束二值（QUBO）形式，将比特数降低为M*N个。通过量子计算求解确定xij的取值，我们就可以确定哪个任务运行在哪台服务器上。
真机测试结果
“天工量子大脑”真机和传统算法对比
采用不同规模问题的“天工量子大脑”和经典（SA和tabu）算法调度方案对比
基于“天工量子大脑”和两种经典算法（a，b）的量子算法的运行时间（以毫秒为单位），以及求解大规模问题(c)的时间节省率R（SA/tabu，cim）。
结论
与传统的优化算法进行对比，基于“天工量子大脑”的量子算法在处理图像渲染任务分配问题中，展示出更高的效率。量子计算的速度可达毫秒级，相比传统算法可以提升2-3个数量级，并且随着问题规模的增大，量子计算呈现出的计算用时基本保持稳定，也就是说这种速度优势将会越来越大。而在准确度上，量子计算得到的服务器任务分配方案与理想分配方案相比差距很小。
接下来，玻色量子还将启动“燎原计划”开发者平台，并持续对外开放“天工量子大脑”的真机测试，热忱欢迎更多不同领域的研究伙伴前来了解相干量子计算的原理和能力，在此基础上展开共同研发，用量子计算去解决更多真实场景中的问题，让量子计算的超强算力能真正服务于各行各业，满足未来时代对于计算的需求。
