​摘要：在无线通信领域，大规模多输入多输出 (MIMO）是一项革命性技术，也是5G系统的关键技术之一，它主要利用基站上的大量天线来提高无线通信系统的覆盖范围和容量。通过波束赋形，大规模MIMO可以同时提供多种信号覆盖模式，从而实现更高的吞吐量和更好的信号质量。然而，要想在5G系统中实现大规模MIMO的最佳通信效果，多基站的波束选择（MBS）是一个极大的挑战。该问题被证明是一个典型的NP-Hard问题，且在经典计算上难以处理。

通过玻色量子自研的“天工量子大脑”光量子计算真机，对该问题的求解精度和速度均远远优于在经典计算机上运行启发式算法的解决方案，并获得至少2个数量级以上的性能改进！该研究成果为5G乃至6G通信网络的实际运行展现出巨大前景，并促进了量子计算在解决通信计算难题中的应用。

近年来，大规模MIMO采用空时处理技术进行信号处理，在不增加带宽的情况下成倍的提高通信系统的容量和频谱利用率，还有效利用了随机衰落和多径传播的力量，在同样的带宽条件下为无线通信的性能带来改善。所以大规模MIMO因其能在充满挑战的环境中提供更好的覆盖范围而被广泛应用。

但由于用户的高迁移率和单元间的干扰，传统的相对静态的波束设置不能再满足网络覆盖的动态变化要求，而且在给定约束条件下，需要快速决策选择一组波束模式以最大化网络性能，如改善信号质量和系统吞吐量。

因此，5G系统中的MIMO波束选择（MBS）问题非常突出。如多小区MIMO波束分配、大规模MIMO天线权值优化，其寻优空间（状态集与动作集）与小区数量呈指数增长关系，庞大的计算量使得传统方法难以实现大规模的实时优化计算。

目前玻色量子联合中国移动研究院共同研究了基于量子计算的MIMO波束选择（MBS）问题，在5G通信领域取得了重大研究突破。

2023年10月，玻色量子与中国移动研究院联合发布了在大规模多输入多输出 (MIMO) 的波束选择（MBS）上的最新突破性成果。该成果以“基于MIMO波束选择问题的量子计算模型和光学实验解决方案”（Quantum Computing for MIMO Beam Selection Problem: Model and Optical Experimental Solution）为题🔗。

此前，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，就在《中国科学：物理学 力学 天文学》英文版上联合发表了云计算领域的首个重要研究成果，即以“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 🔗。此次研究突破是玻色量子联合中国移动的又一重要研究突破，也是光量子计算机在通信领域走向实用化的关键一步。

下面我们将给出完整真机测试报告：从波束选择问题入手，对该问题进行分析与建模，并将真机测试结果与模拟退火和禁忌搜索等经典算法进行对比分析与总结。

场景介绍

波束选择（MBS）是指在给定的约束条件下，选择一组波束(Beam)来最大限度地提高网络的性能，如提高信号质量和系统吞吐量。具体地说，在MBS问题中，目标地理区域通常划分为方形网格(grid)，每个小区(cell)的每个波束在相应的网格上有一个参考信号接收功率（RSRP）值，MBS问题是为每个小区找到一组波束，使覆盖的网格个数最大化。

经过证明，MBS问题是一个典型的NP-Hard问题，特别是在具有大量单元和天线的5G系统中。例如，当多个单元中有数百束波束时，很难从数十亿束组合中找到最好的解决方案。

而量子计算有潜力为大规模的组合优化问题提供更快、更有效的解决方案，通过这些能彻底改变优化领域。它可以利用量子力学的原理同时进行多个计算，允许并行搜索多个解决方案。玻色量子自研的相干光量子计算技术就可以很好的解决MBS问题。

问题分析及建模

问题分析

在MBS问题中，目标覆盖区域被划分为若干个小网格，每个小网格被多个小区(cell)覆盖。每个小区都有一组MIMO波束，MBS问题是从每个小区中选择一定数量的波束，最大化满足一定约束的网格数量。如果网格内最大RSRP超过给定的阈值，最大RSRP和第二大RSRP的差值超过了给定值，则认为网格被覆盖。从小区到网格的RSRP由所有选中波束中的最大RSRP决定。其中，为最大和第二大信号强度之间的差值设置一个阈值的原因是，在MIMO系统中，避免因多波束的信号强度相似，而导致出现信号干扰，降低接收机的性能。

MBS问题示意图

数学建模

网格：待优化区域被划分为m个网格。

小区：这些网格被v个小区覆盖。

波束：每个小区提供n个波束给网格中的用户。

选择每个小区的n个波束中的一个子集，以最大化区域的覆盖率：

覆盖率=满足覆盖条件的网格数目/m

对于第i个（i=1,2,...,m）网格，如果所有小区中所选波束的最大RSRP（接收信号强度）大于阈值，且和第二大RSRP差值大于阈值，则认为该网格满足覆盖条件。

我们使用v和Vi分别表示与第i个网格相关联的小区数和小区集。RSRP在不同的网格、单元和波束上有所不同，让我们定义sijk为第i个网格下，第j个小区和第k个光束下RSRP值，设M为RSRP的最大值。

MBS问题中的决策变量为xjk，如果在第j个小区中选择第k个光束，则xjk=1，下面为第j个小区的选中的波束在第i个网格内的最大RSRP值

第i个网格中信号强度最大值，

第二大信号值

最大化覆盖网格个数:

1、zi:网格i是否被覆盖

2、选择的波束数量上界

其中，“天工量子大脑”光量子计算真机遵循最小增益原则: 增益接近最小损耗时，网络将经历光学参量震荡相变；简并的光学参量振荡器脉冲以低于振荡阈值的泵速产生压缩真空状态，压缩真空状态是规范坐标本征态的线性叠加态，实现了量子并行搜索；在高于阈值时，退化的OPO经历自发对称破坏并随机拾取0相或π相干场(经典的Ising自旋向上和向下状态)。

解空间图片

为MBS问题建立QUBO模型：

由于不等式约束较多，需要较多的松弛变量，所以我们采用后处理手段简化模型：

实验所用的数据集来自于中国吉安市一片连续区域的信号强度数据，整个数据集4857个格点，217个小区，148个波束的信号数据，数据记录数量1048575条。我们采用了部分数据进行实验。

固定波束和小区数量，网格数量从5变化到10，转换成对应的Max-Cut问题进行求解。

真机测试结果

真机求得的解

切割值的演化过程

效率比：

求解大规模问题时CIM和经典算法（SA/tabu）相比的效率提升比率图（SA的平均求解效率比超10^2，整体效率提升2个数量级）

“天工量子大脑”真机和传统算法对比

MBS问题中可能的解的数量随着单元的数量和所选择的光束数量的上限呈指数增长。玻色量子技术团队基于QUBO（二次无约束二值优化）这一数学模型的新方法，成功应用玻色量子发布的100计算量子比特相干光量子计算机真机——“天工量子大脑”，来高效求解MIMO波束选择问题，其实验结果远远优于两种经典启发式算法（模拟退火和禁忌搜索）。

该方案的优势主要体现在两个方面：

1、充分利用MIMO蜂窝系统的性能潜力来高效解决MBS问题，有效针对问题的底层结构，进一步引入一个简化的模型，它显著减少了QUBO模型中所需的量子比特数，同时生成最优解。

2、通过“天工量子大脑”光量子计算真机，可以在毫秒级时间内生成MBS问题的最优解，突出表现了“天工量子大脑”在现实环境中寻找解决方案的速率和有效性。

整体结论：实验结果表明，“天工量子大脑”光量子计算真机在该问题上的求解精准度和速度方面均远远优于在经典计算机上运行启发式算法的解决方案，并获得了至少2个数量级以上的性能改进！ 该研究成果为5G的实际运行展现了巨大前景，并促进了量子计算在解决通信计算难题中的应用