组合优化是无线通信资源分配中的核心挑战，许多实际问题如信道分配、功率控制、用户调度等均可归结为NP难问题。传统计算架构在处理此类问题时面临指数级复杂度增长，而伊辛机作为一种基于物理退火机制的非冯·诺依曼计算范式，近年来展现出显著的加速潜力。本文综述以"高速伊辛机优化在无线资源分配问题中的应用"为核心展开，系统梳理基于伊辛机的组合优化求解框架，重点讨论其在多址接入、MIMO波束成形、无人机中继部署等典型无线场景中的建模方法与性能表现。

一、研究背景与动机

随着5G大规模部署和6G研究的推进，无线网络正朝着超密集、异构化、智能化的方向演进。大规模MIMO、毫米波通信、无人机辅助覆盖、可重构智能表面等新技术的引入，使得无线资源分配问题的决策空间急剧膨胀。信道分配、功率控制、波束赋形、用户关联等子问题本质上都是组合优化问题，其中相当一部分属于NP难类别。

传统的求解策略大致分为两类。一类以分支定界、动态规划等精确算法为代表，在小规模场景下可以保证最优解，但计算复杂度随问题规模呈指数增长，无法满足实时性要求。另一类以启发式算法和元启发式算法为主，包括遗传算法、粒子群优化、模拟退火等，能够在合理时间内获得可行解，但通常缺乏最优性保证，且在高维离散空间中容易陷入局部最优。

在这一背景下，利用非传统计算硬件加速组合优化成为引人注目的新方向。伊辛机正是其中的代表性方案。伊辛模型最初源自统计物理中对铁磁性的研究，其核心思想是将自旋之间的相互作用能量刻画为一个二次无约束二值优化问题。令人意想不到的是，大量实际组合优化问题都可以映射到伊辛模型或其推广形式——二次无约束二值优化问题上。基于这一观察，研究者开始探索利用专用硬件或专用求解器高效求解伊辛模型，从而间接加速原始组合优化问题的求解。
近年来，多种伊辛机实现方案被提出，包括基于量子退火的D-Wave系统、基于CMOS退火的模拟伊辛机、基于现场可编程门阵列的数字伊辛机，以及基于GP-GPU的高吞吐量伊辛求解器等。这些方案在求解速度、问题规模、实现成本等方面各有侧重，为无线通信领域的实时组合优化提供了潜在的新工具。

二、伊辛机求解框架

伊辛机求解组合优化问题的基本流程可分为三个环节：问题映射、退火求解和解译还原。
问题映射是连接原始优化问题与伊辛求解器的关键桥梁。映射的核心任务是将原问题的目标函数和约束条件转换为二次无约束二值优化或高阶无约束二值优化的形式。其中，线性约束可以通过罚函数法或拉格朗日对偶法嵌入目标函数，而整数变量则需要通过二值展开（如二进制表示、独热编码等）转换为二值自旋变量。映射质量直接影响求解效率和精度——过于复杂的映射会引入过多的辅助变量，加重硬件负担；而映射不当则可能导致罚因子难以调节、约束满足率下降等问题。

退火求解是伊辛机工作的核心阶段。无论是量子退火还是模拟退火，其基本原理都是利用热涨落或量子隧穿效应帮助系统逃离局部极小值。通过缓慢降低"温度"或"横向场"等控制参数，自旋系统从高温高熵的混沌状态逐步收敛到基态——即目标函数的最优解。退火过程的关键在于冷却速率的选择：过快会导致系统被冻结在亚稳态，过慢则牺牲了计算时间。基于GPU的高速伊辛机通过大规模并行退火，能够在毫秒甚至微秒量级完成一次求解尝试，并支持多轮重启以提高收敛质量。

解译还原将伊辛机输出的自旋构型反向映射为原始变量的取值，并检验约束满足情况。若输出解违反原问题的硬约束，通常需要启动修复机制——可以是简单的启发式修复，也可以将修复后的解作为热启动重新送入伊辛机。在某些实际应用中，伊辛机的输出直接作为高质量初始解被后续的局部搜索算法进一步优化，形成"粗搜索+精调优"的混合策略。

三、无线资源分配中的建模实例

无线通信领域中有大量问题天然适配伊辛机的求解框架，以下结合代表性场景加以梳理。
多址接入与信道分配问题是无线资源管理中的基础性课题。在正交频分多址系统中，子载波和功率的联合分配可以建模为一个组合优化问题：每个用户-子载波对对应一个二值分配变量，目标是在满足用户速率需求的约束下最大化系统总吞吐量或最小化总发射功率。该问题可以直接映射为二次无约束二值优化形式，利用伊辛机快速求解。已有研究表明，在中等规模场景（数十用户、数百子载波）下，基于伊辛机的求解器在毫秒时间尺度内可获得与最优解极为接近的分配方案，为实时调度提供了新的可能性。

MIMO波束成形与天线选择是另一类重要应用。大规模MIMO系统中，激活全部天线将导致高昂的射频链路成本和功耗，天线选择因此成为关键优化问题——在满足服务质量的前提下，从候选天线集合中选择一个最优子集激活。这本质上是一个二次背包型组合优化问题，可以自然地嵌入伊辛模型。此外，预编码矩阵的量化设计、混合波束赋形中模拟移相器的离散相位配置等问题同样具有组合结构，适合在伊辛机上求解。

无人机辅助通信中的中继部署与轨迹规划体现了伊辛机在空间优化中的潜力。无人机基站的选址问题可以离散化为候选网格点上的二值决策，联合考虑覆盖范围、回程约束和干扰协调。由于无人机位置和通信资源分配的耦合，问题规模通常较大，传统方法难以在任务时效内给出满意解。伊辛机的高并行求解能力在此类场景中具有明显优势。

四、关键挑战与前沿方向

尽管理论上伊辛机展现出巨大潜力，其在实际无线通信场景中的应用仍面临若干挑战。
大规模问题的映射效率是首要瓶颈。现实网络中的资源分配问题往往涉及数千甚至数万个变量，而当前伊辛机的硬件规模（自旋数量和连接拓扑）仍相对有限。如何在有限硬件约束下设计紧凑的映射方案，以及如何通过问题分解策略将大规模问题切分为可并行的子问题，是当前研究的重点。

罚因子的自动调节是一个尚未充分解决的问题。罚函数法是约束嵌入的核心手段，但罚因子的选择高度依赖问题实例：过大会导致目标函数信息被淹没，过小则约束难以满足。手工调参不仅费时，且难以泛化到动态变化的无线环境。近年来，基于自适应机制和学习的罚因子调节策略开始受到关注。
动态环境下的在线决策对伊辛机提出了更高的要求。无线信道条件、用户分布和业务需求随时间快速变化，组合优化问题本身也在动态演变。伊辛机虽然求解速度快，但每次求解均需重新映射和初始化，如何在连续的时间帧之间进行增量求解和热状态复用，是提升实际部署效率的关键。

与深度学习的融合是一个富有前景的新趋势。深度学习在特征提取和端到端决策方面表现卓越，而伊辛机在离散搜索空间中具有优势。将两者结合——例如利用图神经网络学习问题结构特征以辅助映射设计，或使用伊辛机作为可微分的离散优化模块嵌入神经网络——有望实现更高效的混合优化框架。

五、总结与展望

高速伊辛机为无线通信中广泛存在的组合优化问题提供了一种全新的求解路径。从信道分配到波束赋形，从无人机部署到智能反射面相位设计，伊辛模型在无线领域的应用版图正在迅速扩展。当前的研究已初步验证了这一范式的可行性与潜力，但从实验验证到实际部署仍有相当的距离。
未来值得关注的方向包括：面向无线通信的专用伊辛求解器硬件设计、更智能的问题映射与分解算法、动态环境中的自适应求解策略，以及与深度学习深度融合的端到端优化架构。可以预见，随着伊辛机硬件规模的持续扩大和算法框架的不断完善，这种非传统计算范式将在6G及未来通信系统中发挥越来越重要的作用。

原文链接：https://tus.elsevierpure.com/en/publications/application-of-high-speed-ising-machine-based-optimization-to-wir/

组合优化是无线通信资源分配中的核心挑战，许多实际问题如信道分配、功率控制、用户调度等均可归结为NP难问题。传统计算架构在处理此类问题时面临指数级复杂度增长，而伊辛机作为一种基于物理退火机制的非冯·诺依曼计算范式，近年来展现出显著的加速潜力。本文综述以"高速伊辛机优化在无线资源分配问题中的应用"为核心展开，系统梳理基于伊辛机的组合优化求解框架，重点讨论其在多址接入、MIMO波束成形、无人机中继部署等典型无线场景中的建模方法与性能表现。

一、研究背景与动机

随着5G大规模部署和6G研究的推进，无线网络正朝着超密集、异构化、智能化的方向演进。大规模MIMO、毫米波通信、无人机辅助覆盖、可重构智能表面等新技术的引入，使得无线资源分配问题的决策空间急剧膨胀。信道分配、功率控制、波束赋形、用户关联等子问题本质上都是组合优化问题，其中相当一部分属于NP难类别。

传统的求解策略大致分为两类。一类以分支定界、动态规划等精确算法为代表，在小规模场景下可以保证最优解，但计算复杂度随问题规模呈指数增长，无法满足实时性要求。另一类以启发式算法和元启发式算法为主，包括遗传算法、粒子群优化、模拟退火等，能够在合理时间内获得可行解，但通常缺乏最优性保证，且在高维离散空间中容易陷入局部最优。

在这一背景下，利用非传统计算硬件加速组合优化成为引人注目的新方向。伊辛机正是其中的代表性方案。伊辛模型最初源自统计物理中对铁磁性的研究，其核心思想是将自旋之间的相互作用能量刻画为一个二次无约束二值优化问题。令人意想不到的是，大量实际组合优化问题都可以映射到伊辛模型或其推广形式——二次无约束二值优化问题上。基于这一观察，研究者开始探索利用专用硬件或专用求解器高效求解伊辛模型，从而间接加速原始组合优化问题的求解。
近年来，多种伊辛机实现方案被提出，包括基于量子退火的D-Wave系统、基于CMOS退火的模拟伊辛机、基于现场可编程门阵列的数字伊辛机，以及基于GP-GPU的高吞吐量伊辛求解器等。这些方案在求解速度、问题规模、实现成本等方面各有侧重，为无线通信领域的实时组合优化提供了潜在的新工具。

二、伊辛机求解框架

伊辛机求解组合优化问题的基本流程可分为三个环节：问题映射、退火求解和解译还原。
问题映射是连接原始优化问题与伊辛求解器的关键桥梁。映射的核心任务是将原问题的目标函数和约束条件转换为二次无约束二值优化或高阶无约束二值优化的形式。其中，线性约束可以通过罚函数法或拉格朗日对偶法嵌入目标函数，而整数变量则需要通过二值展开（如二进制表示、独热编码等）转换为二值自旋变量。映射质量直接影响求解效率和精度——过于复杂的映射会引入过多的辅助变量，加重硬件负担；而映射不当则可能导致罚因子难以调节、约束满足率下降等问题。

退火求解是伊辛机工作的核心阶段。无论是量子退火还是模拟退火，其基本原理都是利用热涨落或量子隧穿效应帮助系统逃离局部极小值。通过缓慢降低"温度"或"横向场"等控制参数，自旋系统从高温高熵的混沌状态逐步收敛到基态——即目标函数的最优解。退火过程的关键在于冷却速率的选择：过快会导致系统被冻结在亚稳态，过慢则牺牲了计算时间。基于GPU的高速伊辛机通过大规模并行退火，能够在毫秒甚至微秒量级完成一次求解尝试，并支持多轮重启以提高收敛质量。

解译还原将伊辛机输出的自旋构型反向映射为原始变量的取值，并检验约束满足情况。若输出解违反原问题的硬约束，通常需要启动修复机制——可以是简单的启发式修复，也可以将修复后的解作为热启动重新送入伊辛机。在某些实际应用中，伊辛机的输出直接作为高质量初始解被后续的局部搜索算法进一步优化，形成"粗搜索+精调优"的混合策略。

三、无线资源分配中的建模实例

无线通信领域中有大量问题天然适配伊辛机的求解框架，以下结合代表性场景加以梳理。
多址接入与信道分配问题是无线资源管理中的基础性课题。在正交频分多址系统中，子载波和功率的联合分配可以建模为一个组合优化问题：每个用户-子载波对对应一个二值分配变量，目标是在满足用户速率需求的约束下最大化系统总吞吐量或最小化总发射功率。该问题可以直接映射为二次无约束二值优化形式，利用伊辛机快速求解。已有研究表明，在中等规模场景（数十用户、数百子载波）下，基于伊辛机的求解器在毫秒时间尺度内可获得与最优解极为接近的分配方案，为实时调度提供了新的可能性。

MIMO波束成形与天线选择是另一类重要应用。大规模MIMO系统中，激活全部天线将导致高昂的射频链路成本和功耗，天线选择因此成为关键优化问题——在满足服务质量的前提下，从候选天线集合中选择一个最优子集激活。这本质上是一个二次背包型组合优化问题，可以自然地嵌入伊辛模型。此外，预编码矩阵的量化设计、混合波束赋形中模拟移相器的离散相位配置等问题同样具有组合结构，适合在伊辛机上求解。

无人机辅助通信中的中继部署与轨迹规划体现了伊辛机在空间优化中的潜力。无人机基站的选址问题可以离散化为候选网格点上的二值决策，联合考虑覆盖范围、回程约束和干扰协调。由于无人机位置和通信资源分配的耦合，问题规模通常较大，传统方法难以在任务时效内给出满意解。伊辛机的高并行求解能力在此类场景中具有明显优势。

四、关键挑战与前沿方向

尽管理论上伊辛机展现出巨大潜力，其在实际无线通信场景中的应用仍面临若干挑战。
大规模问题的映射效率是首要瓶颈。现实网络中的资源分配问题往往涉及数千甚至数万个变量，而当前伊辛机的硬件规模（自旋数量和连接拓扑）仍相对有限。如何在有限硬件约束下设计紧凑的映射方案，以及如何通过问题分解策略将大规模问题切分为可并行的子问题，是当前研究的重点。

罚因子的自动调节是一个尚未充分解决的问题。罚函数法是约束嵌入的核心手段，但罚因子的选择高度依赖问题实例：过大会导致目标函数信息被淹没，过小则约束难以满足。手工调参不仅费时，且难以泛化到动态变化的无线环境。近年来，基于自适应机制和学习的罚因子调节策略开始受到关注。
动态环境下的在线决策对伊辛机提出了更高的要求。无线信道条件、用户分布和业务需求随时间快速变化，组合优化问题本身也在动态演变。伊辛机虽然求解速度快，但每次求解均需重新映射和初始化，如何在连续的时间帧之间进行增量求解和热状态复用，是提升实际部署效率的关键。

与深度学习的融合是一个富有前景的新趋势。深度学习在特征提取和端到端决策方面表现卓越，而伊辛机在离散搜索空间中具有优势。将两者结合——例如利用图神经网络学习问题结构特征以辅助映射设计，或使用伊辛机作为可微分的离散优化模块嵌入神经网络——有望实现更高效的混合优化框架。

五、总结与展望

高速伊辛机为无线通信中广泛存在的组合优化问题提供了一种全新的求解路径。从信道分配到波束赋形，从无人机部署到智能反射面相位设计，伊辛模型在无线领域的应用版图正在迅速扩展。当前的研究已初步验证了这一范式的可行性与潜力，但从实验验证到实际部署仍有相当的距离。
未来值得关注的方向包括：面向无线通信的专用伊辛求解器硬件设计、更智能的问题映射与分解算法、动态环境中的自适应求解策略，以及与深度学习深度融合的端到端优化架构。可以预见，随着伊辛机硬件规模的持续扩大和算法框架的不断完善，这种非传统计算范式将在6G及未来通信系统中发挥越来越重要的作用。

原文链接：https://tus.elsevierpure.com/en/publications/application-of-high-speed-ising-machine-based-optimization-to-wir/