CN109478258A - 使用子逻辑控制训练量子演进 - Google Patents

使用子逻辑控制训练量子演进 Download PDF

Info

Publication number
CN109478258A
CN109478258A CN201680087746.8A CN201680087746A CN109478258A CN 109478258 A CN109478258 A CN 109478258A CN 201680087746 A CN201680087746 A CN 201680087746A CN 109478258 A CN109478258 A CN 109478258A
Authority
CN
China
Prior art keywords
quantum
state
quantized
evolution
objective
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201680087746.8A
Other languages
English (en)
Other versions
CN109478258B (zh
Inventor
瑞安·巴布什
哈特姆特·内文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Google LLC
Original Assignee
Google LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Google LLC filed Critical Google LLC
Priority to CN202210870560.7A priority Critical patent/CN115409189A/zh
Publication of CN109478258A publication Critical patent/CN109478258A/zh
Application granted granted Critical
Publication of CN109478258B publication Critical patent/CN109478258B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/40—Physical realisations or architectures of quantum processors or components for manipulating qubits, e.g. qubit coupling or qubit control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F15/00—Digital computers in general; Data processing equipment in general
    • G06F15/16—Combinations of two or more digital computers each having at least an arithmetic unit, a program unit and a register, e.g. for a simultaneous processing of several programs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B82—NANOTECHNOLOGY
    • B82Y—SPECIFIC USES OR APPLICATIONS OF NANOSTRUCTURES; MEASUREMENT OR ANALYSIS OF NANOSTRUCTURES; MANUFACTURE OR TREATMENT OF NANOSTRUCTURES
    • B82Y10/00—Nanotechnology for information processing, storage or transmission, e.g. quantum computing or single electron logic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Superconductor Devices And Manufacturing Methods Thereof (AREA)
  • Superconductors And Manufacturing Methods Therefor (AREA)

Abstract

用于使用子逻辑控制来训练量子演进的方法、系统和装置。在一个方面中，方法包括以下动作：访问量子硬件，其中，所述量子硬件包括：量子系统，所述量子系统包括一个或多个多级量子子系统；一个或多个控制设备，所述一个或多个控制设备根据一个或多个相应控制参数对所述一个或多个多级量子子系统操作，所述一个或多个相应控制参数与所述多级量子子系统所在的物理环境的参数相关；在初始量子态下初始化所述量子系统，其中，控制参数的初始集合形成定义所述初始量子态的参数化；获得一个或多个量子系统可观察量和一个或多个目标量子态；以及迭代训练，直到完成事件的发生。

Description

使用子逻辑控制训练量子演进
背景技术
本说明书涉及量子计算。
已经提出了量子变分本征求解器作为准备和研究物理上感兴趣的系统的状态的方法。量子变分本征求解器的数字实施方式使用量子逻辑门，该量子逻辑门对量子比特执行精确已知的操作。
发明内容
本说明书描述了用于训练初始量子态的量子演进以实现具有所定义的目标特性的目标量子态的技术。使用通过调谐基本硬件元件(诸如，通常可以用于校准单个量子门的控制旋钮)而定义的可调模拟演进来训练初始量子态的量子演进。
通常，本说明书中描述的主题的一个创新方面可以实施在方法中，该方法包括：访问量子硬件，其中，该量子硬件包括：量子系统，该量子系统包括一个或多个多级量子子系统；一个或多个控制设备，该一个或多个控制设备根据一个或多个相应控制参数对一个或多个多级量子子系统操作，该一个或多个相应控制参数与多级量子子系统所在的物理环境的参数相关；在初始量子态下初始化量子系统，其中，控制参数的初始集合形成定义初始量子态的参数化；获得一个或多个量子系统可观察量和一个或多个目标量子态；以及在迭代训练，直到完成事件的发生。
该方面的其它实施方式包括记录在一个或多个计算机存储设备上的对应计算机系统、装置和计算机程序，每个计算机系统、装置和计算机程序都被配置为执行方法的动作。一个或多个计算机的系统可以被配置为通过在系统上安装的软件、固件、硬件或其组合来执行特定操作或动作，该软件、固件、硬件或其组合在操作中使系统执行动作。一个或多个计算机程序可以被配置为通过包括当由数据处理装置执行时使装置执行动作的指令来执行特定操作或动作。
前述和其它实施方式可以分别单独地或组合地可选地包括以下特征中的一个或多个。在一些实施方式中，迭代训练包括：迭代训练从初始量子态的变化以达到一个或多个目标量子态。
在另外的实施方式中，迭代训练包括：迭代训练初始量子态和随后的量子态的演进以实现一个或多个目标量子态，直到完成事件的发生。
在一些情况下，演进是模拟演进。
在一些实施方式中，针对每次迭代，迭代训练包括：确定成本函数的值，该成本函数是基于针对迭代的当前量子态以及量子系统可观察量中的一个或多个；最小化成本函数的值以确定定义当前量子态的控制参数的更新值；以及确定完成事件是否已经发生。
在其它实施方式中，最小化成本函数的值以确定控制参数的更新值包括：调整控制参数。
在一些情况下，该方法进一步包括：响应于确定完成事件已经发生，提供用于实验探测的一个或多个目标量子态。
在一些实施方式中，(i)量子系统可观察量中的至少一个包括量子系统的哈密顿量，(ii)一个或多个目标量子态包括哈密顿量的一个或多个本征态，以及(iii)实验探测包括测量本征态中的一个或多个的能量以确定本征态的对应能量本征值。
在其它实施方式中，(i)系统可观察量是分子电子结构哈密顿量，(ii)一个或多个目标量子态包括分子电子结构哈密顿量的基态，以及(iii)实验探测包括测量目标量子态以确定基态能量。
在一些情况下，基于量子态和系统可观察量中的一个或多个的成本函数的值是量子态和系统可观察量中的一个或多个的期望值。
在其它情况下，确定量子态和系统可观察量中的一个或多个的期望值包括：在初始量子态下重复地初始化量子系统；针对每个初始化后的量子态，测量一个或多个系统可观察量以确定测量结果集合；基于测量结果集合，确定量子态和系统可观察量中的一个或多个的期望值。
在一些情况下，每个初始化后的量子态都与每个其它初始化后的量子态不同。
在一些实施方式中，确定量子态和系统可观察量中的一个或多个的期望值包括：确定密度算子和一个或多个系统可观察量的期望值。
在其它实施方式中，获得一个或多个目标量子态包括：将优化问题的解编码到量子系统的基态中。
在一些情况下，该方法进一步包括：从实验探测获得优化问题的解。
在一些实施方式中，(i)初始量子态对训练数据进行编码，(ii)一个或多个系统可观察量充当预测函数，以及(iii)迭代训练从初始量子态的变化包括对机器学习问题求解。
在一些情况下，量子硬件包括量子电路。
在一些情况下，控制设备包括一个或多个量子门，该一个或多个量子门通过一个或多个相应控制参数对量子系统操作。
在一些实施方式中，该方法进一步包括校准量子门中的一个或多个，包括：针对要校准的每个量子门：定义量子门对量子系统的正确动作；执行测量以确定量子门对量子系统的动作；以及响应于确定量子门对量子系统的动作不正确，针对量子门调整对应控制参数。
在一些情况下，迭代训练包括：将迭代训练与校准量子门中的一个或多个组合。
在其它情况下，最小化成本函数的值以确定控制参数的更新值包括：执行无梯度贪婪最小化方法。
在一些实施方式中，完成事件是基于量子态和系统可观察量中的一个或多个的成本函数的确定值收敛。
在一些情况下，初始量子态是耦合至超导量子比特的谐振器的状态。
可以以特定方式实施本说明书中描述的主题，以便实现以下优点中的一个或多个。
使用子逻辑控制的系统训练量子演进通过直接调整包括在系统中的控制设备的控制参数(例如，通过调整数模转换器上的电压)执行变分最小化程序来参数化使用量子系统的自然控制参数的量子演进。通过利用低级控制来参数化拟设，使用子逻辑控制的系统训练量子演进，与使用可调量子门训练量子演进的系统相反，以对系统误差来说不可知并且对许多控制和校准问题来说鲁棒的整体映射作为交换，能够避免对有效电路的精确知识。此外，使用低级控制可以实现从根本上更准确地表示期望状态，因为实现了对状态的演进的控制的增加。使用硬件级控制提供了对演进和要准备的状态的最大程度的控制，因此，即使存在误差，也为正在模拟的模型创建更精确的拟设。
使用子逻辑控制的系统训练量子演进在不使用参数化的数字量子电路的情况下适应性地训练量子演进以实现具有目标特性的目标量子态，从而降低系统的实验复杂性，因为这种量子电路实施起来可能非常复杂。相反，与其它量子演进训练系统不同，使用子逻辑控制的系统训练量子演进可以放弃数字量子门的概念，支持通过使用通常为校准单个门保留的控制参数而定义的可调模拟演进。通过在基本硬件元件的级别上操作，使用子逻辑控制的系统训练量子演进不需要对有效电路的精确知识，而是执行对系统误差来说不可知并且对许多控制和校准问题来说鲁棒的整体映射。
数字量子电路可以包括对量子比特(qubits)或者在一些示例中的多维量子比特(qudits)执行精确操作的量子逻辑门。在许多设置中，量子逻辑门模型算法指定量子电路并且要求实验者以最小误差执行所指定的量子电路。这可能是有挑战性的任务，因为实施量子逻辑门模型算法可能需要许多量子逻辑门。因此，基于量子逻辑门模型的可扩展计算可能需要昂贵的过程，诸如，量子误差校正。此外，必须在执行之前校准电路中的每个门。不通过使用子逻辑控制训练量子演进的系统可以通过仔细地调整硬件控制参数并且执行经典最小化回路以完善每个单独的门来校准量子门。因此，为了应用量子电路可能需要大量努力，这在任何情况下都不会是没有误差的。事实上，系统可能会发生大量误差，诸如，控制误差(该误差是由不完全形成门的脉冲引起的，这是常有的事)或者由与系统耦合的噪音引起的误差。
使用子逻辑控制的系统训练量子演进可以适用于各种设置并且用于操纵各种类型的可控状态，诸如，存在于附接至超导量子比特的谐振器中的那些状态。这种谐振器状态是可控的并且定义了适当的变分拟设。
可以使用使用子逻辑控制的系统训练量子演进来代替用于门校准的标准方法或者与其结合，以便提高系统可扩展性和性能。量子门可以通过特定哈密顿量下的量子系统的精确演进生成。例如，在超导Gmon量子比特的情况下，系统可以由通过下面的等式(1)给出的哈密顿量描述。
在等式(1)中，Xi、Yi、Zi是泡利算子(Pauli operator)，并且ai(t)、bi(t)、ci(t)和gij(t)是由通过硬件中的导线发送的微波脉冲生成的时间相关曲线。为了执行量子电路，可能要求实验者首先通过硬件中的导线发送指定脉冲来校准包括在量子电路中的所有量子门。在超导电子学的情况下，脉冲可以被认为是通过傅里叶级数形成的，例如，在量子比特q上诱导局部Y场的脉冲可以由给出，其中，ω0是基频，并且AK、BK确定脉冲形状。在硬件级，可以通过使用数模转换器(DAC)来设计脉冲Y1和Y2，该数模转换器针对每条线设置电压与时间。
可以精确或近似地确定需要哪些脉冲以便执行期望的量子门，然后对所确定的脉冲进行傅里叶变换并且将脉冲编程到适当的DAC中。然而，DAC的设置与通过脉冲所作用的系统看到的实际脉冲之间的准确映射对于实验室中的实际实验系统来说不精确。例如，可以以特定方式对DAC进行编程以便执行特定任务，然而，实际上，DAC的物理动作可能偏离预期动作，例如，由于未知的持续系统误差。例如，实验室中的DAC可能处于室温，而量子芯片可能处于毫开尔文(milikelven)温度，导致不可预测或者不期望的转换，因为信号由于波导的温度变化而向下行进到芯片。
与其它系统不同，使用子逻辑控制的系统训练量子演进可能不需要来自量子控制理论的协议，诸如，斩波随机基础方案(chopped random basis scheme)，以便形成干净的量子门。同样地，与实施量子控制程序以调谐单个门的其它系统不同，如上所述，使用子逻辑控制的系统训练量子演进可以用于校准或训练整个电路。在一些实施方式中，例如，针对具有高级架构的系统，将通过使用子逻辑控制训练量子演进与上述的用于门校准的标准方法组合可能是进一步有利的。
此外，与不使用子逻辑控制训练量子演进的系统相比，使用子逻辑控制的系统训练量子演进可能是更鲁棒的，并且避免将某些控制或系统误差引入到量子系统中。例如，实验者通常可以使用控制理论反馈从子逻辑控制中形成门，因为控制参数对系统的动作可能不是完全已知的或者可预测的。然而，这种控制或系统误差对于使用子逻辑控制的系统训练量子演进来说不成问题，因为用于确定控制参数更新的经典最小化过程对于硬件中正在发生的事情来说是不可知的，如果假设以某种方式参数化拟设，则它是不成问题的，但是如果参数化不改变，则实际上参数化程度略有不同。
另外，使用子逻辑控制的系统训练量子演进能够容忍量子比特状态以外的泄漏，这是大多数量子计算设置都存在极大问题的地方。在量子比特流形上定义变分拟设但是允许状态或部分状态离开流形是允许的，相当于执行非单一运算并重整状态。
与其它量子演进训练系统不同，使用子逻辑控制的系统训练量子演进可以应用于多级量子系统，例如，除了量子比特之外的多级系统，因为任何量子系统的任何参数化的量子演进都可以用于定义拟设。因此，使用子逻辑控制的系统训练量子演进的实用性和适用性大大提高，因为量子硬件通常遭受量子比特泄漏，即，量子比特可能仅是近似量子比特，并且有时可能占据更高的能量级。另外，使用子逻辑控制的系统训练量子演进可以应用于训练量子演进，并且即使在存在噪音的情况下也能实现具有目标特性的量子态，即，使用子逻辑控制的系统训练量子演进不要求闭合演进。
使用子逻辑控制的训练量子演进可以应用于各种设置，具体地，工业价值的设置。通常，由于量子力学而难以研究的任何物理系统都可以受益于实施用于通过使用子逻辑控制训练量子演进的系统。例如，使用子逻辑控制的训练量子演进可以用于准备分子电子结构哈密顿量的基态，这描述了分子的能量学——引人注目的小量子计算机的工业应用。在量子计算机上对这种问题求解将提供描述了化学反应的能量表面，并且可以用于预测化学速率，例如，从而显著地加速药物发现、太阳能电池设计和工业催化剂开发。作为另一示例，使用子逻辑控制的训练量子演进可以用于研究高温超导体的属性，例如，通过研究费米-哈伯德(Fermi-Hubbard)模型。作为另外的示例，使用子逻辑控制的训练量子演进可以用于通过凝聚态物理来模拟模型，例如，用于调查和设计材料属性。
在下面的附图和描述中陈述了本说明的主题的一种或多种实施方式的细节。主题的其它特征、方面和优点将通过说明书、附图和权利要求书而变得显而易见。
附图说明
图1描绘了示例量子演进训练系统。
图2是用于通过使用子逻辑控制来训练量子演进的示例过程的流程图。
图3是用于训练量子态的量子演进的示例迭代的流程图。
在各种附图中，相同的附图标记和名称指示相同元件。
具体实施方式
本说明书描述了一种用于通过使用硬件级控制来适应性地训练量子演进以实现具有目标特性的量子态的装置和方法。该装置和方法具有在各种设置下的应用，包括机器学习任务和量子模拟，例如，准备和研究物理上感兴趣的状态。
例如，可能需要准备或求解量子系统的量子态|ψ>，这是哈密顿函数H的最低能量本征值，使得H|ψ>＝E0|ψ>。一种近似准备|ψ>的方法是根据由向量表示的参数的多项式数量来参数化称为拟设(ansatz)的猜测波函数然后，量子变分原理认为，当时，具有相等性。因此，通过求解|ψ>可以被近似为这使得上述不等式在参数化内尽可能紧密。本说明书描述了用于通过使用低级(即，子逻辑)控制参数化的装置和方法，该低级控制是基于对应量子系统的自然控制旋钮来参数化拟设。
示例操作环境
图1描绘了示例量子演进训练系统100。示例系统100是在一个或多个位置中的一个或多个经典计算机或量子计算设备上实施为经典或量子计算机程序的系统的示例，其中，可以实施下面描述的系统、组件和技术。
量子演进训练系统100可以包括与经典处理器104进行数据通信的量子硬件102。量子演进训练系统100可以接收可以包括指定一个或多个量子系统可观察量和一个或多个目标量子态(例如，具有对应目标特性的量子态)的数据的数据作为输入，例如，可观察量和目标特性106。演进训练系统100可以生成指定一个或多个目标量子态(例如，目标量子态110)的数据作为输出。
一个或多个量子系统可观察量可以包括可测量的算子，例如，哈密顿算子、动量算子或位置算子。目标量子态可以包括哈密顿算子的一个或多个本征态，例如，哈密顿算子的基态。在一些实施方式中，可以将优化问题的解编码到哈密顿算子的基态中。可以进一步提供指定目标量子态110的数据以用于实验探测或后处理，例如，可以测量目标量子态的能量以确定对应的能量本征值。
量子硬件102可以包括量子系统112、控制设备114和指定拟设116的数据。量子系统112可以包括一个或多个多级量子子系统，例如，量子比特或者多维量子比特。在一些实施方式中，多级量子子系统可以是超导量子比特，例如，Gmon量子比特。系统100使用的多级量子子系统的类型取决于系统100被应用于的应用。例如，在一些情况下，可能方便的是包括附接至一个或多个超导量子比特(例如，Gmon或Xmon量子比特)的一个或多个谐振器。在其它情况下，可以使用离子阱、光子设备或超导腔(可以在不需要量子比特的情况下准备状态)。实现多级量子子系统的另外的示例包括fluxmon量子比特、硅量子点或者磷杂质量子比特。
一个或多个控制设备114可以被配置为通过一个或多个相应控制参数118(例如，一个或多个物理控制参数)对多级量子子系统112操作。例如，在一些实施方式中，多级量子子系统可以是超导量子比特，并且控制设备114可以包括具有相应的电压物理控制参数的一个或多个数模转换器(DAC)。在其它实施方式中，量子系统112可以包括量子电路，并且控制设备114可以包括一个或多个量子逻辑门，该一个或多个量子逻辑门通过微波脉冲物理控制参数对量子系统112操作，该微波脉冲物理控制参数是通过包括在量子硬件102中的导线发送的。控制设备的另外的示例包括可以产生DAC控制的信号的任意波形生成器。控制参数可以包括量子比特频率。
指定拟设116的数据包括参数集合118，并且是基于量子系统112和作用于量子系统112的控制设备114的知识选择的。例如，拟设116可以是变分拟设，该变分拟设使用有关量子硬件102的信息(诸如，控制设备114及其相应控制参数118)来确定量子系统112的状态的参数化。在一些实施方式中，量子硬件102直接用于参数化拟设116，该拟设116是形成变分拟设116的变分类参数，其可以包括控制设备114的子逻辑物理控制参数。
量子硬件102可以被配置为对量子系统112执行量子测量，并且将测量结果发送到经典处理器104。另外，量子硬件102可以被配置为从经典处理器104接收指定更新的物理控制参数值120的数据。量子硬件102可以使用接收到的物理控制参数值120的更新值来更新控制设备114对量子系统112的动作，从而训练量子态112的演进。例如，量子硬件可以接收指定表示包括在控制设备114中的一个或多个DAC的电压强度的新值的数据，并且可以相应地更新DAC对量子系统112的动作。
经典处理器104可以被配置为：例如，通过将数据发送到指定参数的初始集合的量子硬件102来在初始量子态下初始化量子系统112，并且迭代训练初始量子态和随后的量子态的模拟演进以实现具有目标特性106的目标量子态100。经典处理器可以被配置为：迭代训练初始量子态的模拟演进，直到完成事件的发生，例如，直到接收到的测量结果108收敛。经典处理器104可以确定完全事件已经发生，并且提供具有所定义的目标特性106的目标量子态110用于实验探测，如上所述。
经典处理器104可以进一步被配置为：确定基于量子系统112的量子态和系统可观察量106中的一个或多个系统可观察量的成本函数的值，并且最小化成本函数的值以确定物理控制参数120的更新值。例如，经典处理器可以被配置为执行最小化方法，诸如，包括鲍威尔法(Powell’s method)或单纯形法(Nelder-Mead)的无梯度最小化方法。
在一些实施方式中，基于量子系统112的量子态和系统可观察量106中的一个或多个系统可观察量的成本函数的值是量子态和系统可观察量的期望值。例如，经典处理器104可以被配置为：在初始量子态下重复地初始化量子系统，并且针对每个初始化后的量子态，启动系统可观察量中的一个或多个的测量以确定测量结果集合，例如，测量结果集合108。基于测量结果集合，经典处理器104可以被配置为确定量子态和系统可观察量中的一个或多个系统可观察量的对应期望值。在其它示例中，经典处理器104可以被配置为确定密度算子和一个或多个系统可观察量的期望值。
经典处理器104可以进一步被配置为校准可以包括在量子硬件102中的一个或多个量子门。例如，经典处理器可以被配置为：定义量子门对量子系统112的正确动作，执行或启动量子系统112的测量以确定量子门对量子系统112的动作，并且响应于确定量子门对量子系统的动作不正确，针对量子门调整对应的物理控制参数，并且向量子硬件102提供调整后的更新物理控制参数120。在一些实施方式中，经典处理器可以被配置为：通过将对初始量子态和随后的量子态的模拟演进的迭代训练与门校准技术组合，来迭代训练量子态的模拟演进以实现具有目标特性的目标量子态。
对硬件进行编程
图2是用于通过使用子逻辑控制来训练量子演进的示例过程200的流程图。为了方便起见，过程200将被描述为由位于一个或多个位置中的一个或多个经典或量子计算设备的系统执行。例如，根据本说明书适当编程的量子演进训练系统(例如，图1的量子演进训练系统100)可以执行过程200。
系统访问量子硬件，例如，图1的量子硬件102(步骤202)。量子硬件可以包括：包括一个或多个多级量子子系统的量子系统，例如，图1的量子系统112；以及根据一个或多个相应控制参数对一个或多个多级量子子系统操作的一个或多个控制设备，例如，图1的控制设备114和相应控制参数118。相应控制参数可以包括物理控制参数。上面参照图1描述了示例多级量子系统和对其操作的控制设备。
量子硬件可以包括量子电路，该量子电路又可以包括通过一个或多个相应控制参数对量子系统操作的一个或多个量子逻辑门。在一些实施方式中，该系统可以通过使用控制设备校准包括在量子硬件中的量子逻辑门中的一个或多个。例如，针对要校准的每个量子门，该系统可以定义量子门对量子系统的正确动作，并且执行测量以确定量子门对量子系统的动作。响应于确定量子门对量子系统的动作不正确，该系统可以针对量子门调整对应控制参数。在一些实施方式中，该系统可以将过程200与量子门校准技术组合，例如，当量子硬件包括高级架构时。
系统在初始量子态下初始化量子系统(步骤204)。控制参数的初始集合可以形成定义初始量子态的参数化。初始化后的量子态可以是参数化的量子态，例如，拟设或“猜测”波函数，其中，控制参数形成量子态的参数化。在一些实施方式中，初始量子态是耦合至超导量子比特的谐振器的状态。这种谐振器状态是可控的并且可以形成变分拟设。
该系统获得一个或多个量子系统可观察量和一个或多个目标量子态(步骤206)。
在一些实施方式中，用于通过使用子逻辑控制训练量子演进的过程200可以应用于量子模拟任务，例如，准备和研究物理上感兴趣的状态。在这种情况下，该系统可以接收包括量子系统的哈密顿量的一个或多个量子系统可观察量。该系统可以进一步接收包括所定义的哈密顿量的一个或多个本征态的一个或多个目标量子态。例如，接收到的量子系统可观察量可以是分子电子结构哈密顿量，并且对应的目标量子态可以包括分子电子结构哈密顿量的基态。在另一示例中，接收到的量子系统可观察量可以是费米-哈伯德模型哈密顿量，并且对应的目标量子态可以包括哈密顿量的一个或多个本征态。通常，过程200可以应用于量子模拟任务，该量子模拟任务涉及由于量子力学而难以研究的任何物理系统的研究。
在其它实施方式中，用于通过使用子逻辑控制训练量子演进的过程200可以应用于机器学习任务，例如，对优化任务求解。在这种情况下，该系统可以接收可以包括量子系统的哈密顿量的一个或多个量子系统可观察量。该系统可以进一步接收将优化任务的解编码到量子系统的基态中的目标量子态。下面参照图3更详细地描述了通过使用子逻辑控制来训练量子演进到机器学习任务的应用。
该系统迭代训练，直到完成事件的发生(步骤208)。该系统可以迭代训练从初始量子态的变化以达到一个或多个目标状态。在一些实施方式中，该系统可以迭代训练初始量子态和随后的量子态的演进以实现一个或多个目标量子态。演进可以是模拟演进。可以执行迭代训练，直到完成事件的发生，例如，直到初始量子态和随后的量子态的模拟演进收敛。下面参照图3更详细地描述迭代训练量子态的模拟演进。
该系统提供用于实验探测的目标量子态(步骤210)。响应于确定完成事件已经发生，该系统可以提供用于实验探测的目标量子态。例如，如上面参照步骤206所描述的，在一些实施方式中，过程200可以应用于量子模拟任务，例如，准备和研究物理上感兴趣的状态。在系统可观察量中的至少一个包括量子系统的哈密顿量并且一个或多个目标量子态包括哈密顿量的一个或多个本征态的示例中，实验探测可以包括测量本征态中的一个或多个的能量以确定本征态的对应能量本征值。例如，在系统可观察量是分子电子结构哈密顿量并且目标量子态包括分子电子结构哈密顿量的基态的实施方式中，实验探测可以包括测量目标量子态以确定基态能量。
同样地，如上面参照步骤206所描述的，在其它实施方式中，过程200可以应用于机器学习任务，例如，对优化任务求解。在目标量子态的目标特性包括将优化任务的解编码到量子系统的基态中的示例中，实验探测可以包括对机器学习问题求解，例如，获得优化问题的解。
图3是用于训练量子态的模拟演进的示例过程300的流程图。例如，过程300可能描述了迭代训练初始量子态和随后的量子态的演进以实现目标量子态，如上面在图2的步骤208中所描述的。为了方便起见，过程300将被描述为由位于一个或多个位置中的一个或多个计算设备执行。例如，根据本说明书适当编程的量子演进训练系统(例如，图1的量子演进训练系统100)可以执行过程300。
量子演进训练系统确定成本函数的值(步骤302)。成本函数可以基于针对迭代的量子态和一个或多个系统可观察量。
在一些实施方式中，基于量子态和一个或多个系统可观察量的成本函数的值可以是量子态和系统可观察量中的一个或多个系统可观察量的期望值。量子演进训练系统可以通过在初始量子态下重复地初始化量子系统来确定量子态和系统可观察量中的一个或多个系统可观察量的期望值。在一些实施方式中，每个初始化后的量子态都与每个其它初始化后的量子态不同。针对每个初始化后的量子态，系统可以测量一个或多个系统可观察量以确定测量结果集合。基于测量结果集合，量子演进训练系统可以确定量子态和系统可观察量中的一个或多个系统可观察量的期望值。在一些实施方式中，量子演进训练系统可以通过确定密度算子和一个或多个系统可观察量的期望值来确定量子态和系统可观察量中的一个或多个系统可观察量的期望值。
在一些实施方式中，基于量子态和一个或多个系统可观察量的成本函数的值可能不是量子态和系统哈密顿量的期望值，而是由量子系统的另一可观察量定义的目标函数的最小值。例如，如上面参照图2所描述的，过程200和300可以应用于机器学习任务，例如，对优化任务求解，这可以始终表示为需要最小化对应目标函数的任务。
这种机器学习任务的示例是通过使用噪音数据来训练二进制分类器。这可以视为机器学习问题，其中，训练数据被提供为由xi表示的N个特征的向量。可以存在M个训练示例，这M个训练示例可以分别与表示为yi的二进制标签(例如，0或1)相关联。可以将训练问题公式化以确定通过对示例i进行分类来预测数据的最佳分类器。因此，目标可能是找到函数F，使得针对训练集合中的所有(xi，yi)，F(xi)＝yi。当数据中存在标签噪音可能使其无法满足所有示例时，这个问题在形式上可能变得困难。为了利用噪音数据训练分类器，可以使用非凸损失函数作为0至1损失，这对标签噪音来说是鲁棒的。例如，如果根据变量参数化F，则可以将训练问题公式化以通过最小化量的方式选择可以将分类器视为特征空间中的超平面，其将数据点分为负分类和正分类。示例i从分类超平面落下的距离可以称为边距。在该示例中，符号函数是损失函数，并且yiF(xi)是边距。负边距可以表示与训练标签相对的分类，而正边距可以表示与训练标签一致的分类。
这种优化可以通过使用利用子逻辑控制训练的量子演进(例如，通过使用过程200和300)执行。例如，在过程200的步骤204中，例如，可以在对由|φi>表示的其中一个xi进行编码的状态下初始化对应的量子硬件，并且F可以定义为输出状态的可观察量，其中，是可以通过使用对每个xi进行分类的量子电路计算的训练目标。因此，可以通过给出要最小化的成本函数的值。然后可以通过使用标准技术来计算边距、损失和经验风险。一旦定义了成本函数，通过使用子逻辑控制训练量子演进的过程就可以用于找到最小化所定义的成本函数的量子态。
可以应用过程200和300的机器学习任务的附加示例是训练神经网络。例如，可以通过选择成本函数来将数据网络的训练视为通过使用子逻辑控制训练量子演进的过程，该成本函数由与状态相关联的概率分布与通过训练数据所暗示的模型之间的库尔贝克-莱布勒(Kullback-Leibler)散度表示。
量子演进训练系统最小化成本函数的值以确定控制参数的更新值(步骤304)。在一些实施方式中，量子演进训练系统通过调整控制参数(例如，调整物理控制参数)来最小化成本函数的值以确定控制参数的更新值。例如，确定可以在特定量子比特上诱导局部场的脉冲形状的参数可以通过改变电压DAC上的对应像素来调整。作为另一示例，当量子硬件包括离子阱时，可以通过使用激光来控制量子比特，并且可以调整确定激光脉冲形状或强度的参数。可以调整的其它控制参数包括量子比特频率或芯片温度。量子硬件训练系统可以通过执行无梯度贪婪最小化(gradient-free greedy minimization)方法(例如，鲍威尔法或单纯形法)来最小化成本函数的值以确定控制参数的更新值。例如，如果成本函数是量子态和一个或多个系统可观察量的期望值，则量子演进训练系统可以执行能量图景的贪婪最小化，以便建议系统参数(例如，硬件控制参数)的新设置。
量子演进训练系统迭代地执行步骤302和304，直到确定完成事件已经发生(步骤306)。在一些实施方式中，完成事件是上面参照步骤302所描述的基于状态和系统可观察量中的一个或多个的成本函数的确定值收敛。
本说明书中描述的数字和/或量子主题以及数字功能操作和量子操作的实施方式可以在数字电子电路系统、合适的量子电路系统或更一般的量子计算系统、有形的数字和/或量子计算机软件或固件、数字和/或量子计算机硬件(包括本说明书中公开的结构及其结构等同物)或者它们中的一个或多个的组合中实施。术语“量子计算系统(quantumcomputational systems)”可以包括但不限于量子计算机、量子信息处理系统、量子加密系统或量子模拟器。
可以将本说明书中描述的数字和/或量子主题的实施方式实施为一个或多个数字和/或量子计算机程序，即，编码在有形的非暂时性存储介质上以由数据处理装置执行或者以控制该数据处理装置的操作的数字和/或量子计算机程序指令的一个或多个模块。数字和/或量子计算机存储介质可以是机器可读存储设备、机器可读存储基板、随机或串行存取存储器设备、一个或多个量子比特或者它们中的一个或多个的组合。可替代地或者另外，程序指令可以编码在能够对数字和/或量子信息进行编码的人工生成的传播信号上，例如，机器生成的电气、光学或电磁信号，生成该信号是为了对数字和/或量子信息进行编码以便传输至合适的接收器装置供数据处理装置执行。
术语量子信息和量子数据是指由量子系统承载、保持或存储的信息或数据，其中，最小的非平凡系统是量子比特，即，定义量子信息的单元的系统。要理解，术语“量子比特”涵盖可以在对应的上下文中适当地近似为两级系统的所有量子系统。这种量子系统可以包括多级系统，例如，具有两个或多个级别。例如，这种系统可以包括原子、电子、光子、离子或超导量子比特。在许多实施方式中，利用地面和第一激发态标识计算基础状态，但是要理解，利用较高级别的激发态标识计算状态的其它设置是可能的。术语“数据处理装置”指的是数字和/或量子数据处理硬件，并且涵盖用于处理数字和/或量子数据的各种装置、设备和机器，包括：例如，可编程数字处理器、可编程量子处理器、数字计算机、量子计算机、多个数字和量子处理器或计算机及其组合。该装置还可以或者进一步包括专用逻辑电路系统，例如，FPGA(现场可编程门阵列)、ASIC(专用集成电路)或量子模拟器，即，量子数据处理装置，旨在模拟或产生有关特定量子系统的信息。具体地，量子模拟器是专用量子计算机，它不具有执行通用量子计算的能力。除了硬件之外，该装置可以可选地包括为数字和/或量子计算机程序创建执行环境的代码，例如，构成处理器固件、协议栈、数据库管理系统、操作系统、或者它们中的一个或多个的组合的代码。
可以用任何形式的编程语言(包括：编译语言或解释语言、或者陈述性语言或程序语言)来编写数字计算机程序(这也可以称为或者描述为程序、软件、软件应用、模块、软件模块、脚本或代码)，并且可以按照任何形式(包括：作为独立式程序或者作为模块、组件、子例程或适合用于数字计算环境的其它单元)来部署数字计算机程序。可以用任何形式的编程语言(包括：编译语言或解释语言、或者陈述性语言或程序语言)来编写量子计算机程序(这也可以称为或者描述为程序、软件、软件应用、模块、软件模块、脚本或代码)，并且可以翻译成合适的量子编程语言，或者可以用量子编程语言编写，例如，QCL或Quipper。
数字和/或量子计算机程序可以但并非必须与文件系统中的文件对应。可以将程序存储在保持其它程序或者数据(例如，存储在标记语言文档中的一个或多个脚本)的文件的一部分中，或者存储在专用于探讨中的程序的单个文件中，或者存储在多个协作文件(例如，存储一个或多个模块、子程序或者部分代码的文件)中。可以部署数字和/或量子计算机程序以在一个数字或一个量子计算机上或在位于一个站点或分布在多个站点并通过数字和/或量子数据通信网络互连的多个数字和/或量子计算机上执行。量子数据通信网络被理解为可以使用量子系统(例如量子比特)传输量子数据的网络。通常，数字数据通信网络不能传输量子数据，然而，量子数据通信网络可以传输量子数据和数字数据。
本说明书中描述的过程和逻辑流程可以由一个或多个可编程数字和/或量子计算机执行，适当地与一个或多个数字和/或量子处理器一起操作，执行一个或多个数字和/或量子计算机程序以通过对输入数字和量子数据进行操作并生成输出来执行功能。过程和逻辑流程也可以由专用逻辑电路系统执行，并且装置也可以实施为专用逻辑电路系统，例如，FPGA或ASIC或量子模拟器，或者通过专用逻辑电路系统或量子模拟器和一个或多个编程的数字和/或量子计算机的组合来实施。
一个或多个数字和/或量子计算机的系统“被配置为”执行特定操作或动作意味着系统已经在其上安装了软件、固件、硬件或它们的组合，其在操作中使系统执行操作或动作。一个或多个数字和/或量子计算机程序被配置为执行特定操作或动作意味着一个或多个程序包括当由数字和/或量子数据处理装置执行时使装置执行操作或行动的指令。量子计算机可以从数字计算机接收指令，该指令在由量子计算装置执行时使装置执行操作或动作。
适合于执行数字和/或量子计算机程序的数字和/或量子计算机可以基于通用或专用数字和/或量子处理器或两者、或者任何其它类型的中央数字和/或量子处理单元。通常，中央数字和/或量子处理单元将从只读存储器、随机存取存储器或适合于传输量子数据(例如，光子)的量子系统、或其组合接收指令和数字和/或量子数据。
数字和/或量子计算机的基本元件是用于执行或实施指令的中央处理单元以及用于存储指令和数字和/或量子数据的一个或多个存储器设备。中央处理单元和存储器可以由专用逻辑电路系统或量子模拟器补充或者并入到该专用逻辑电路系统或量子模拟器中。通常，数字和/或量子计算机还将包括或可操作地耦合至用于存储数字和/或量子数据的一个或多个海量存储设备，以从其接收数字和/或量子数据或向其传输数字和/或量子数据或者两者都有，例如，磁盘、磁光盘、光盘或适合于存储量子信息的量子系统。然而，数字和/或量子计算机无需具有这种设备。
适合于存储数字和/或量子计算机程序指令和数字和/或量子数据的数字和/或量子计算机可读介质包括所有形式的非易失性数字和/或量子存储器、介质和存储器设备，例如，包括：半导体存储器设备，例如，EPROM、EEPROM和闪速存储器设备；磁盘，例如，内部硬盘或者可移动盘；磁光盘；CD-ROM盘和DVD-ROM盘；以及量子系统，例如，被捕获的原子或电子。要理解，量子存储器是可以以高保真度和高效率长时间存储量子数据的设备，例如，光用于传输的光物质界面和用于存储和保存诸如叠加或量子相干性等量子数据的量子特征的物质。
对本说明书中描述的各种系统或其部分的控制可以在包括指令的数字和/或量子计算机程序产品中实施，该指令存储在一个或多个非暂时性机器可读存储介质上并且可在一个或多个数字和/或量子处理设备上执行。本说明书中描述的系统或其部分可以分别实施为可以包括一个或多个数字和/或量子处理设备和存储器的装置、方法或系统，以存储可执行指令以执行本说明书中描述的操作。
虽然本说明书包含了许多具体实施细节，但是不应该将这些细节视为对可能被要求的内容的范围的限制，而是作为可以针对特定实施方式的特征的说明。在本说明书中在单独实施方式的背景下描述的某些特征还可以组合地实施在单个实施方式中。相反，在单个实施方式的背景中描述的各种特征也可以单独地或者按照任何合适的子组合实施在多个实施方式中。而且，虽然上文可能将特征描述为以某些组合来起作用并且最初甚至同样地对该特征进行了要求，但是在一些情况下可以从组合中删除来自所要求的组合的一个或多个特征，并且所要求的组合可以指向子组合或者子组合的变型。
同样地，虽然在附图中按照特定顺序描绘了操作，但是这不应被理解为要求按照所示的特定顺序或者按相继顺序执行这种操作，或者执行所有所示的操作以实现期望的结果。在某些情况下，多任务处理和并行处理可能是有利的。而且，不应该将在上述实施方式中的各种系统模块和组件的分离理解为在所有实施方式中需要这种分离，并且应该理解，所描述的程序组件和系统通常可以一起集成在单个软件产品中或者封装到多个软件产品中。
已经描述了本主题的特定实施方式。其它实施方式在以下权利要求书的范围内。例如，在权利要求书中叙述的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。作为一个示例，在附图中描绘的过程不一定需要所示的特定顺序或者相继顺序，以实现期望的结果。在某些情况下，多任务处理和并行处理可能是有利的。

Claims (34)

1.一种方法，所述方法包括：
访问量子硬件，其中，所述量子硬件包括：
量子系统，所述量子系统包括一个或多个多级量子子系统；
一个或多个控制设备，所述一个或多个控制设备根据一个或多个相应控制参数对所述一个或多个多级量子子系统操作，所述一个或多个相应控制参数与所述多级量子子系统所在的物理环境的参数相关；
在初始量子态下初始化所述量子系统，其中，控制参数的初始集合形成定义所述初始量子态的参数化；
获得一个或多个量子系统可观察量和一个或多个目标量子态；以及
迭代训练，直到完成事件的发生。
2.根据权利要求1所述的方法，其中，迭代训练包括：迭代训练从所述初始量子态的变化以达到所述一个或多个目标量子态。
3.根据权利要求1所述的方法，其中，迭代训练包括：迭代训练所述初始量子态和随后的量子态的演进以实现所述一个或多个目标量子态，直到完成事件的所述发生。
4.根据权利要求3所述的方法，其中，所述演进是模拟演进。
5.根据权利要求1至4中任一项所述的方法，其中，针对每次迭代，迭代训练包括：
确定成本函数的值，所述成本函数是基于针对该迭代的当前量子态以及所述量子系统可观察量中的所述一个或多个量子系统可观察量；
最小化所述成本函数的所述值以确定定义所述当前量子态的所述控制参数的更新值；以及
确定所述完成事件是否已经发生。
6.根据权利要求5所述的方法，其中，最小化所述成本函数的所述值以确定所述控制参数的更新值包括：调整所述控制参数。
7.根据权利要求5或6所述的方法，进一步包括：响应于确定所述完成事件已经发生，提供用于实验探测的所述一个或多个目标量子态。
8.根据权利要求7所述的方法，其中，(i)所述量子系统可观察量中的至少一个量子系统可观察量包括所述量子系统的哈密顿量，(ii)所述一个或多个目标量子态包括所述哈密顿量的一个或多个本征态，以及(iii)实验探测包括测量所述本征态中的一个或多个本征态的能量以确定所述本征态的对应能量本征值。
9.根据权利要求7或8所述的方法，其中，(i)所述系统可观察量是分子电子结构哈密顿量，(ii)所述一个或多个目标量子态包括所述分子电子结构哈密顿量的基态，以及(iii)实验探测包括测量所述目标量子态以确定基态能量。
10.根据权利要求5至9中任一项所述的方法，其中，基于所述量子态和所述系统可观察量中的一个或多个系统可观察量的所述成本函数的所述值是所述量子态和所述系统可观察量中的一个或多个系统可观察量的期望值。
11.根据权利要求10所述的方法，其中，确定所述量子态和所述系统可观察量中的一个或多个系统可观察量的期望值包括：
在初始量子态下重复地初始化所述量子系统；
针对每个初始化后的量子态，测量所述一个或多个系统可观察量以确定测量结果集合；
基于所述测量结果集合，确定所述量子态和所述系统可观察量中的一个或多个系统可观察量的期望值。
12.根据权利要求11所述的方法，其中，每个初始化后的量子态都与每个其它初始化后的量子态不同。
13.根据权利要求11或12所述的方法，其中，确定所述量子态和所述系统可观察量中的一个或多个系统可观察量的期望值包括：确定密度算子和所述一个或多个系统可观察量的期望值。
14.根据权利要求5至13中任一项所述的方法，其中，最小化所述成本函数的所述值以确定所述控制参数的更新值包括：执行无梯度贪婪最小化方法。
15.根据权利要求5至14中任一项所述的方法，其中，所述完成事件是基于所述量子态和所述系统可观察量中的一个或多个系统可观察量的所述成本函数的所述确定值收敛。
16.根据前述权利要求中任一项所述的方法，其中，获得一个或多个目标量子态包括：将优化问题的解编码到所述量子系统的所述基态中。
17.根据权利要求16所述的方法，进一步包括：从所述实验探测获得所述优化问题的解。
18.根据前述权利要求中任一项所述的方法，其中，所述量子硬件包括量子电路。
19.根据权利要求18所述的方法，其中，所述控制设备包括一个或多个量子门，所述一个或多个量子门通过一个或多个相应控制参数对所述量子系统操作。
20.根据权利要求19所述的方法，进一步包括校准所述量子门中的一个或多个量子门，包括：针对要校准的每个量子门：
定义该量子门对所述量子系统的正确动作；
执行测量以确定该量子门对所述量子系统的所述动作；以及
响应于确定该量子门对所述量子系统的所述动作不正确，针对该量子门调整所述对应控制参数。
21.根据权利要求20所述的方法，其中，迭代训练包括：将迭代训练与校准所述量子门中的一个或多个量子门组合。
22.根据前述权利要求中任一项所述的方法，其中，(i)所述初始量子态对训练数据进行编码，(ii)所述一个或多个系统可观察量充当预测函数，以及(iii)迭代训练包括对机器学习问题求解。
23.根据前述权利要求中任一项所述的方法，其中，所述初始量子态是耦合至超导量子比特的谐振器的状态。
24.一种装置，所述装置包括：
量子硬件，所述量子硬件包括：
量子系统，所述量子系统包括一个或多个多级量子子系统；
一个或多个控制设备，所述一个或多个控制设备根据一个或多个相应控制参数对所述一个或多个多级量子系统操作，所述一个或多个相应控制参数分别与所述多级量子子系统所在的物理环境的参数相关；
一个或多个经典处理器，所述一个或多个经典处理器被配置为：
获得一个或多个量子系统可观察量和一个或多个目标量子态；
在初始量子态下初始化所述量子系统，其中，控制参数的初始集合形成定义所述初始量子态的参数化；以及
迭代训练，直到完成事件的发生。
25.根据权利要求24所述的装置，其中，所述一个或多个经典处理器被配置为：迭代训练从所述初始量子态的变化以达到所述一个或多个目标量子态。
26.根据权利要求24所述的装置，其中，所述一个或多个经典处理器被配置为：迭代训练所述初始量子态和随后的量子态的演进以实现所述一个或多个目标量子态，直到完成事件的所述发生。
27.根据权利要求26所述的装置，其中，所述演进是模拟演进。
28.根据权利要求24至27中任一项所述的装置，其中，所述多级量子子系统是量子比特。
29.根据权利要求24至28中任一项所述的装置，其中，所述量子比特是超导量子比特。
30.根据权利要求29所述的装置，其中，对所述超导量子比特操作的所述控制设备包括具有相应电压控制参数的至少一个数模转换器。
31.根据权利要求24至29中任一项所述的装置，其中，对所述超导量子比特操作的所述控制设备被配置为生成一个或多个微波脉冲，所述一个或多个微波脉冲是通过所述硬件中的一根或多根导线发送的。
32.根据权利要求24至31中任一项所述的装置，其中，所述量子硬件包括量子电路。
33.根据权利要求32所述的装置，其中，所述量子电路包括一个或多个量子逻辑门。
34.一种计算机可读存储介质，所述计算机可读存储介质包括计算机可执行指令，所述计算机可执行指令在由计算机执行时会使所述计算机执行根据权利要求1至23中任一项所述的方法。
CN201680087746.8A 2016-06-02 2016-12-19 使用子逻辑控制训练量子演进的方法、装置和介质 Active CN109478258B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210870560.7A CN115409189A (zh) 2016-06-02 2016-12-19 使用子逻辑控制训练量子演进的方法、装置和介质

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/171,778 2016-06-02
US15/171,778 US10275717B2 (en) 2016-06-02 2016-06-02 Training quantum evolutions using sublogical controls
PCT/US2016/067471 WO2017209791A1 (en) 2016-06-02 2016-12-19 Training quantum evolutions using sublogical controls

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202210870560.7A Division CN115409189A (zh) 2016-06-02 2016-12-19 使用子逻辑控制训练量子演进的方法、装置和介质

Publications (2)

Publication Number Publication Date
CN109478258A true CN109478258A (zh) 2019-03-15
CN109478258B CN109478258B (zh) 2022-08-12

Family

ID=57794360

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201680087746.8A Active CN109478258B (zh) 2016-06-02 2016-12-19 使用子逻辑控制训练量子演进的方法、装置和介质
CN202210870560.7A Pending CN115409189A (zh) 2016-06-02 2016-12-19 使用子逻辑控制训练量子演进的方法、装置和介质

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202210870560.7A Pending CN115409189A (zh) 2016-06-02 2016-12-19 使用子逻辑控制训练量子演进的方法、装置和介质

Country Status (7)

Country Link
US (4) US10275717B2 (zh)
EP (2) EP4002229A1 (zh)
JP (1) JP6755337B2 (zh)
CN (2) CN109478258B (zh)
AU (5) AU2016408764B2 (zh)
CA (3) CA3101883A1 (zh)
WO (1) WO2017209791A1 (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109993309A (zh) * 2019-04-09 2019-07-09 合肥本源量子计算科技有限责任公司 一种基于mpi多进程的双量子逻辑门实现方法
CN110598867A (zh) * 2019-09-17 2019-12-20 合肥本源量子计算科技有限责任公司 一种量子态信息转化方法
CN110807526A (zh) * 2019-09-17 2020-02-18 合肥本源量子计算科技有限责任公司 一种用于量子态转化的量子逻辑门获取方法及装置
CN110991648A (zh) * 2019-12-16 2020-04-10 北京百度网讯科技有限公司 一种高斯分布量子态确定方法、装置以及电子设备
CN112019193A (zh) * 2020-09-01 2020-12-01 北京百度网讯科技有限公司 用于实现量子门的控制脉冲的生成方法、装置
CN112612305A (zh) * 2020-12-04 2021-04-06 格力电器（武汉）有限公司 温度的调整方法、装置、设备、存储介质和空调系统
CN112749809A (zh) * 2021-01-14 2021-05-04 北京百度网讯科技有限公司 构造量子仿真系统的方法和装置
CN112819170A (zh) * 2021-01-22 2021-05-18 北京百度网讯科技有限公司 控制脉冲生成方法、装置、系统、设备及存储介质
CN112906898A (zh) * 2021-03-10 2021-06-04 清华大学 一种量子噪音确定和量子态估计方法
CN113630239A (zh) * 2020-05-07 2021-11-09 中移(成都)信息通信科技有限公司 信息获取方法、装置、设备及存储介质
CN114358317A (zh) * 2022-03-22 2022-04-15 合肥本源量子计算科技有限责任公司 基于机器学习框架的数据分类方法及相关设备

Families Citing this family (60)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10346748B2 (en) * 2013-07-29 2019-07-09 President And Fellows Of Harvard College Quantum processor problem compilation
US11275816B2 (en) 2019-02-25 2022-03-15 International Business Machines Corporation Selection of Pauli strings for Variational Quantum Eigensolver
AU2018230440B2 (en) 2017-03-10 2022-11-17 Rigetti & Co, Llc Performing a calibration process in a quantum computing system
WO2019054995A1 (en) * 2017-09-13 2019-03-21 Fowler Austin Greig QUANTUM ERROR CORRECTION
US11875222B1 (en) * 2017-09-18 2024-01-16 Rigetti & Co, Llc Maintaining calibration in a quantum computing system
US10885678B2 (en) * 2017-09-29 2021-01-05 International Business Machines Corporation Facilitating quantum tomography
CA3078307C (en) * 2017-10-02 2024-01-16 Google Llc Fermionic simulation gates
US11556813B2 (en) 2017-12-15 2023-01-17 Google Llc Refining qubit calibration models using supervised learning
EP3740910A1 (en) * 2018-01-18 2020-11-25 Google LLC Classification using quantum neural networks
CN111989686B (zh) * 2018-01-22 2023-12-29 D-波系统公司 用于提高模拟处理器的性能的系统和方法
GB201801517D0 (en) * 2018-01-30 2018-03-14 River Lane Res Ltd A method of determining a state energy
WO2019152020A1 (en) * 2018-01-31 2019-08-08 Niu Yuezhen Quantum computation through reinforcement learning
AU2019255217B2 (en) 2018-04-17 2021-01-14 Google Llc Methods and apparatus for performing phase operations
GB2572975A (en) * 2018-04-17 2019-10-23 Scape Tech Ltd Quantum bundle adjustment
GB201807973D0 (en) * 2018-05-16 2018-07-04 River Lane Res Ltd Estimating an energy level of a physical system
WO2019229527A2 (en) * 2018-05-31 2019-12-05 Oti Lumionics Inc. Methods and systems for solving a problem on a quantum computer
WO2020027785A1 (en) * 2018-07-31 2020-02-06 The University Of Tokyo Data processing apparatus
US20210174236A1 (en) * 2018-08-07 2021-06-10 Google Llc Variational quantum state preparation
WO2020037301A1 (en) 2018-08-17 2020-02-20 Zapata Computing, Inc. Hybrid quantum-classical computer system and method for performing function inversion
US11847534B2 (en) 2018-08-31 2023-12-19 D-Wave Systems Inc. Systems and methods for operation of a frequency multiplexed resonator input and/or output for a superconducting device
US11372651B2 (en) 2018-09-10 2022-06-28 International Business Machines Corporation Bootstrapping a variational algorithm for quantum computing
US11074519B2 (en) 2018-09-20 2021-07-27 International Business Machines Corporation Quantum algorithm concatenation
US20200104740A1 (en) * 2018-10-02 2020-04-02 Zapata Computing, Inc. Hybrid Quantum-Classical Computer for Solving Linear Systems
US10671696B2 (en) * 2018-10-04 2020-06-02 International Business Machines Corporation Enhancing hybrid quantum-classical algorithms for optimization
WO2020142122A2 (en) * 2018-10-05 2020-07-09 Zapata Computing, Inc. Hybrid quantum-classical computer for variational coupled cluster method
US11636370B2 (en) 2018-10-12 2023-04-25 Zapata Computing, Inc. Quantum computer with improved continuous quantum generator
US11354460B2 (en) * 2018-10-16 2022-06-07 Red Hat, Inc. Validator and optimizer for quantum computing simulator
US11605015B2 (en) 2018-10-24 2023-03-14 Zapata Computing, Inc. Hybrid quantum-classical computer system for implementing and optimizing quantum Boltzmann machines
US10776544B2 (en) * 2018-12-07 2020-09-15 IonQ, Inc. Classical optimizer for quantum chemistry circuit synthesis
JP7125825B2 (ja) 2019-01-24 2022-08-25 インターナショナル・ビジネス・マシーンズ・コーポレーション エンタングルした測定を用いたパウリ文字列のグループ化
CN109961150B (zh) * 2019-03-27 2021-05-07 中国科学技术大学 一种应对退相干的量子程序变换方法及系统
US11748665B2 (en) 2019-04-03 2023-09-05 International Business Machines Corporation Quantum feature kernel alignment
US11488049B2 (en) 2019-04-09 2022-11-01 Zapata Computing, Inc. Hybrid quantum-classical computer system and method for optimization
US11537928B2 (en) 2019-05-03 2022-12-27 Zapata Computing, Inc. Quantum-classical system and method for matrix computations
CN114223003A (zh) 2019-06-14 2022-03-22 奥特拉有限公司 用工程似然函数进行贝叶斯推理以进行稳健幅度估计的混合量子经典计算机
US11314536B2 (en) 2019-07-08 2022-04-26 Tencent America LLC Quantum variational method, apparatus, and storage medium for simulating quantum systems
JP7212891B2 (ja) * 2019-08-01 2023-01-26 日本電信電話株式会社 量子演算装置及び方法
WO2021062331A1 (en) * 2019-09-27 2021-04-01 Zapata Computing, Inc. Computer Systems and Methods for Computing the Ground State of a Fermi-Hubbard Hamiltonian
WO2021087206A1 (en) * 2019-10-30 2021-05-06 Zapata Computing, Inc. Hybrid quantum-classical computer system for parameter-efficient circuit training
CN114846479A (zh) * 2019-12-19 2022-08-02 Jsr株式会社 程序、计算机系统以及计算机
CN113222159B (zh) * 2020-01-21 2023-06-06 合肥本源量子计算科技有限责任公司 一种量子态的确定方法及装置
CN113255921A (zh) * 2020-02-11 2021-08-13 阿里巴巴集团控股有限公司 测量系统、方法、装置及设备
US11468289B2 (en) 2020-02-13 2022-10-11 Zapata Computing, Inc. Hybrid quantum-classical adversarial generator
CN111353607B (zh) * 2020-03-31 2021-09-07 合肥本源量子计算科技有限责任公司 一种量子态判别模型的获得方法、装置
CN115362456A (zh) 2020-03-31 2022-11-18 谷歌有限责任公司 复合量子门校准
EP4158554A1 (en) 2020-06-02 2023-04-05 Zapata Computing, Inc. Realizing controlled rotations by a function of input basis state of a quantum computer
US11488050B2 (en) 2020-06-10 2022-11-01 International Business Machines Corporation Signal-to-noise based error detection
CN112232513A (zh) * 2020-10-28 2021-01-15 合肥本源量子计算科技有限责任公司 一种量子态的制备方法及装置
US11803611B2 (en) 2020-12-04 2023-10-31 International Business Machines Corporation Procedure to speed-up Variational Quantum Eigensolver calculations in quantum computers
WO2022155277A1 (en) * 2021-01-13 2022-07-21 Zapata Computing, Inc. Quantum enhanced word embedding for natural language processing
EP4036815B1 (en) 2021-02-02 2023-06-14 Terra Quantum AG Hybrid quantum computation architecture for solving a system of linear binary relations
CA3212467A1 (en) 2021-03-23 2022-09-29 Guoming WANG Classically-boosted quantum optimization
CN113158615B (zh) * 2021-04-15 2023-04-14 深圳市腾讯计算机系统有限公司 量子门的优化方法、装置、设备及存储介质
CN113128691B (zh) * 2021-04-27 2022-03-08 北京百度网讯科技有限公司 量子门标定方法及装置、电子设备和介质
CN115700572A (zh) * 2021-07-23 2023-02-07 合肥本源量子计算科技有限责任公司 一种网格方程与物理方程迭代的量子求解方法及装置
US11941484B2 (en) * 2021-08-04 2024-03-26 Zapata Computing, Inc. Generating non-classical measurements on devices with parameterized time evolution
KR20240051981A (ko) * 2021-09-03 2024-04-22 구글 엘엘씨 그래디언트-기반 양자 보조 해밀토니안 학습
US11928004B2 (en) * 2021-12-08 2024-03-12 International Business Machines Corporation Quantum error mitigation based on scaled gates
WO2023180254A1 (en) * 2022-03-19 2023-09-28 Pasqal S.A.S. Quantum circuits for a neutral atom quantum processor
CN115545202B (zh) * 2022-09-26 2023-05-30 北京大学 一种基于量子门获取待测系统本征值的方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150032994A1 (en) * 2013-07-24 2015-01-29 D-Wave Systems Inc. Systems and methods for improving the performance of a quantum processor by reducing errors
CN104572589A (zh) * 2015-01-12 2015-04-29 西南大学 基于改进型量子粒子群算法的电子鼻参数同步优化算法
US20160071021A1 (en) * 2014-09-09 2016-03-10 D-Wave Systems Inc. Systems and methods for improving the performance of a quantum processor via reduced readouts
CN105531725A (zh) * 2013-06-28 2016-04-27 D-波系统公司 用于对数据进行量子处理的系统和方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009152180A2 (en) * 2008-06-10 2009-12-17 D-Wave Systems Inc. Parameter learning system for solvers
JP4893876B2 (ja) * 2010-03-15 2012-03-07 トヨタ自動車株式会社 内燃機関の排気浄化装置
US8642998B2 (en) 2011-06-14 2014-02-04 International Business Machines Corporation Array of quantum systems in a cavity for quantum computing
EP2729903B1 (en) 2011-07-06 2020-04-01 D-Wave Systems Inc. Quantum processor based systems and methods that minimize an objective function
JP5921856B2 (ja) * 2011-11-28 2016-05-24 株式会社日立製作所 量子コンピュータシステム、量子コンピュータシステムの制御方法及びプログラム
CN203872190U (zh) * 2014-05-23 2014-10-08 深圳职业技术学院 基于无线路由器的量子通信加密系统
US10671937B2 (en) * 2016-06-08 2020-06-02 D-Wave Systems Inc. Systems and methods for quantum computation
TW202007091A (zh) * 2018-07-02 2020-02-01 美商札帕塔運算股份有限公司 藉由量子自動編碼器進行之壓縮的無監督量子態準備

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105531725A (zh) * 2013-06-28 2016-04-27 D-波系统公司 用于对数据进行量子处理的系统和方法
US20150032994A1 (en) * 2013-07-24 2015-01-29 D-Wave Systems Inc. Systems and methods for improving the performance of a quantum processor by reducing errors
US20160071021A1 (en) * 2014-09-09 2016-03-10 D-Wave Systems Inc. Systems and methods for improving the performance of a quantum processor via reduced readouts
CN104572589A (zh) * 2015-01-12 2015-04-29 西南大学 基于改进型量子粒子群算法的电子鼻参数同步优化算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
E.C. BEHRMAN: ""Quantum algorithm design using dynamic learning"", 《ARXIV》 *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109993309A (zh) * 2019-04-09 2019-07-09 合肥本源量子计算科技有限责任公司 一种基于mpi多进程的双量子逻辑门实现方法
CN109993309B (zh) * 2019-04-09 2021-02-19 合肥本源量子计算科技有限责任公司 一种基于mpi多进程的双量子逻辑门实现方法
CN110598867A (zh) * 2019-09-17 2019-12-20 合肥本源量子计算科技有限责任公司 一种量子态信息转化方法
CN110807526A (zh) * 2019-09-17 2020-02-18 合肥本源量子计算科技有限责任公司 一种用于量子态转化的量子逻辑门获取方法及装置
CN110598867B (zh) * 2019-09-17 2023-08-08 本源量子计算科技（合肥）股份有限公司 一种量子态信息转化方法
CN110807526B (zh) * 2019-09-17 2021-11-09 合肥本源量子计算科技有限责任公司 一种用于量子态转化的量子逻辑门获取方法及装置
CN110991648A (zh) * 2019-12-16 2020-04-10 北京百度网讯科技有限公司 一种高斯分布量子态确定方法、装置以及电子设备
CN110991648B (zh) * 2019-12-16 2024-01-23 北京百度网讯科技有限公司 一种高斯分布量子态确定方法、装置以及电子设备
CN113630239B (zh) * 2020-05-07 2023-08-01 中移(成都)信息通信科技有限公司 信息获取方法、装置、设备及存储介质
CN113630239A (zh) * 2020-05-07 2021-11-09 中移(成都)信息通信科技有限公司 信息获取方法、装置、设备及存储介质
CN112019193B (zh) * 2020-09-01 2021-10-22 北京百度网讯科技有限公司 用于实现量子门的控制脉冲的生成方法、装置
CN112019193A (zh) * 2020-09-01 2020-12-01 北京百度网讯科技有限公司 用于实现量子门的控制脉冲的生成方法、装置
CN112612305B (zh) * 2020-12-04 2022-04-08 格力电器（武汉）有限公司 温度的调整方法、装置、设备、存储介质和空调系统
CN112612305A (zh) * 2020-12-04 2021-04-06 格力电器（武汉）有限公司 温度的调整方法、装置、设备、存储介质和空调系统
CN112749809B (zh) * 2021-01-14 2021-12-14 北京百度网讯科技有限公司 构造量子仿真系统的方法和装置
CN112749809A (zh) * 2021-01-14 2021-05-04 北京百度网讯科技有限公司 构造量子仿真系统的方法和装置
CN112819170B (zh) * 2021-01-22 2021-11-05 北京百度网讯科技有限公司 控制脉冲生成方法、装置、系统、设备及存储介质
CN112819170A (zh) * 2021-01-22 2021-05-18 北京百度网讯科技有限公司 控制脉冲生成方法、装置、系统、设备及存储介质
CN112906898A (zh) * 2021-03-10 2021-06-04 清华大学 一种量子噪音确定和量子态估计方法
CN114358317A (zh) * 2022-03-22 2022-04-15 合肥本源量子计算科技有限责任公司 基于机器学习框架的数据分类方法及相关设备
CN114358317B (zh) * 2022-03-22 2022-06-21 合肥本源量子计算科技有限责任公司 基于机器学习框架的数据分类方法及相关设备

Also Published As

Publication number Publication date
AU2021203607A1 (en) 2021-07-15
CN109478258B (zh) 2022-08-12
AU2022252700A1 (en) 2022-11-17
CA3101883A1 (en) 2017-12-07
JP2019520645A (ja) 2019-07-18
WO2017209791A1 (en) 2017-12-07
US20170351967A1 (en) 2017-12-07
AU2022252700B2 (en) 2023-08-24
US20210295198A1 (en) 2021-09-23
AU2021203607B2 (en) 2022-07-14
EP4002229A1 (en) 2022-05-25
JP6755337B2 (ja) 2020-09-16
US20230134825A1 (en) 2023-05-04
AU2019283845B2 (en) 2021-05-06
AU2016408764A1 (en) 2018-12-20
EP3465555B1 (en) 2022-02-02
CA3026443A1 (en) 2017-12-07
US20190213495A1 (en) 2019-07-11
US11562285B2 (en) 2023-01-24
CA3026443C (en) 2022-02-22
CA3214773A1 (en) 2017-12-07
CN115409189A (zh) 2022-11-29
AU2019283845A1 (en) 2020-02-06
US11763187B2 (en) 2023-09-19
US11055626B2 (en) 2021-07-06
AU2016408764B2 (en) 2019-11-07
US10275717B2 (en) 2019-04-30
AU2023270187A1 (en) 2023-12-14
EP3465555A1 (en) 2019-04-10

Similar Documents

Publication Publication Date Title
CN109478258A (zh) 使用子逻辑控制训练量子演进
US11900215B2 (en) Quantum statistic machine
AU2019283774B2 (en) Constructing and programming quantum hardware for robust quantum annealing processes
KR102582515B1 (ko) 양자 컴퓨팅 장치의 비선형 교정
US20240028938A1 (en) Systems and methods for improving efficiency of calibration of quantum devices
US20240005188A1 (en) Shift rule for gradient determination in parameterised quantum evolutions
KR20240007079A (ko) 하이브리드 고전 양자 솔버들로 qubo 문제들을 해결하기위한 방법 및 시스템

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant