CN109800883B - 量子机器学习框架构建方法、装置及量子计算机 - Google Patents

量子机器学习框架构建方法、装置及量子计算机 Download PDF

Info

Publication number
CN109800883B
CN109800883B CN201910071650.8A CN201910071650A CN109800883B CN 109800883 B CN109800883 B CN 109800883B CN 201910071650 A CN201910071650 A CN 201910071650A CN 109800883 B CN109800883 B CN 109800883B
Authority
CN
China
Prior art keywords
quantum
parameter
hamiltonian
machine learning
obtaining
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.)
Active
Application number
CN201910071650.8A
Other languages
English (en)
Other versions
CN109800883A (zh
Inventor
李叶
窦猛汉
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.)
Benyuan Quantum Computing Technology Hefei Co ltd
Original Assignee
Origin Quantum Computing Technology Co Ltd
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 Origin Quantum Computing Technology Co Ltd filed Critical Origin Quantum Computing Technology Co Ltd
Priority to CN201910071650.8A priority Critical patent/CN109800883B/zh
Priority to PCT/CN2019/086064 priority patent/WO2020151129A1/zh
Priority to US16/624,001 priority patent/US20210182721A1/en
Publication of CN109800883A publication Critical patent/CN109800883A/zh
Application granted granted Critical
Publication of CN109800883B publication Critical patent/CN109800883B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N10/20—Models of quantum computing, e.g. quantum circuits or universal quantum computers
    • 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
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03K—PULSE TECHNIQUE
    • H03K19/00—Logic circuits, i.e. having at least two inputs acting on one output; Inverting circuits
    • H03K19/02—Logic circuits, i.e. having at least two inputs acting on one output; Inverting circuits using specified components
    • H03K19/195—Logic circuits, i.e. having at least two inputs acting on one output; Inverting circuits using specified components using superconductive devices

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Mathematical Optimization (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)
  • Feedback Control In General (AREA)
  • Semiconductor Memories (AREA)

Abstract

本发明提供的量子机器学习框架构建方法、装置及量子计算机，方法包括，获得设定问题对应的哈密顿量和该设定问题所需的量子比特数，并根据量子比特数获得目标比特，基于目标比特和哈密顿量获得设定问题的含参量子线路，从目标比特中确定待测量子比特，基于待测量子比特、哈密顿量以及含参量子线路构建提供求期望值接口和求梯度接口的量子操作节点类，针对设定问题，调用插设在预设机器学习框架中的量子操作节点类所具备的求梯度接口和求期望值接口求解设定问题，以构建量子机器学习框架。通过上述方法，以使该量子机器学习框架能够应用于量子计算机中，进而实现神经网络和量子计算进行混合编程的效果，以及使量子计算机能够进行机器学习。

Description

量子机器学习框架构建方法、装置及量子计算机
技术领域
本发明涉及量子技术领域，具体而言，涉及一种量子机器学习框架构建方法、装置及量子计算机。
背景技术
量子计算机因其具有相对普通计算机更高效的处理数学问题的能力，例如能将破解RSA密钥的时间从数百年加速到数小时，故成为一种正在研究中的关键技术，且近年来机器学习领域的技术突破使得越来越多的大型商业公司加大了对其人工智能应用的投入研发。为了推进研发进度，各个公司推出了不同的机器学习框架来充分利用物理计算机集群的计算资源。
发明人经研究发现，在传统的机器学习框架中，通常训练多层神经网络，因而会用到梯度和期望值来优化各个输入参数，但是传统的机器学习框架通常只能应用到普通的计算机中，无法应用到量子计算机中，因此无法实现神经网络和量子计算进行混合编程的效果，进而无法采用量子计算机以实现机器学习，因此，提供一种能够应用到量子计算机的量子机器学习框架是亟待解决的技术问题。
发明内容
有鉴于此，本发明的目的在于提供一种量子机器学习框架构建方法、装置及量子计算机，以有效解决上述技术问题。
为实现上述目的，本发明实施例采用如下技术方案：
一种量子机器学习框架构建方法，所述方法包括：
针对一设定问题，获得所述设定问题对应的哈密顿量；
获得该设定问题所需的量子比特数，根据所述量子比特数获得目标比特；
基于所述目标比特和所述哈密顿量获得所述设定问题的含参量子线路；
从所述目标比特中确定待测量子比特，基于所述待测量子比特、所述哈密顿量以及所述含参量子线路构建提供求期望值接口和求梯度接口的量子操作节点类；
针对所述设定问题，调用插设在预设机器学习框架中的所述量子操作节点类所具备的求梯度接口和求期望值接口求解所述设定问题，以构建量子机器学习框架。
可选的，在上述量子机器学习框架构建方法中，所述基于所述目标比特和所述哈密顿量获得所述设定问题的含参量子线路，具体包括：
获得所述哈密顿量对应的量子算符，作为目标算符；
基于所述目标算符和预设量子逻辑门转化器构建所述含参量子线路，其中，所述预设量子逻辑门转化器在接收到所述目标算符时，获得该目标算符对应的矩阵，将该矩阵转化为一组预设基矢，并获得该组预设基矢对应的多个量子逻辑门，以将所述目标算符转化为含参量子线路。
可选的，在上述量子机器学习框架构建方法中，所述量子逻辑门为含固定参数量子逻辑门或含变化参数量子逻辑门，且所述含参量子线路包括所述固定参数量子逻辑门和至少一个所述含变化参数量子逻辑门。
可选的，在上述量子机器学习框架构建方法中，所述基于所述待测量子比特、所述哈密顿量以及所述含参量子线路构建提供求期望值接口和求梯度接口的量子操作节点类的步骤包括：
基于所述待测量子比特、所述哈密顿量以及所述含参量子线路生成量子程序接口，其中，所述量子程序接口提供的量子程序中包括针对所述待测量子比特的测量操作命令；
基于所述量子程序被加载、被运行进行量子计算至运行所述量子程序中的测量操作命令得到量子态分布几率生成量子程序执行接口；
基于所述量子态分布几率生成获得所述量子操作节点类的目标计算值的接口，其中，所述目标计算值为梯度值或期望值。
可选的，在上述量子机器学习框架构建方法中，所述哈密顿量为多个哈密顿分量的线性组合，各所述哈密顿分量具有占比系数，当所述目标计算值为总期望值时；
针对所述设定问题，调用插设在预设机器学习框架中的所述量子操作节点类所具备的所述求期望值接口求解所述设定问题的步骤包括：
遍历所述哈密顿量中的各所述哈密顿分量；
针对遍历到的当前哈密顿分量，调用所述量子程序接口构建第一目标程序、对所述第一目标程序赋值以及调用所述量子程序执行接口获得量子态分布几率、并将获得的所述量子态分布几率作为当前期望值；
根据所述当前期望值及该当前期望值对应的哈密顿量的占比系数更新所述总期望值；
直至遍历完所有的所述哈密顿分量时获得更新的总期望值。
可选的，在上述量子机器学习框架构建方法中，所述哈密顿量为多个哈密顿分量的线性组合，各所述哈密顿分量具有占比系数，当所述目标计算值为总梯度值时；
所述针对所述设定问题，调用插设在预设机器学习框架中的所述量子操作节点类所具备的所述求梯度接口求解所述设定问题的步骤包括：
遍历所述哈密顿量中的哈密顿分量；
针对遍历到的当前哈密顿分量，确定所述含参量子线路中包含特定求梯度参数的含参量子逻辑门，并遍历所述含参量子逻辑门；
针对遍历到的当前含参量子逻辑门，调用所述量子程序接口生成量子程序并基于所述量子程序获得该当前含参量子逻辑门对应的当前梯度值；
基于该当前含参量子逻辑门的当前梯度值更新所述当前哈密顿分量的对应的梯度值直至各所述含参量子逻辑门遍历完毕，获得对应所述当前哈密顿分量的梯度值，记为当前第一梯度值；
根据所述第一梯度值和该第一梯度值对应的哈密顿分量的占比系数更新所述总梯度值。
可选的，在上述量子机器学习框架构建方法中，针对遍历到的当前含参量子逻辑门，调用所述量子程序接口生成量子程序并基于所述量子程序获得该当前含参量子逻辑门对应的当前梯度值的步骤包括：
根据当前含参量子逻辑门的参数正向变大和参数值负向变小的规律分别调用所述量子程序接口以构建两个第二目标程序、对各所述第二目标程序赋值、并调用所述量子程序执行接口获得各量子态分布几率、并将获得的各所述量子态分布几率进行处理得到对应该当前含参量子逻辑门的当前梯度值。
可选的，在上述量子机器学习框架构建方法中，根据当前含参量子逻辑门的参数正向变大和参数值负向变小的规律分别调用所述量子程序接口以构建两个第二目标程序的步骤包括：
针对遍历到的当前含参量子逻辑门，根据当前含参量子逻辑门的参数正向变大规律，调用所述量子程序接口基于所述待测量子比特、所述哈密顿量以及所述当前含参量子逻辑门的所述特定求梯度参数加上π/2得到的含参量子线路构建一个所述第二目标程序；
根据当前含参量子逻辑门的参数值负向变小的规律，针对遍历到的当前含参量子逻辑门，调用所述量子程序接口基于所述待测量子比特、所述哈密顿量以及所述当前含参量子逻辑门的所述特定求梯度参数减去π/2得到的含参量子线路构建另一个所述第二目标程序。
本发明还提供一种量子机器学习框架构建装置，包括：
哈密顿量获得模块，针对一设定问题，获得所述设定问题对应的哈密顿量；
比特获得模块，用于获得该设定问题所需的量子比特数，根据所述量子比特数获得目标比特；
量子线路获得模块，用于基于所述目标比特和所述哈密顿量获得所述设定问题的含参量子线路；
量子操作节点类获得模块，用于从所述目标比特中确定待测量子比特，基于所述待测量子比特、以及所述含参量子线路构建提供求期望值接口和求梯度接口的量子操作节点类；
框架构建模块，用于针对所述设定问题，调用插设在预设机器学习框架中的所述量子操作节点类所具备的求梯度接口和求期望值接口求解所述设定问题，以构建量子机器学习框架。
本发明还提供一种量子计算机，包括存储器、经典处理器、量子处理器以及存储于存储器并可在所述经典处理器及所述量子处理器上运行的程序，所述经典处理器结合所述量子处理器运行该程序时执行以下步骤：
针对一设定问题，获得所述设定问题对应的哈密顿量；
获得该设定问题所需的量子比特数，根据所述量子比特数获得目标比特；
基于所述目标比特和所述哈密顿量获得所述设定问题的含参量子线路；
从所述目标比特中确定待测量子比特，基于所述待测量子比特、以及所述含参量子线路构建提供求期望值接口和求梯度接口的量子操作节点类；
针对所述设定问题，调用插设在预设机器学习框架中的所述量子操作节点类所具备的求梯度接口和求期望值接口求解所述设定问题，以构建量子机器学习框架。
本发明提供的量子机器学习框架构建方法、装置及量子计算机，通过获得设定问题对应的哈密顿量和该设定问题所需的量子比特数，并根据量子比特数获得目标比特，基于目标比特和哈密顿量获得设定问题的含参量子线路，从目标比特中确定待测量子比特，基于待测量子比特、哈密顿量以及含参量子线路构建提供求期望值接口和求梯度接口的量子操作节点类，针对设定问题，调用插设在预设机器学习框架中的量子操作节点类所具备的求梯度接口和求期望值接口求解设定问题，以构建量子机器学习框架，以使该量子机器学习框架能够应用于量子计算机中。在上述过程中，由于量子操作节点类具有求期望值接口，进而可以使得量子操作节点类可以像经典神经网络节点适用于正向传播算法，量子操作节点类具有求梯度接口，进而可以使得量子操作节点类可以像经典神经网络节点适用于反向传播算法，进而实现神经网络和量子计算进行混合编程的效果，以及使量子计算机能够进行机器学习。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1为本发明实施例提供的量子计算机的连接框图。
图2为本发明实施例提供的量子机器学习框架构建方法的流程示意图。
图3为图2中步骤S130的流程示意图。
图4为含参量子逻辑门的数据节点。
图5为图2中步骤S140的流程示意图。
图6为图5中步骤S146的流程示意图。
图7为图5中步骤S146的另一流程示意图。
图8为现有的表达式构造示意图。
图9为本发明提供的量子操作节点类的构造示意图。
图10为本发明实施例提供的量子机器学习框架构建装置的连接框图。
图标：10-量子计算机；12-存储器；14-经典处理器；16-量子处理器；100-量子机器学习框架构建装置；110-哈密顿量获得模块；120-比特获得模块；130-量子线路获得模块；140-量子操作节点类获得模块；150-框架构建模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，除非另有明确的规定和限定，术语“设置”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
请参阅图1，本发明提供的一种量子计算机10，该量子计算机10为遵循量子力学规律进行高速数学和逻辑运算、存储及处理量子信息的物理装置。所述量子计算机10包括：存储器12和经典处理器14和量子处理器16。需要说明的是，经典处理器14用于运行存储在存储器12上的程序生成量子程序并调用量子程序执行接口，量子程序执行接口连接量子处理器16，量子处理器16包括量子程序编译控制模块和量子芯片，量子程序编译控制模块用于量子程序编译并转换为控制为量子芯片运行所需要的模拟信号，量子芯片运行模拟信号改变量子比特量子态，量子程序编译控制模块测量量子比特的量子态，量子程序编译控制模块获得反映量子比特量子态的模拟信号并转换为数字信号，且发送给经典处理器14，经典处理器14进行处理获得量子态分布几率。
请参图2，本发明提供一种量子机器学习框架构建方法，所述量子机器学习框架构建方法可应用于上述量子计算机10，所述量子机器学习框架构建方法应用于所述量子计算机10时执行步骤S110-S150。
步骤S110：针对一设定问题，获得所述设定问题对应的哈密顿量。
具体而言，获得所述设定问题对应的哈密顿量的具体方式是将所述设定问题解编码到该设定问题哈密顿量的基态，以将设定问题转化为求解设定问题哈密顿量基态。
在本实施例中，哈密顿量用泡利(Pauli)算符的展开来表示。比如：H＝0.1X0+0.2Y1Z2+1.2X3Y4Z0；其中H为哈密顿量，X、Y、Z分别为量子算符，量子算符右下角的数字字母为量子比特编号，X0为一项哈密顿分量，Y1Z2整体为一项哈密顿分量、X3Y4Z0整体为一项哈密顿分量，每项哈密顿分量前的系数为该项哈密顿顿分量对应的占比系数，即所述哈密顿量包括多个哈密顿分量，每个哈密顿分量具有对应的占比系数。
当一项哈密顿量包含多个对应同一量子比特编号的量子算符时，可以对同一量子比特编号对应的量子算符进行合并。依据为：量子算符和量子逻辑门是对应的，根据量子比特逻辑门的可合并规则，可以进行一项哈密顿量中包含的多个对应同一量子比特编号的量子算符的合并进而实现量子程序的简化。例如：X1Y1＝j*Z1，其中j为复数单位，在一些文献中也用i表示。
需要说明的是，虽然本实施例使用了Pauli算符作为计算哈密顿量的依据，但是切换到其他的计算机也是可行的。类似的基除了Pauli算符外还有Fermion算符。除了使用算符表示，也可以使用矩阵表示。类似的表现形式都可以通过变换计算基转换到Pauli算符表示，使转换后的Pauli算符哈密顿量完全(对于有限维希尔伯特空间)或者无限次(对于无限维希尔伯特空间)逼近原来的物理系统。
例如：考虑化学模拟问题，问题哈密顿量即通过分子中的原子、电子结构、计算机可以构造出的用Fermion算符表示的哈密顿量。该Fermion算符的哈密顿量可以进一步通过Jordan-Wigner变换转换到Pauli算符表示的哈密顿量上。
再例如：考虑MAX-CUT问题时，MAX-CUT问题中的每一个节点编码为一个比特，问题哈密顿量为
Figure BDA0001957467310000091
其中，E表示MAX-CUT问题中的每一个边，Z为Pauli-Z算符，该哈密顿量的基态对应的二进制表示，正好等于MAX-CUT问题的一种最优解配置。
步骤S120：获得该设定问题所需的量子比特数，根据所述量子比特数获得目标比特。
需要说明的是，获得该设定问题所需的量子比特数可以是根据各哈密顿分量中的量子算符右下角的量子比特编号统计所需要的量子比特数目。根据所需要的量子比特数目向量子处理器16申请对应的量子比特，以及向经典处理器14申请经典比特。经典比特和量子比特是一一映射对应关系，均可以记为目标比特，前者用于量子程序编程，即在本实施例中，将量子比特作为目标比特，后者用于根据量子程序执行量子计算。量子比特是量计算机的基本执行单元，经典比特和量子比特的一一映射对应，因此在经典计算机中生成的量子程序可被加载到量子处理器16上进行量子计算。
需要说明的是，为保证构建得到的量子程序能够在量子计算机10(如量子计算机10中的量子处理器16)上执行，应该先确定设定问题所需的量子比特，然后从量子计算机10上申请目标比特，并对申请量子比特的成功与否做出判断。若申请成功，则根据经典比特构建量子程序，然后将量子加载到量子计算机10上执行量子计算，量子计算机10返回运行结果。若申请失败，则直接返回错误信息，并结束流程。
步骤S130：基于所述目标比特和所述哈密顿量获得所述设定问题的含参量子线路。
其中，基于所述目标比特和所述哈密顿量构建针对所述设定问题的含参量子线路，是指将哈密顿量对应的量子算符转化为含参量子逻辑门，含参量子逻辑门和目标比特结合形成含参量子线路。
请结合图3，所述步骤S130包括：
步骤S132：获得所述哈密顿量对应的量子算符，作为目标算符。
步骤S134：基于所述目标算符和预设量子逻辑门转化器构建所述含参量子线路，其中，所述预设量子逻辑门转化器在接收到所述目标算符时，获得该目标算符对应的矩阵，将该矩阵转化为一组预设基矢，并获得该组预设基矢对应的多个量子逻辑门，以将所述目标算符转化为含参量子线路。
在具体操作的时候，考虑到量子逻辑门包括含参量子逻辑门和固定量子逻辑门，而含参量子逻辑门和固定量子逻辑门均包括量子逻辑门种类标识和参数，所以为了在经典计算机的中有效的描述量子逻辑门，本实施例提供了如图4的含参量子逻辑门的数据节点，该含参量子逻辑门数据节点(VQG，Variational Quantum Gate)，内部维护着一组变量参数以及一组常量参数。在构造VQG节点的时候只能对其中一组参数进行赋值。若含有一组常量参数，则可以通过VQG生成含常量参数的普通量子逻辑门(即固定参数量子逻辑门)；若含有变量参数，则可以动态修改参数值，并生成对应的量子逻辑门(即含变化参数量子逻辑门)。
需要说明的是，通过调用上述数据结构的含参量子逻辑门构建的含参量子线路需要包括固定参数量子逻辑门和至少一个所述含变化参数量子逻辑门。固定参数量子逻辑门的具体数量、及含变化参数量子逻辑门的数量需要根据设定温度确定。
步骤S140：从所述目标比特中确定待测量子比特，基于所述待测量子比特、所述哈密顿量以及所述含参量子线路构建提供求期望值接口和求梯度接口的量子操作节点类。
请结合图5，在本实施例中，在本实施例中，所述步骤S140包括：
步骤S142：基于所述待测量子比特、所述哈密顿量以及所述含参量子线路生成量子程序接口，其中，所述量子程序接口提供的量子程序中包括针对所述待测量子比特的测量操作命令。
步骤S144：基于所述量子程序被加载、被运行进行量子计算至运行所述量子程序中的测量操作命令得到量子态分布几率生成量子程序执行接口。
需要说明的是，所述量子程序被加载、被运行进行量子计算至运行所述量子程序中的测量操作命令是在量子计算机10上进行的，量子计算机10执行量子程序时，根据量子程序的预设执行次数，多次执行量子程序，每次执行量子程序至所述测量操作指令，都会得到一个测量值，然后对多次测量值进行统计，即可得到相应的量子态分布几率。
步骤S146：基于所述量子态分布几率生成获得所述量子操作节点类的目标计算值的接口，其中，所述目标计算值为梯度值或期望值。
请结合图6，由于所述哈密顿量为多个哈密顿分量的线性组合，各所述哈密顿分量具有占比系数，当所述目标计算值为总期望值时，针对所述设定问题，调用插设在预设机器学习框架中的所述量子操作节点类所具备的所述求期望值接口求解所述设定问题的步骤包括：
步骤S14611：遍历所述哈密顿量中的各所述哈密顿分量。
针对遍历到的当前哈密顿分量，调用所述量子程序接口构建第一目标程序、对所述第一目标程序赋值以及调用所述量子程序执行接口获得量子态分布几率、并将获得的所述量子态分布几率作为当前期望值。
步骤S14612：根据所述当前期望值及该当前期望值对应的哈密顿量的占比系数更新所述总期望值。
步骤S14613：直至遍历完所有的所述哈密顿分量时获得更新的总期望值。
其中，所述总期望值＝当前总期望值+当前哈密顿量对应的占比系数*所述当前期望值，且所述总期望值的初始值为0；
例如，可以通过某一操作序列(即本实施例中使用可变量子线路在确定参数后生成的量子线路)制备量子态S，求出该量子态对哈密顿量的期望值。其中，量子态的初始值可以预设。
执行该过程前，预先将哈密顿量转化为用Pauli算符表示的哈密顿量。找到该哈密顿量的各个分量，即用加法连接的部分。如：H＝0.5*X1X2+0.2*Z1Z2+(-1)Y0，公式中，X1X2表示X1与X2之间是直积关系，通常省略直积符号
Figure BDA0001957467310000121
Z1Z2相同。此时，哈密顿量的分量即为0.5*X1X2；0.2*Z1Z2,-1*Y0，由于算符的线性性质，量子态S对哈密顿量的期望是量子态S对各分量的期望之和。
其中，一个分量中，原则上可以使得每个下标仅出现一次。若出现多次，也可以简单地转换为只出现一次的情况，例如X1Y1＝j*Z1，其中j为复数单位，在一些文献中也用i表示。这个简化过程可以在执行该步前的任意时刻完成。对于该项中每一个出现的下标，在这一比特上根据情况再次施加如下操作：
Xi：对i比特施加Hadamard门；
Yi：对i比特施加X(π/2)门
Zi：不施加操作
在对该项中出现的所有下标对应的量子比特进行测量，得到一个测量值是一个binary string(二进制串，例如0101000)。那么，该项的期望值就是：1(该binary string中所有1出现的次数为偶数次)，或-1(该binary string中所有1出现的次数为奇数次)，并乘以该项哈密顿量对应的占比系数。
请结合图7，在本实施例中，当所述目标计算值为总梯度值时，对所述设定问题，调用插设在预设机器学习框架中的所述量子操作节点类所具备的所述求梯度接口求解所述设定问题的步骤包括：
步骤S14621：遍历所述哈密顿量中的哈密顿分量。
步骤S14622：针对遍历到的当前哈密顿分量，确定所述含参量子线路中包含特定求梯度参数的含参量子逻辑门，并遍历所述含参量子逻辑门。
步骤S14623：针对遍历到的当前含参量子逻辑门，调用所述量子程序接口生成量子程序并基于所述量子程序获得该当前含参量子逻辑门对应的当前梯度值。
步骤S14624：基于该当前含参量子逻辑门的当前梯度值更新所述当前哈密顿分量的对应的梯度值直至各所述含参量子逻辑门遍历完毕，获得对应所述当前哈密顿分量的梯度值，记为当前第一梯度值。
步骤S14625：根据所述第一梯度值和该第一梯度值对应的哈密顿分量的占比系数更新所述总梯度值。
其中，步骤S14623所述的针对遍历到的当前含参量子逻辑门，调用所述量子程序接口生成量子程序并基于所述量子程序获得该当前含参量子逻辑门对应的当前梯度值的步骤包括：
根据当前含参量子逻辑门的参数正向变大和参数值负向变小的规律分别调用所述量子程序接口以构建两个第二目标程序、对各所述第二目标程序赋值、并调用所述量子程序执行接口获得各量子态分布几率、并将获得的各所述量子态分布几率进行处理得到对应该当前含参量子逻辑门的当前梯度值。
需要说明的是，根据当前含参量子逻辑门的参数正向变大和参数值负向变小的规律分别调用所述量子程序接口以构建两个第二目标程序是在所述量子计算机10的经典处理器14内进行，两者可以同时构建，也可以前后时间构建，需要强调的是，构建时所依据的特定求梯度参数的值是一致的。而执行的时候，两者可以通过并行量子计算机同时被执行，也可以通过串行量子计算机被依次执行。
在本实施例中，根据当前含参量子逻辑门的参数正向变大和参数值负向变小的规律分别调用所述量子程序接口以构建两个第二目标程序的步骤包括：
针对遍历到的当前含参量子逻辑门，根据当前含参量子逻辑门的参数正向变大规律，调用所述量子程序接口基于所述待测量子比特、所述哈密顿量以及所述当前含参量子逻辑门的所述特定求梯度参数加上π/2得到的含参量子线路构建一个所述第二目标程序；
根据当前含参量子逻辑门的参数值负向变小的规律，针对遍历到的当前含参量子逻辑门，调用所述量子程序接口基于所述待测量子比特、所述哈密顿量以及所述当前含参量子逻辑门的所述特定求梯度参数减去π/2得到的含参量子线路构建另一个所述第二目标程序。
通过采用上述步骤，以验证并实现该量子操作节点类通过正向传播算法实现节点的求值处理，通过反向传播算法实现求梯度处理，为插设在预设经典机器学习框架构建量子计算学习框架提供了基础。
步骤S150：针对所述设定问题，调用插设在预设机器学习框架中的所述量子操作节点类所具备的求梯度接口和求期望值接口求解所述设定问题，以构建量子机器学习框架。
通过采用上述方法，可以实现结合预设机器学习框架构建量子机器学习框架的目的，该量子机器学习框架能够应用于量子计算机10中。在该过程中，由于量子操作节点类具有求期望值接口，进而可以使得量子操作节点类可以像经典神经网络节点适用于正向传播算法，量子操作节点类具有求梯度接口，进而可以使得量子操作节点类可以像经典神经网络节点适用于反向传播算法，进而实现神经网络和量子计算进行混合编程的效果，以及使量子计算机10能够进行机器学习。
需要说明的是，在传统的机器学习框架中，训练多层神经网络，会用到梯度下降法来优化各个输入参数。在底层的算法代码实现上，通常会采用将各个输入参数以及操作各个输入参数的操作符都定义成一个节点变量。例如，图8中，计算“a+b”这样的表达式时，可以将“a”、“b”和“+”都视作一个节点(把表达式整体作为另外一个节点c，“c＝a+b”)，圆形图标代表节点变量，箭头指向代表各个节点之间的关系。如上图所示，节点“a”，节点“b”都指向节点“+”，说明节点“a”和节点“b”都是节点“+”的孩子节点(children node)；而节点“+”是节点“a”和节点“b”的父节点(parent node)。通过节点“+”可以操作两个孩子节点(也可以通过其它的操作来操作单个节点变量)。当确定了节点“a”和节点“b”的值时，由于它们是节点“+”(表达式“c”)的孩子节点，所以变量“+”(表达式“c”)的值也很容易求出来；反过来我们也可以通过节点“+”(表达式“c”)计算出节点“a”的导数
Figure BDA0001957467310000151
节点“b”的导数
Figure BDA0001957467310000152
可以理解，当存在一个复杂表达式的子图的话，也可以通过反向传播算法求得节点“+”(表达式“c”)对节点“a”和节点“b”的偏导。
本申请通过采用上述步骤S110-S150，以将量子计算引入到传统的机器学习框架中，并引入了量子操作，其中，所述量子操作与现有的操作例如“+”、“-”、“*”、“/”、“sin”、“log”等直接对一个变量或两个变量进行操作，而是通过含参量子线路操作变量，并结合所述设定问题、该设定问题所需的量子比特以及待测量子比特来实现量子计算功能，如实现求期望和求梯度的功能。具体的，请参阅图9，圆形图标代表变量，横向圆柱形图标代表参数，箭头指向代表各个节点之间的关系以及参数与节点变量之间的关系。量子操作节点类通过量子线路、待测量子比特以及哈密顿量进行组合构建获得，对于对量子线路中给定的变量值，可以计算出该量子操作节点类的期望和梯度值，因此该量子操作节点类就可以插入到复杂的神经网络中。
请参阅图10，在上述基础上，本发明还提供一种可应用于上述量子计算机10的量子机器学习框架构建装置100，所述量子机器学习框架构建装置100包括哈密顿量获得模块110、比特获得模块120、量子线路获得模块130、量子操作节点类获得模块140以及框架构建模块150。
所述哈密顿量获得模块110，针对一设定问题，获得所述设定问题对应的哈密顿量。在本实施例中，所述哈密顿量获得模块110可以用于执行图2中步骤S110，因此关于所述哈密顿量获得模块110的具体描述可以参照前文对所述步骤S110的具体描述。
所述比特获得模块120，用于获得该设定问题所需的量子比特数，根据所述量子比特数获得目标比特。在本实施例中，所述比特获得模块120可以用于执行图2中步骤S120，因此关于所述比特获得模块120的具体描述可以参照前文对所述步骤S120的具体描述。
所述量子线路获得模块130，用于基于所述目标比特和所述哈密顿量获得所述设定问题的含参量子线路。在本实施例中，所述量子线路获得模块130可以用于执行图2中步骤S130，因此关于所述量子线路获得模块130的具体描述可以参照前文对所述步骤S130的具体描述。
所述量子操作节点类获得模块140，用于从所述目标比特中确定待测量子比特，基于所述待测量子比特、以及所述含参量子线路构建提供求期望值接口和求梯度接口的量子操作节点类。在本实施例中，所述量子操作节点类获得模块140可以用于执行图2中步骤S140，因此关于所述量子操作节点类获得模块140的具体描述可以参照前文对所述步骤S140的具体描述。
所述框架构建模块150，用于针对所述设定问题，调用插设在预设机器学习框架中的所述量子操作节点类所具备的求梯度接口和求期望值接口求解所述设定问题，以构建量子机器学习框架。在本实施例中，所述框架构建模块150可以用于执行图2中步骤S150，因此关于所述框架构建模块150的具体描述可以参照前文对所述步骤S150的具体描述。
综上，本发明提供的量子机器学习框架构建方法、装置及量子计算机10，方法包括，获得设定问题对应的哈密顿量，该设定问题所需的量子比特数，并根据量子比特数获得目标比特，基于目标比特和哈密顿量获得设定问题的含参量子线路，从目标比特中确定待测量子比特，基于待测量子比特、哈密顿量以及含参量子线路构建提供求期望值接口和求梯度接口的量子操作节点类，针对设定问题，调用插设在预设机器学习框架中的量子操作节点类所具备的求梯度接口和求期望值接口求解设定问题，以构建量子机器学习框架，在上述过程中，由于量子操作节点类具有求期望值接口，进而可以使得量子操作节点类可以像经典神经网络节点适用于正向传播算法，量子操作节点类具有求梯度接口，进而可以使得量子操作节点类可以像经典神经网络节点适用于反向传播算法，因此，通过上述方法，以使该量子机器学习框架能够应用于量子计算机10中，进而实现神经网络和量子计算进行混合编程的效果，以及使量子计算机10能够进行机器学习。
需要说明的是，本发明提供的量子计算机10，包括存储器12、经典处理器14、量子处理器16以及存储于存储器12并可在所述经典处理器14及所述量子处理器16上运行的程序，所述经典处理器14结合所述量子处理器16运行该程序时执行所述量子机器学习框架构建方法中的具体步骤：
步骤S110：针对一设定问题，获得所述设定问题对应的哈密顿量。
步骤S120：获得该设定问题所需的量子比特数，根据所述量子比特数获得目标比特。
步骤S130：基于所述目标比特和所述哈密顿量获得所述设定问题的含参量子线路。
步骤S140：从所述目标比特中确定待测量子比特，基于所述待测量子比特、以及所述含参量子线路构建提供求期望值接口和求梯度接口的量子操作节点类。
步骤S150：针对所述设定问题，调用插设在预设机器学习框架中的所述量子操作节点类所具备的求梯度接口和求期望值接口求解所述设定问题，以构建量子机器学习框架。
在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备执行本发明各个实施例所述方法的全部或部分步骤。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种量子机器学习框架构建方法，其特征在于，所述方法包括：
针对一设定问题，获得所述设定问题对应的哈密顿量；
获得该设定问题所需的量子比特数，根据所述量子比特数获得目标比特；
基于所述目标比特和所述哈密顿量获得所述设定问题的含参量子线路；
从所述目标比特中确定待测量子比特，基于所述待测量子比特、所述哈密顿量以及所述含参量子线路构建提供求期望值接口和求梯度接口的量子操作节点类；
针对所述设定问题，调用插设在预设机器学习框架中的所述量子操作节点类所具备的求梯度接口和求期望值接口求解所述设定问题，以构建量子机器学习框架。
2.根据权利要求1所述的量子机器学习框架构建方法，其特征在于，所述基于所述目标比特和所述哈密顿量获得所述设定问题的含参量子线路，具体包括：
获得所述哈密顿量对应的量子算符，作为目标算符；
基于所述目标算符和预设量子逻辑门转化器构建所述含参量子线路，其中，所述预设量子逻辑门转化器在接收到所述目标算符时，获得该目标算符对应的矩阵，将该矩阵转化为一组预设基矢，并获得该组预设基矢对应的多个量子逻辑门，以将所述目标算符转化为含参量子线路。
3.根据权利要求2所述的量子机器学习框架构建方法，其特征在于，所述量子逻辑门为含固定参数量子逻辑门或含变化参数量子逻辑门，且所述含参量子线路包括所述含固定参数量子逻辑门和至少一个所述含变化参数量子逻辑门。
4.根据权利要求1所述的量子机器学习框架构建方法，其特征在于，所述基于所述待测量子比特、所述哈密顿量以及所述含参量子线路构建提供求期望值接口和求梯度接口的量子操作节点类的步骤包括：
基于所述待测量子比特、所述哈密顿量以及所述含参量子线路生成量子程序接口，其中，所述量子程序接口提供的量子程序中包括针对所述待测量子比特的测量操作命令；
基于所述量子程序被加载、被运行进行量子计算至运行所述量子程序中的测量操作命令得到量子态分布几率生成量子程序执行接口；
基于所述量子态分布几率生成获得所述量子操作节点类的目标计算值的接口，其中，所述目标计算值为梯度值或期望值。
5.根据权利要求4所述的量子机器学习框架构建方法，其特征在于，所述哈密顿量为多个哈密顿分量的线性组合，各所述哈密顿分量具有占比系数，当所述目标计算值为总期望值时；
针对所述设定问题，调用插设在预设机器学习框架中的所述量子操作节点类所具备的所述求期望值接口求解所述设定问题的步骤包括：
遍历所述哈密顿量中的各所述哈密顿分量；
针对遍历到的当前哈密顿分量，调用所述量子程序接口构建第一目标程序、对所述第一目标程序赋值以及调用所述量子程序执行接口获得量子态分布几率、并将获得的所述量子态分布几率作为当前期望值；
根据所述当前期望值及该当前期望值对应的哈密顿量的占比系数更新所述总期望值；
直至遍历完所有的所述哈密顿分量时获得更新的总期望值。
6.根据权利要求4所述的量子机器学习框架构建方法，其特征在于，所述哈密顿量为多个哈密顿分量的线性组合，各所述哈密顿分量具有占比系数，当所述目标计算值为总梯度值时；
所述针对所述设定问题，调用插设在预设机器学习框架中的所述量子操作节点类所具备的所述求梯度接口求解所述设定问题的步骤包括：
遍历所述哈密顿量中的哈密顿分量；
针对遍历到的当前哈密顿分量，确定所述含参量子线路中包含特定求梯度参数的含参量子逻辑门，并遍历所述含参量子逻辑门；
针对遍历到的当前含参量子逻辑门，调用所述量子程序接口生成量子程序并基于所述量子程序获得该当前含参量子逻辑门对应的当前梯度值；
基于该当前含参量子逻辑门的当前梯度值更新所述当前哈密顿分量的对应的梯度值直至各所述含参量子逻辑门遍历完毕，获得对应所述当前哈密顿分量的梯度值，记为当前第一梯度值；
根据所述第一梯度值和该第一梯度值对应的哈密顿分量的占比系数更新所述总梯度值。
7.根据权利要求6所述的量子机器学习框架构建方法，其特征在于，针对遍历到的当前含参量子逻辑门，调用所述量子程序接口生成量子程序并基于所述量子程序获得该当前含参量子逻辑门对应的当前梯度值的步骤包括：
根据当前含参量子逻辑门的参数正向变大和参数值负向变小的规律分别调用所述量子程序接口以构建两个第二目标程序、对各所述第二目标程序赋值、并调用所述量子程序执行接口获得各量子态分布几率、并将获得的各所述量子态分布几率进行处理得到对应该当前含参量子逻辑门的当前梯度值。
8.根据权利要求7所述的量子机器学习框架构建方法，其特征在于，根据当前含参量子逻辑门的参数正向变大和参数值负向变小的规律分别调用所述量子程序接口以构建两个第二目标程序的步骤包括：
针对遍历到的当前含参量子逻辑门，根据当前含参量子逻辑门的参数正向变大规律，调用所述量子程序接口基于所述待测量子比特、所述哈密顿量以及所述当前含参量子逻辑门的所述特定求梯度参数加上π/2得到的含参量子线路构建一个所述第二目标程序；
根据当前含参量子逻辑门的参数值负向变小的规律，针对遍历到的当前含参量子逻辑门，调用所述量子程序接口基于所述待测量子比特、所述哈密顿量以及所述当前含参量子逻辑门的所述特定求梯度参数减去π/2得到的含参量子线路构建另一个所述第二目标程序。
9.一种量子机器学习框架构建装置，其特征在于，包括：
哈密顿量获得模块，针对一设定问题，获得所述设定问题对应的哈密顿量；
比特获得模块，用于获得该设定问题所需的量子比特数，根据所述量子比特数获得目标比特；
量子线路获得模块，用于基于所述目标比特和所述哈密顿量获得所述设定问题的含参量子线路；
量子操作节点类获得模块，用于从所述目标比特中确定待测量子比特，基于所述待测量子比特、以及所述含参量子线路构建提供求期望值接口和求梯度接口的量子操作节点类；
框架构建模块，用于针对所述设定问题，调用插设在预设机器学习框架中的所述量子操作节点类所具备的求梯度接口和求期望值接口求解所述设定问题，以构建量子机器学习框架。
10.一种量子计算机，其特征在于，包括存储器、经典处理器、量子处理器以及存储于存储器并可在所述经典处理器及所述量子处理器上运行的程序，所述经典处理器结合所述量子处理器运行该程序时执行以下步骤：
针对一设定问题，获得所述设定问题对应的哈密顿量；
获得该设定问题所需的量子比特数，根据所述量子比特数获得目标比特；
基于所述目标比特和所述哈密顿量获得所述设定问题的含参量子线路；
从所述目标比特中确定待测量子比特，基于所述待测量子比特、以及所述含参量子线路构建提供求期望值接口和求梯度接口的量子操作节点类；
针对所述设定问题，调用插设在预设机器学习框架中的所述量子操作节点类所具备的求梯度接口和求期望值接口求解所述设定问题，以构建量子机器学习框架。
CN201910071650.8A 2019-01-25 2019-01-25 量子机器学习框架构建方法、装置及量子计算机 Active CN109800883B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910071650.8A CN109800883B (zh) 2019-01-25 2019-01-25 量子机器学习框架构建方法、装置及量子计算机
PCT/CN2019/086064 WO2020151129A1 (zh) 2019-01-25 2019-05-08 量子机器学习框架构建方法、装置、量子计算机及计算机存储介质
US16/624,001 US20210182721A1 (en) 2019-01-25 2019-05-08 Method and apparatus for constructing quantum machine learning framework, quantum computer and computer storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910071650.8A CN109800883B (zh) 2019-01-25 2019-01-25 量子机器学习框架构建方法、装置及量子计算机

Publications (2)

Publication Number Publication Date
CN109800883A CN109800883A (zh) 2019-05-24
CN109800883B true CN109800883B (zh) 2020-12-04

Family

ID=66558874

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910071650.8A Active CN109800883B (zh) 2019-01-25 2019-01-25 量子机器学习框架构建方法、装置及量子计算机

Country Status (3)

Country Link
US (1) US20210182721A1 (zh)
CN (1) CN109800883B (zh)
WO (1) WO2020151129A1 (zh)

Families Citing this family (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110187885B (zh) * 2019-06-10 2023-03-31 合肥本源量子计算科技有限责任公司 一种量子程序编译的中间代码生成方法及装置
US11734598B2 (en) * 2019-11-01 2023-08-22 International Business Machines Corporation Quantum state preparation of a probability distribution facilitating quantum amplitude estimation
CN113222157B (zh) * 2020-01-21 2024-02-09 本源量子计算科技（合肥）股份有限公司 一种量子模拟方法、装置、电子装置及存储介质
CN111599414B (zh) * 2020-03-25 2022-05-06 清华大学 一种基于量子计算机的全量子分子模拟方法
US11960969B2 (en) 2020-03-27 2024-04-16 International Business Machines Corporation Quantum amplitude estimation state preparation for stochastic processes
CN111882070B (zh) * 2020-08-04 2021-07-16 深圳量旋科技有限公司 核磁共振量子计算同核赝纯态少量梯度场制备方法及系统
CN112073126B (zh) * 2020-08-14 2021-07-13 合肥本源量子计算科技有限责任公司 一种网络节点重要性的排序方法及装置
CN112016691B (zh) * 2020-08-14 2024-02-23 本源量子计算科技（合肥）股份有限公司 一种量子线路的构建方法及装置
CN114511089B (zh) * 2020-10-23 2024-06-14 本源量子计算科技（合肥）股份有限公司 量子连通图谱的连通度优化方法、装置、终端及存储介质
CN114529002B (zh) * 2020-11-09 2024-04-12 本源量子计算科技（合肥）股份有限公司 量子连通图谱的聚团划分方法、装置、终端及存储介质
CN114492811B (zh) * 2020-10-23 2024-05-07 本源量子计算科技（合肥）股份有限公司 量子连通图谱的优化方法、装置、终端及存储介质
CN112651509B (zh) * 2020-10-14 2022-04-22 腾讯科技（深圳）有限公司 量子线路的确定方法及装置
CN112269567B (zh) * 2020-11-03 2022-08-09 税友软件集团股份有限公司 一种跨语言机器学习方法及系统
CN114511093B (zh) * 2020-11-16 2023-06-09 中国人民解放军国防科技大学 玻色子系统模拟方法
CN112819169B (zh) * 2021-01-22 2021-11-23 北京百度网讯科技有限公司 量子控制脉冲生成方法、装置、设备及存储介质
CN113033812B (zh) * 2021-04-01 2022-03-18 腾讯科技（深圳）有限公司 量子操作执行方法、装置及量子操作芯片
CN113379057B (zh) * 2021-06-07 2022-04-01 腾讯科技（深圳）有限公司 量子体系基态能量估计方法及系统
CN115511093B (zh) * 2021-06-23 2024-08-13 本源量子计算科技（合肥）股份有限公司 分布式量子计算系统
CN113159239B (zh) * 2021-06-28 2021-09-28 北京航空航天大学 一种量子图卷积神经网络处理图数据的方法
CN113553028B (zh) * 2021-07-20 2024-03-12 中国科学院半导体研究所 基于概率比特电路的问题求解优化方法及系统
CN115705497B (zh) * 2021-08-13 2024-07-16 本源量子计算科技（合肥）股份有限公司 一种量子计算机操作系统和量子计算机
CN114202072B (zh) * 2021-10-14 2024-09-13 腾讯科技（深圳）有限公司 量子体系下的期望值估计方法及系统
CN114065939B (zh) * 2021-11-22 2022-10-11 北京百度网讯科技有限公司 量子芯片设计模型的训练方法、装置、设备及存储介质
CN116432710B (zh) * 2021-12-30 2024-06-14 本源量子计算科技（合肥）股份有限公司 机器学习模型构建方法、机器学习框架及相关设备
CN116415667B (zh) * 2021-12-30 2024-08-13 本源量子计算科技（合肥）股份有限公司 数据处理方法、机器学习框架及相关设备
CN116432721B (zh) * 2021-12-30 2024-06-14 本源量子计算科技（合肥）股份有限公司 数据处理方法、机器学习框架及相关设备
CN116541947B (zh) * 2022-01-25 2024-07-16 本源量子计算科技（合肥）股份有限公司 车辆配置的SAT或MAX-SAT问题的Grover求解方法及装置
CN114358318B (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分类方法及相关装置
CN114372539B (zh) * 2022-03-22 2022-07-15 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分类方法及相关设备
CN115345309B (zh) * 2022-08-31 2024-07-19 北京百度网讯科技有限公司 系统特征信息的确定方法、装置、电子设备和介质
CN115577791B (zh) * 2022-09-29 2024-07-23 北京百度网讯科技有限公司 基于量子系统的信息处理方法及装置
CN115577792A (zh) * 2022-09-29 2023-01-06 北京百度网讯科技有限公司 基于量子系统的信息处理方法及装置
CN115630706B (zh) * 2022-10-28 2024-07-26 中国科学技术大学 量子计算机调用方法、装置和电子设备
CN116052759B (zh) * 2022-12-09 2024-07-16 本源量子计算科技（合肥）股份有限公司 一种哈密顿量构造方法及相关装置
CN115632660B (zh) * 2022-12-22 2023-03-17 山东海量信息技术研究院 一种数据压缩方法、装置、设备及介质
CN116505986A (zh) * 2023-04-14 2023-07-28 南京邮电大学 一种毫米波大规模mimo系统中结合量子变分的预编码方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107004162A (zh) * 2014-12-05 2017-08-01 微软技术许可有限责任公司 量子深度学习
WO2018106556A1 (en) * 2016-12-08 2018-06-14 Microsoft Technology Licensing, Llc Tomography and generative data modeling via quantum boltzmann training
CN108351987A (zh) * 2015-08-19 2018-07-31 D-波系统公司 用于使用绝热量子计算机进行机器学习的系统和方法
CN108369668A (zh) * 2015-10-16 2018-08-03 D-波系统公司 用于创建和使用量子玻尔兹曼机的系统和方法
CN108734299A (zh) * 2017-04-19 2018-11-02 埃森哲环球解决方案有限公司 量子计算机器学习模块
WO2018223037A1 (en) * 2017-06-02 2018-12-06 Google Llc Quantum neural network
CN109155007A (zh) * 2016-05-13 2019-01-04 微软技术许可有限责任公司 训练量子优化器

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120218127A1 (en) * 2012-05-10 2012-08-30 Christopher Finley Kroen Terminal Intelligent Monitoring System
US10229355B2 (en) * 2016-04-13 2019-03-12 Iqb Information Technologies Inc. Quantum processor and its use for implementing a neural network
US20190244139A1 (en) * 2018-02-02 2019-08-08 Oracle International Corporation Using meta-learning for automatic gradient-based hyperparameter optimization for machine learning and deep learning models
WO2019177951A1 (en) * 2018-03-11 2019-09-19 President And Fellows Of Harvard College Hybrid quantum-classical generative modes for learning data distributions
US11710058B2 (en) * 2018-06-30 2023-07-25 Intel Corporation Apparatus and method for recompilation of quantum circuits to compensate for drift in a quantum computer
CN109063843B (zh) * 2018-07-12 2020-10-13 合肥本源量子计算科技有限责任公司 一种量子计算机软件架构系统
US10831455B2 (en) * 2019-01-07 2020-11-10 International Business Machines Corporation Quantum circuit compilation with quantum libraries as a service

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107004162A (zh) * 2014-12-05 2017-08-01 微软技术许可有限责任公司 量子深度学习
CN108351987A (zh) * 2015-08-19 2018-07-31 D-波系统公司 用于使用绝热量子计算机进行机器学习的系统和方法
CN108369668A (zh) * 2015-10-16 2018-08-03 D-波系统公司 用于创建和使用量子玻尔兹曼机的系统和方法
CN109155007A (zh) * 2016-05-13 2019-01-04 微软技术许可有限责任公司 训练量子优化器
WO2018106556A1 (en) * 2016-12-08 2018-06-14 Microsoft Technology Licensing, Llc Tomography and generative data modeling via quantum boltzmann training
CN108734299A (zh) * 2017-04-19 2018-11-02 埃森哲环球解决方案有限公司 量子计算机器学习模块
WO2018223037A1 (en) * 2017-06-02 2018-12-06 Google Llc Quantum neural network

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
量子机器学习算法综述;黄一鸣 等;《计算机学报》;20180131;第41卷(第1期);第145-163页 *

Also Published As

Publication number Publication date
US20210182721A1 (en) 2021-06-17
CN109800883A (zh) 2019-05-24
WO2020151129A1 (zh) 2020-07-30

Similar Documents

Publication Publication Date Title
CN109800883B (zh) 量子机器学习框架构建方法、装置及量子计算机
Li et al. Scalable gradients for stochastic differential equations
Zulehner et al. Advanced simulation of quantum computations
Wang et al. An XQDD-based verification method for quantum circuits
JP2018195314A (ja) 再帰型ニューラルネットワークアーキテクチャの生成のためのドメイン固有言語
Spector Automatic Quantum Computer Programming: a genetic programming approach
WO2018098018A1 (en) Compilation, memory management, and fault localization with ancillas in an unknown state
Gerbelot et al. Graph-based approximate message passing iterations
CN107004161B (zh) 针对clifford+t基上的对角算子的高效实现的方法
Ulyanov Quantum fast algorithm computational intelligence PT I: SW/HW smart toolkit
Wierstra et al. Modeling systems with internal state using evolino
Perelshtein et al. Practical application-specific advantage through hybrid quantum computing
US11580433B2 (en) Validating and estimating runtime for quantum algorithms
CN114764549B (zh) 基于矩阵乘积态的量子线路模拟计算方法、装置
WO2022153290A1 (en) Quantum circuit modeling
CN111914378B (zh) 一种单振幅量子计算模拟方法及装置
Lin et al. FTQLS: Fault-tolerant quantum logic synthesis
CN115244549A (zh) 用于量子化学的量子计算机上资源优化的费米子局部模拟的方法和设备
Rivero et al. Dome: a deterministic technique for equation development and symbolic regression
Gao et al. Solving DC power flow problems using quantum and hybrid algorithms
AU2020237590B2 (en) Compilation of quantum algorithms
CN115169565A (zh) 一种小分子化学体系的哈密顿量模拟方法和装置
Huang et al. Modified Newton integration neural algorithm for solving the multi-linear M-tensor equation
Yetiş et al. An improved and cost reduced quantum circuit generator approach for image encoding applications
CN111931939A (zh) 一种单振幅量子计算模拟方法

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
CP01 Change in the name or title of a patent holder

Address after: 230000, floor 6, E2 building, phase II, innovation industrial park, No. 2800, innovation Avenue, high tech Zone, Hefei, Anhui Province

Patentee after: Benyuan Quantum Computing Technology (Hefei) Co.,Ltd.

Address before: 230000, floor 6, E2 building, phase II, innovation industrial park, No. 2800, innovation Avenue, high tech Zone, Hefei, Anhui Province

Patentee before: ORIGIN QUANTUM COMPUTING COMPANY, LIMITED, HEFEI

CP01 Change in the name or title of a patent holder