CN110210073A - 量子噪声过程分析方法、装置、设备及存储介质 - Google Patents
量子噪声过程分析方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110210073A CN110210073A CN201910390722.5A CN201910390722A CN110210073A CN 110210073 A CN110210073 A CN 110210073A CN 201910390722 A CN201910390722 A CN 201910390722A CN 110210073 A CN110210073 A CN 110210073A
- Authority
- CN
- China
- Prior art keywords
- quantum
- noise process
- quantum noise
- tensor
- shift map
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 306
- 230000008569 process Effects 0.000 title claims abstract description 265
- 238000004458 analytical method Methods 0.000 title claims abstract description 44
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 238000013507 mapping Methods 0.000 claims abstract description 54
- 238000011137 process chromatography Methods 0.000 claims abstract description 24
- 230000015654 memory Effects 0.000 claims description 39
- 238000005314 correlation function Methods 0.000 claims description 34
- 230000002596 correlated effect Effects 0.000 claims description 23
- 238000001228 spectrum Methods 0.000 claims description 19
- 238000002474 experimental method Methods 0.000 claims description 16
- 230000000875 corresponding effect Effects 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 230000005649 non-markovian process Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 4
- 238000012367 process mapping Methods 0.000 claims 1
- 235000007926 Craterellus fallax Nutrition 0.000 abstract description 6
- 240000007175 Datura inoxia Species 0.000 abstract description 6
- 239000011159 matrix material Substances 0.000 description 19
- 230000008878 coupling Effects 0.000 description 16
- 238000010168 coupling process Methods 0.000 description 16
- 238000005859 coupling reaction Methods 0.000 description 16
- 239000002096 quantum dot Substances 0.000 description 16
- 238000013461 design Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 238000012546 transfer Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 238000000685 Carr-Purcell-Meiboom-Gill pulse sequence Methods 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 230000005610 quantum mechanics Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 210000004291 uterus Anatomy 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06N10/70—Quantum error correction, detection or prevention, e.g. surface codes or magic state distillation
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
-
- 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
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Complex Calculations (AREA)
- Image Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种量子噪声过程分析方法、装置、设备及存储介质,属于量子技术领域。所述方法包括:对目标量子系统的量子噪声过程进行量子过程层析,得到量子噪声过程的动力学映射;从动力学映射中提取量子噪声过程的张量转移映射;根据张量转移映射对量子噪声过程进行分析。其中,张量转移映射用于表征量子噪声过程的动力学演化,也即体现了量子噪声过程的动力学映射随时间的演化规律。因此,基于量子噪声过程的张量转移映射对量子噪声过程进行分析,相比于单纯的量子过程层析,能够得到有关量子噪声过程的更为丰富、全面的信息,从而实现对量子噪声过程进行更为准确全面地分析。
Description
技术领域
本申请实施例涉及量子技术领域,特别涉及一种量子噪声过程分析方法、装置、设备及存储介质。
背景技术
量子噪声过程是由于量子系统或量子器件与环境相互作用,或者控制本身的不完美导致量子信息的污染过程。
在相关技术中,采用量子过程层析(quantum process tomography,QPT)提取量子噪声过程的动力学映射的相关信息。量子过程层析是指通过对噪声通道输入一组标准量子态,通过一系列测量过程来重构量子噪声过程的数学描述。
单纯的量子过程层析,所获得的关于量子噪声过程的信息有限,不足以对量子噪声过程进行准确全面地分析。
发明内容
本申请实施例提供了一种量子噪声过程分析方法、装置、设备及存储介质,可用于解决相关技术所存在的上述技术问题。所述技术方案如下:
一方面,本申请实施例提供一种量子噪声过程分析方法,所述方法包括:
对目标量子系统的量子噪声过程进行量子过程层析,得到所述量子噪声过程的动力学映射;
从所述动力学映射中提取所述量子噪声过程的张量转移映射,所述张量转移映射用于表征所述量子噪声过程的动力学演化;
根据所述张量转移映射对所述量子噪声过程进行分析。
另一方面,本申请实施例提供一种量子噪声过程分析装置,所述装置包括:
获取模块,用于对目标量子系统的量子噪声过程进行量子过程层析,得到所述量子噪声过程的动力学映射;
提取模块,用于从所述动力学映射中提取所述量子噪声过程的张量转移映射,所述张量转移映射用于表征所述量子噪声过程的动力学演化;
分析模块,用于根据所述张量转移映射对所述量子噪声过程进行分析。
再一方面,本申请实施例提供一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述量子噪声过程分析方法。
又一方面,本申请实施例提供一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述量子噪声过程分析方法。
又一方面,本申请实施例提供一种计算机程序产品,当该计算机程序产品被执行时,其用于执行上述量子噪声过程分析方法。
本申请实施例提供的技术方案至少包括如下有益效果:
在本申请提供的技术方案中,通过对量子噪声过程进行量子过程层析,得到量子噪声过程的动力学映射,从量子噪声过程的动力学映射中,进一步提取量子噪声过程的张量转移映射,然后根据该张量转移映射对量子噪声过程进行分析。其中,张量转移映射用于表征量子噪声过程的动力学演化,也即体现了量子噪声过程的动力学映射随时间的演化规律。因此,基于量子噪声过程的张量转移映射对量子噪声过程进行分析,相比于单纯的量子过程层析,能够得到有关量子噪声过程的更为丰富、全面的信息,从而实现对量子噪声过程进行更为准确全面地分析。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请技术方案的整体流程图;
图2是本申请一个实施例提供的量子噪声过程分析方法的流程图;
图3至图8示例性示出了在模拟环境下的几组实验结果的示意图;
图9至图14示例性示出了在真实环境下的几组实验结果的示意图;
图15是本申请一个实施例提供的量子噪声过程分析装置的框图;
图16是本申请另一个实施例提供的量子噪声过程分析装置的框图;
图17是本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
在对本申请实施例进行介绍说明之前,首先对本申请中涉及的一些名词进行解释说明。
1、量子系统:整个宇宙的一部分,其运动规律遵循量子力学。
2、量子态:量子系统的所有信息由一个量子态ρ来表征。ρ是一个d×d复数矩阵,其中d是量子系统的维数。
3、量子噪声过程:由于量子系统或量子器件与环境相互作用,或者控制本身的不完美导致量子信息的污染过程。数学上这个过程是一个用超算符表示的信道,拓展到更高维度的话,可以用矩阵表示。
4、记忆核:是一个作用在量子态上的算子,包含了所有由环境引发的系统退相干的信息。
5、二阶记忆核:记忆核针对量子系统和环境的耦合强度的二阶级数展开。
6、噪声二阶关联函数:系统噪声在两个不同时间点的关联函数,用以计算噪声的频谱。
7、张量转移映射(tensorial transfer mapping,TTM):从量子噪声过程的动力学映射中递归提取的一组映射,该组映射编码了量子系统的记忆核,可以用来预言量子系统的动力学演化,并判断噪声的性质。
8、量子过程层析:通过对噪声通道输入一组标准量子态,通过一系列测量过程来重构量子噪声过程的数学描述。
在量子信息处理中,量子系统的所有信息都由一个量子态随时间t的演化ρ(t)来表征。ρ(t)是d×d的复矩阵。任意量子过程,包括量子信息处理过程和量子噪声过程,只要初始时系统和环境是可分离态,都可以用一个动力学映射来表征:
其中,Ak也是d×d矩阵并满足I为单位矩阵。这里,代表由Ak的厄米共轭,即转置后取复数共轭。由于有限维复矩阵空间的完备性,现定义一组在d×d矩阵空间的正交基{Ei},那么我们可以得到:
Ai=∑maimEm;
其中, 代表复数集,i、m均为正整数。
这样,可以得到:
其中,
在相关技术中,提供了一种基于量子过程层析的量子噪声过程分析方法。使用d2×d2个线性无关的输入态ρj,把每个输入态ρj传递到量子噪声过程中得到输出态ε(ρj)。由于输入态的完备性,输出态可以表示成输入态的线性组合:
ε(ρj)=∑kcjkρk;其中,
这样,通过多次输入同一个量子态ρj并对输出态做量子态层析,就可以在实验上解得系数cjk。具体过程如下:
其中,Bm,n,j,k是一个复数,m、n、j、k均为正整数。那么,
∑kcjkρk=ε(ρj)=∑m,n,kχm,nBm,n,j,kρk;
由于{ρi}是线性无关的,可以得到:
cjk=∑m,nχm,nBm,n,j,k;
通过转置Bm,n,j,k,可以得到:
因为χm,n包含了量子噪声过程的动力学映射的所有信息,因此通过量子过程层析得到χm,n,也就得到了量子噪声过程的动力学映射的所有信息。
但是,单纯的量子过程层析,所获得的关于量子噪声过程的信息有限,不足以对量子噪声过程进行准确全面地分析。例如,并没有对量子噪声过程是马尔科夫过程还是非马尔科夫过程做出判定,也没有获得量子噪声过程的频谱,也没有对量子系统中的不同量子器件之间的关联噪声做出分析。
如图1所示,其示出了本申请技术方案的整体流程图。在本申请提供的技术方案中,通过对量子噪声过程进行量子过程层析,得到量子噪声过程的动力学映射,从量子噪声过程的动力学映射中,进一步提取量子噪声过程的张量转移映射,然后根据该张量转移映射对量子噪声过程进行分析。其中,张量转移映射用于表征量子噪声过程的动力学演化,也即体现了量子噪声过程的动力学映射随时间的演化规律。因此,基于量子噪声过程的张量转移映射对量子噪声过程进行分析,相比于单纯的量子过程层析,能够得到有关量子噪声过程的更为丰富、全面的信息,从而实现对量子噪声过程进行更为准确全面地分析。
本申请提供的技术方案,适用于对任何量子系统的量子噪声过程进行分析,如量子计算机、量子保密通信、量子互联网或者其它量子系统。由于量子系统受到量子噪声的干扰,对量子系统的性能的影响非常严重,是阻碍量子系统实用化的最大障碍。因此,对量子噪声过程进行分析,了解噪声的性质,对于量子系统的发展至关重要。本申请提供的技术方案,基于量子噪声过程的张量转移映射对量子噪声过程进行分析,能够对量子噪声过程是马尔科夫过程还是非马尔科夫过程做出判定,针对非马尔科夫噪声可以设计独特的噪声抑制方案,比如通过动力学解耦来抑制噪声的发生;还能够对量子噪声过程的态演化进行预测;还能够获得量子噪声过程的关联函数和频谱,从而帮助制造量子器件时集成相应频段的滤波器;还能够对量子系统中的不同量子器件之间的关联噪声做出分析,了解关联噪声的来源,从而设计相应的方案对关联噪声进行抑制。因此,本申请提供的技术方案,能够得到有关量子噪声过程的更为丰富、全面的信息,从而为量子系统的性能提升提供更多的信息支持。
请参考图2,其示出了本申请一个实施例提供的量子噪声过程分析方法的流程图。该方法可应用于计算机设备中,所述计算机设备可以是任何具备数据处理和存储能力的电子设备,如PC(personal computer,个人计算机)、服务器、计算主机等电子设备。该方法可以包括如下几个步骤(201~203):
步骤201,对目标量子系统的量子噪声过程进行量子过程层析,得到量子噪声过程的动力学映射。
有关对量子噪声过程进行量子过程层析,得到量子噪声过程的动力学映射的介绍说明,在上文已经介绍说明,此处不再赘述。
可选地,在K个不同的时间点进行量子过程层析,得到量子噪声过程在K个时间点的动力学映射,K为大于等于1的整数。可选地,上述K个时间点中,相邻两个时间点之间的间隔时长相等。
步骤202,从动力学映射中提取量子噪声过程的张量转移映射。
在本申请实施例中,量子噪声过程的张量转移映射用于表征该量子噪声过程的动力学演化,也即体现了量子噪声过程的动力学映射随时间的演化规律。
可选地,根据量子噪声过程在K个时间点的动力学映射,计算量子噪声过程在K个时间点的张量转移映射。在示例性实施例中,通过递归方式提取K个时间点的张量转移映射。例如,按照下述公式计算量子噪声过程在第n个时间点的张量转移映射Tn:
其中,T1=ε1,εn表示量子噪声过程在第n个时间点的动力学映射,n、m均为正整数。
步骤203,根据张量转移映射对量子噪声过程进行分析。
在提取到量子噪声过程在K个时间点的张量转移映射之后,可以据此对量子噪声过程进行分析。
在示例性实施例中,有了Tn之后,根据定义,如果对n>1,|Tn|的值小到可以忽略的话,我们就可以认为量子噪声过程是马尔科夫过程。反之,则可以认为该量子噪声过程是非马尔科夫过程。也即,若量子噪声过程在K个时间点中除第一个时间点之外的其它时间点的张量转移映射的模均小于预设阈值,则确定量子噪声过程为马尔科夫过程;若量子噪声过程在K个时间点中除第一个时间点之外的至少一个时间点的张量转移映射的模大于预设阈值,则确定量子噪声过程为非马尔科夫过程。
通过上述方式,基于量子噪声过程的张量转移映射,能够对量子噪声过程是马尔科夫过程还是非马尔科夫过程做出判定,针对非马尔科夫噪声可以设计独特的噪声抑制方案,比如通过动力学解耦来抑制噪声的发生。
另外,相比于动力学映射,通用的描述量子系统在开放环境下演化的方程是非时间定域量子主方程,能更好地揭示量子噪声过程的数学结构。这个方程是一个微分积分方程:
其中,ρ(t)代表量子系统在时间t的量子态,用d×d的复数矩阵来表示。Ls是刘维尔算子,代表量子系统演化过程中相干的部分。s为积分参量。κ(t)是记忆核,包含了所有由环境引发的系统退相干的信息。如果我们能获得一个量子噪声过程的Ls和κ(t),那我们就能完全了解该噪声机制。本申请技术方案的基本思路即是通过实验和量子过程层析来计算张量转移映射,从而提取Ls和κ(t)的相关信息。
另一方面,量子系统和环境的联合演化由联合哈密顿量来决定。联合哈密顿量可以表示为:
其中,Hs是量子系统的哈密顿量,Hsb是量子系统和环境耦合的相互作用哈密顿量。
量子系统的态函数演化遵循:
其中,ρ(t)代表量子系统在时间t的量子态,ρ(0)代表量子系统初始的量子态,ε(t)代表量子系统在时间t的动力学演化,i是单位纯虚数,s为积分参量。
如果将时间离散化tk+1-tk=δt(k为正整数),那我们可以定义一组随时间演化的动力学映射{εk≡ε(tk)}。实验上,这些动力学映射可以通过在不同的时间点进行量子过程层析获得。
结合上述关于张量转移映射的公式定义,通过将εn用Tn表示出来,代入到上述态函数的公式,可以得到:
其中,ρ(tn)表示第n个时间点tn的量子态,Tm表示第m个时间点的张量转移映射。这个公式清楚地表示了在有噪声的情况下,量子系统的态演化取决于量子系统本身的历史演化。一般来说,动力学演化对历史的依赖不会超过一定的时间跨度。这意味着我们可以通过对上式的卷积进行截断,保留K(K为正整数)个时间点来很精确地预估噪声对态的影响——也即丢弃所有t>tK的项。这样,我们可以通过一小段时间动力学映射的量子过程层析来获得这段时间的张量转移映射。之后,我们可以利用这一小段时间的张量转移映射来预言长时间的开放系统演化。也即,根据K个时间点的张量转移映射,预测量子噪声过程在后续时间内的态演化。其中,在第n个时间点tn的量子态ρ(tn)可通过上述公式计算得到。并且,预测出的量子态可以与实验直接比较来验证通过张量转移映射描述开放系统动力学的有效性。也就是说这提供了本申请技术方案有效性的一个初步判据。
综上所述,在本申请提供的技术方案中,通过对量子噪声过程进行量子过程层析,得到量子噪声过程的动力学映射,从量子噪声过程的动力学映射中,进一步提取量子噪声过程的张量转移映射,然后根据该张量转移映射对量子噪声过程进行分析。其中,张量转移映射用于表征量子噪声过程的动力学演化,也即体现了量子噪声过程的动力学映射随时间的演化规律。因此,基于量子噪声过程的张量转移映射对量子噪声过程进行分析,相比于单纯的量子过程层析,能够得到有关量子噪声过程的更为丰富、全面的信息,从而实现对量子噪声过程进行更为准确全面地分析。
另外,在本申请提供的技术方案中,还实现了根据量子噪声过程的张量转移映射,对量子噪声过程是马尔科夫过程还是非马尔科夫过程做出判定;还实现了根据量子噪声过程在一段时间内的张量转移映射,预测该量子噪声过程在后续时间内的态演化。
在示例性实施例中,在提取得到量子噪声过程的张量转移映射之后,还可据此获得量子噪声过程的关联函数和频谱。该过程可以包括如下几个步骤:
1、若量子噪声过程为稳态噪声,则根据量子噪声过程的张量转移映射,提取量子噪声过程的二阶记忆核;
对于稳态噪声(如高斯稳态噪声)来说,噪声过程的关联函数决定了噪声的性质。而噪声过程的关联函数可以根据该噪声过程的二阶记忆核计算得到。
在本申请实施例中,对于量子噪声过程,如果该量子噪声过程为稳态噪声,则根据该量子噪声过程的张量转移映射,提取该量子噪声过程的二阶记忆核。
考虑到时间已经被离散化,近似到时间步长δt的二阶,可以得到张量转移映射的近似:
Tn=(1+Lsδt)δn,1+κ(tn)δt2;
同时,从开放系统理论中,我们知道动力学记忆核κ的精确表达式是:
这里,是一个映射算子,L是作用在系统和环境上的联合刘维尔算子。
由于在一般的量子系统中,噪声会在工程上被初步控制,所以量子系统和环境的耦合强度相对会比较弱。在目标量子系统和环境为弱耦合关系时,二阶微扰近似可以成立,因此可以得到:
注意上述表达式是在薛定谔表象下,并同时假设联合系统的哈密顿量是不随时间改变的。其中,二阶关联函数Cαα′(t)定义为:
是一组环境关联函数。基于二阶微扰,我们可以在实验中提取动力学映射,并通过量子过程层析得到张量转移映射,从而近似出核κexp。也即,κexp是通过实验获得的近似的二阶记忆核。
在目标量子系统和环境为强耦合关系时,二阶微扰不再是一个较好的近似,需要更多的高阶项才能得到更好的近似,但是仍然可以通过从实验数据中提取张量转移映射来提取二阶记忆核。具体步骤如下:选择N个不同参数,对量子噪声过程进行实验,从实验中提取N个不同参数对应的记忆核;根据该N个不同参数对应的记忆核,计算得到量子噪声过程的二阶记忆核。
先定义N阶截断近似记忆核:
并假设系统的记忆核可以被它近似。然后假设有一个可调参数的系统,每次实验可以调节系统参数ωs,i,其哈密顿量为:
Hs=ωs,iσz;
其中i表示选择第i个参数所进行的实验。对选定的参数ωs,i(ωs,i属于实验可以达到的一个区间),对哈密顿量做归一化处理,可以得到:
其中g∝1/ωs,i。通过对N个不同ωs,i进行实验,我们可以构建一组无物理单位的记忆核,他们的关系是:
其中γi=ωs,0/ωs,i,表示在ωs,i情况下的2n阶记忆核。这样就可以定义以下矩阵;
并有以下方程:
方程右边的记忆核可以通过量子过程层析和数据处理从实验中直接提取。因为A是满秩矩阵,所以通过解线性方程得到2至N阶的无物理单位记忆核,自然也就得到了二阶记忆核。
2、根据量子噪声过程的二阶记忆核,计算量子噪声过程的关联函数;
可选地,按照下述公式在数值上提取量子噪声过程的关联函数Cαα′:
其中,κ2表示量子噪声过程的二阶记忆核,tn表示第n个时间点,Cαα′(tn)是在上述第n个时间点tn的二阶关联函数,κexp表示实验获取的近似的二阶记忆核,是克罗内克函数(当n=0,其值为1,其余情况下其值为0),λn为可调参数。需要说明的是,λn用于保证对目标函数取最小后,关联函数仍然可以是连续的。λn的选择可以通过先选定一个初始值,观察目标函数的大小,然后迭代进行调整,它的值选取具有一定的鲁棒性。
可选地,对于非高斯型的稳态噪声来说,需要高于2阶的关联函数才能充分表征噪声的统计性质。上文介绍了基于解此线性方程以取得噪声的二阶关联函数。处理非高斯型的稳态噪声,可以假设噪声的记忆核写成:
基于这个更广义的记忆核,可以根据上文介绍的方案得到:
解此线性方程,可以得到二阶和更高阶的关联函数。
3、对量子噪声过程的关联函数做傅里叶变换,得到量子噪声过程的频谱。
一旦得到了量子噪声过程的关联函数,就可以通过对该关联函数做傅里叶变换,得到该量子噪声过程的频谱:
这种得到量子噪声过程的频谱的方法不受限于量子噪声(系统对噪声源有反馈)还是经典噪声,不受限于某个特定的噪声种类。
综上所述,在本申请提供的技术方案中,在提取得到量子噪声过程的张量转移映射之后,还可据此获得量子噪声过程的关联函数和频谱,从而帮助制造量子器件时集成相应频段的滤波器。
在示例性实施例中,在提取得到量子噪声过程的张量转移映射之后,还可据此对目标量子系统中的不同量子器件之间的关联噪声做出分析,了解关联噪声的来源。该过程可以包括如下几个步骤:
1、对于目标量子系统中包含的s个量子器件,根据该s个量子器件各自对应的张量转移映射,计算该s个量子器件之间的关联张量转移映射,s为大于1的整数;
2、根据关联张量转移映射,分析该s个量子器件之间的关联噪声的来源。
一个量子系统可以包含多个量子器件,量子比特是一种最简单的量子器件,只包含两个量子态。使用张量转移映射,能够完成同一量子系统中的多个量子器件之间的关联。下文主要以两个量子器件的情况进行介绍说明,其它情况可做类似推广,如按照本申请实施例提供的方法判定任意两个量子器件之间的噪声关联,任意三个或更多数量的量子器件之间的噪声关联。
任意两个量子系统(或量子器件)的动力学映射可以做如下分解:
其中,εn,1表示第一量子器件的动力学映射,εn,2表示第二量子器件的动力学映射。以上的动力学映射分解,可以使用Choi矩阵的形式来表达动力学映射εn→χn,并取Choi矩阵的迹:
或者
然后,再把单个量子器件的Choi矩阵χn,i表达回动力学映射εn,i。两个量子器件的动力学映射εn都可以通过对这两个量子器件做联合的量子过程层析来获得。δεn可以被用来分析关联噪声。在二阶微扰的情况下,通常δεn的模会比要小很多。在非微扰的区域内,δεn和的模值则可能相当,甚至|δεn|比要大很多。所以,单纯的量子过程层析能够对关联噪声的强弱做一个初步的判定。但是,很难对关联噪声的来源做出分析,因为所有数据都混杂在一起。通常来说,两个量子器件之间的关联噪声的来源包括:(1)两个量子器件之间直接的耦合所产生的关联噪声;(2)两个量子器件通过共享环境所诱导的关联噪声;(3)以上两者皆有。
本申请实施例提供了一种基于张量转移映射的关联噪声分析方法,这种方法可以得到关于关联噪声的更多信息。首先,通过来计算可分离张量转移映射
其中,同样地,可以将δTn拆解成:
δTn=δLδtδn,1+δκnδt2;
其中刘维尔超算子δL揭示是否有两个量子器件之间直接的耦合所产生的关联噪声,而δκn代表由共享环境所诱导的关联噪声。可以发现,由δL引起的耦合增量和δt是线性关系,而由δκn引起的耦合增量和δt2是线性关系。我们可以通过选择两个不同的时间步长δt和δt′,这样就会产生两个不同的动力学映射ε1和ε′1,进而来判断关联噪声的来源。鉴于关联噪声对容错量子计算的影响重大,本申请技术方案可以更好地了解关联噪声并对如何进行控制做出指导,针对δL和δκn设计不同的噪声抑制方案。
具体来讲,通过量子过程层析,可以得到目标量子系统中的两个量子器件的联合动力学映射εn,并进一步得到张量转移映射Tn,然后通过εn对两个量子器件分别求迹,可以得到εn,1和εn,2,以及然后通过得到最后,
然后考虑两组不同的时间步长δt和δt′:
进而分别求出δL和δκn。
综上所述,在本申请提供的技术方案中,在提取得到量子噪声过程的张量转移映射之后,还可据此对目标量子系统中的不同量子器件之间的关联噪声做出分析,了解关联噪声的来源,从而设计相应的方案对关联噪声进行抑制。
为了进一步证实本申请技术方案的有效性,针对典型的模型进行数值分析。在这之后,在IBM的量子计算云平台IBM Quantum Experience上尝试使用本申请技术方案对真实超导量子比特进行实验观测并从中提取有关噪声过程的信息。
针对典型的模型进行数值分析的结果如下:
案例一,单个量子比特在纯相位退相干下的数值模拟
取Hs=0.1σz,Hsb=Bz(t)σz,Czz(0)=λ=4,δt=0.2,单量子比特自由演化的张量转移映射结果如图3所示。图3中(a)部分示出了张量转移映射的Frobenious模随着时间的变化,由图中可以看出,t1→t6范围内的张量转移映射有非平庸的贡献,也即噪声过程呈现出非马尔科夫性质。图3中(b)部分的线条31表示初始态对应的密度矩阵非对角元实部随着时间的演化。线条32、线条33和线条34分别展示了不同张量转移映射长度(即K分别取1、3、5时)对密度矩阵的预测效果。可以看出,当K取5时,通过张量转移映射得到的演化与精确解较好地重合,可以完美的预测长时间实验演化。
另外,图4示出了布洛赫体积随时间的变化情况,布洛赫体积V(t)在某一时段(t4,t5,t6)的增长,清楚地展示了该动力学过程的非马尔科夫特性,从侧面印证了图3的结论。
案例二,单个量子比特在纯相位退相干下的噪声关联函数提取
取Hs=0.02σz,Czz(0)=<Bz(t)Bz(0)>=0.01,δt=0.04,单量子比特自由演化的张量转移映射方法获得量子噪声过程的频谱(相当于环境噪声谱)。图5中(a)部分示出了在量子系统和环境弱耦合的情况下,噪声关联函数Czz(t)随着时间的变化。线条51展示了噪声关联函数的准确理论结果,各个圆圈展示了在K(t)≈K2(t)的假设下从记忆核得到的数值结果。可见在弱耦合情况下,张量转移映射所得二阶近似下的记忆核可以很好地刻画量子噪声过程。
在图5(b)部分中,取Hs=0.02σz,Czz(0)∈(0,2.56),δt=0.04。量子系统和环境强耦合的情况。特殊时间点CZZ(t=15δt)的噪声关联函数随着噪声系统耦合强度CZZ(0)=λ变化的结果。线条42是准确的理论结果。线条53展示的第一种数值结果:即直接假设K(t)≈K2(t),可见在强耦合的情况下与真实噪声谱有很大差距。线条54展示的第二种数值结果:即直接假K(t)≈K2(t)+K4(t),即使在所研究的强耦合的情况下,张量转移映射所得的记忆核考虑到更高阶也可以很好的反应真实噪声谱。
案例三,单个量子比特在比特翻转噪声下关联函数的提取
取Hs=0.02δz,Cxx(0)=0.01,δt=0.04,单量子比特自由演化的张量转移映射方法获得量子噪声过程的频谱(相当于环境噪声谱)。注意在这种情况,噪声不再是纯相位退相干噪声。如图6所示,圆圈展示的从张量转移映射记忆核得到的关联函数Cxx(t)=<Bx(t)Bx(0)>与线条61展示的真实噪声谱非常吻合。这组模拟显示了,当环境噪声产生的影响超出纯退相位,例如Bx(t),By(t)时,张量转移映射记忆核推及噪声谱的方法仍然适用。
案例四,双量子比特下两种纯退相位模型下两个量子比特自由演化的张量转移映射结果
图7中(a)部分示出了两个在z方向相互耦合的量子比特处于各自独立的环境噪声中,这两个量子比特自由演化的张量转移映射结果。
系统哈密顿量为:
环境哈密顿量为:
关联函数为:
线条71、线条72和线条73分别表示全张量转移映射Tn,可分离张量转移映射和关联张量转移映射δTn。如图所示关联张量转移映射中只有第一项即δT1是非平庸的。也即结果表明独立噪声环境下张量转移映射的关联部分几乎是马尔科夫性质的。进一步我们分析得到δLs产生两量子比特的纠缠会导致关联的退相干效应,即使噪声源空间分离或相互独立。
图7中(b)部分示出了两个没有直接耦合的量子比特处于有关联的环境噪声中,这两个量子比特自由演化的张量转移映射结果。
系统哈密顿量为:
环境哈密顿量为:
线条74、线条75和线条76分别表示全张量转移映射Tn,可分离张量转移映射和关联张量转移映射δTn。这种情况下,多个δTn是非平庸的。经过分析可以发现δK(t1)是δT1的主要贡献因素。从而直接根据张量转移映射的规范随时间的分布就可以估计出导致集体退相干的不同物理机制的相对重要性。
案例五,双量子比特下张量转移映射的开放系统动力学预言有效性。
为了考察δTn的重要性,图8展示了两量子比特密度矩阵的非对角矩阵元的动力学演化。我们将长度为(即K分别取1,8,16时)的张量转移映射对于物理态的预测结果与真实动力学模拟结果进行对比。图8的(a)、(b)两部分分别展示了第一种模型下基于完全张量转移映射和可分离张量转移映射对的预测结果。图8的(c)、(d)两部分分别展示了第二种模型下基于完全张量转移映射和可分离张量转移映射对的预测结果。对于两种情况,集体退相关的效果都不能由单独描述。从图7看来,δTn总体很小,不造成影响。但这里表明δTn对物态的预测还是扮演重要的角色。这更加验证了高度非马尔科夫系统的复杂特性。
另外,为了验证本申请技术方案的实用性,在IBM Quantum Experience上进行测试。IBM Quantum Experience是IBM提供的超导量子计算云平台,所有计算运行在真实的超导量子计算机上。对超导量子比特来说,一方面由于操作量子门的时间相对于环境的关联时间过长(~100ns),另一方面由于噪声过程并非纯粹的相位退相干,基于CPMG的动力学解耦提取频谱的方法并不适用。
图9示出了IBM量子计算云平台“ibmq 16 Melourne”上的单量子比特自由演化的张量转移映射研究。其中δt=2.2μs。图9中(a)部分示出了张量转移映射的规范随着时间的分布。图9中(b)部分示出了态|1>的动力学演化,线条91是实验结果。线条92、线条93和线条94是分别取(1、3、5)个张量转移映射对于|1>演化的预测结果。可以看出记忆核的时间尺度是μs量级的,与100ns的量子门时间相比并不短。
图10示出了单量子比特布洛赫体积V(t)随着时间的分布。短暂的增长展示了量子体系的非马尔科夫特性。
图11示出了IBM量子计算云平台“ibmq 16 Melourne”上的单量子比特动态解耦(DD)演化,其中δt=2.64μs。在XY4DD协议下四个初始态(a)|ψ(0)>=|0> (b)|ψ(0)>=|1> (c) (d)的三个自旋方向的测量结果。我们观察到量子相干性的延长。
图12示出了IBM量子计算云平台“ibmq 16 Melourne”上的单量子比特动态解耦(DD)演化,其中δt=2.64μs。在XY4DD协议下,张量转移映射的规范随时间的分布。其中量子相干性的延长内在机制可以由此张量转移映射反应出来:XY4DD协议下的有效噪声与自由演化的结果相比更具有马尔科夫特性。
图13示出了IBM量子计算云平台“ibmq 16 Melourne”上的两个量子比特自由演化的张量转移映射研究。其中δt=2.2μs。完全张量转移映射|Tn|,可分离张量转移映射关联张量转移映射|δTn|的规范随时间的分布。可以看出在这一组实验中,张量转移映射在较长的时间尺度下都是非平庸的,有较强的非马尔科夫特性。结合数值模拟的结果,我们初步认为IBM量子云平台上近邻两比特有比特间的耦合,也有环境噪声的关联。
图14示出了IBM量子计算云平台“ibmq 16 Melourne”上的两个量子比特自由演化的张量转移映射研究。其中δt=2.2μs。黑色圆点所代表的黑色线条是密度矩阵演化的实验结果,圆圈、三角形和方形所代表的三条线条分别是选取(1,2,4)个张量转移映射的预测密度矩阵演化的效果。图14中(a)、(b)分别展示了初始态为非纠缠态下基于完全张量转移映射和可分离张量转移映射对的预测结果。图14中(c)、(d)分别展示了初始态为纠缠态下基于完全张量转移映射和可分离张量转移映射对的预测结果。可见不包含关联张量转移映射无论是纠缠态或者非纠缠态都无法准确的预测其演化。进一步分析δT1,可以看出δLs有重要贡献,说明两个量子比特之间本身存在耦合。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
请参考图15,其示出了本申请一个实施例提供的量子噪声过程分析装置的框图。该装置具有实现上述方法示例的功能,所述功能可以由硬件实现,也可以由硬件执行相应的软件实现。该装置可以是计算机设备,也可以设置在计算机设备中。该装置1500可以包括:获取模块1510、提取模块1520和分析模块1530。
获取模块1510,用于对目标量子系统的量子噪声过程进行量子过程层析,得到所述量子噪声过程的动力学映射。
提取模块1520,用于从所述动力学映射中提取所述量子噪声过程的张量转移映射,所述张量转移映射用于表征所述量子噪声过程的动力学演化。
分析模块1530,用于根据所述张量转移映射对所述量子噪声过程进行分析。
综上所述,在本申请提供的技术方案中,通过对量子噪声过程进行量子过程层析,得到量子噪声过程的动力学映射,从量子噪声过程的动力学映射中,进一步提取量子噪声过程的张量转移映射,然后根据该张量转移映射对量子噪声过程进行分析。其中,张量转移映射用于表征量子噪声过程的动力学演化,也即体现了量子噪声过程的动力学映射随时间的演化规律。因此,基于量子噪声过程的张量转移映射对量子噪声过程进行分析,相比于单纯的量子过程层析,能够得到有关量子噪声过程的更为丰富、全面的信息,从而实现对量子噪声过程进行更为准确全面地分析。
在一些可能的设计中,所述动力学映射包括:所述量子噪声过程在K个时间点的动力学映射,所述K为正整数;
所述提取模块1520,用于根据所述量子噪声过程在所述K个时间点的动力学映射,计算所述量子噪声过程在所述K个时间点的张量转移映射。
在一些可能的设计中,所述提取模块1520,用于按照下述公式计算所述量子噪声过程在第n个时间点的张量转移映射Tn:
其中,T1=ε1,εn表示所述量子噪声过程在所述第n个时间点的动力学映射,n、m均为正整数。
在一些可能的设计中,如图16所示,所述分析模块1530,包括:马尔科夫判别子模块1531。
所述马尔科夫判别子模块1531,用于:
若所述量子噪声过程在所述K个时间点中除第一个时间点之外的其它时间点的张量转移映射的模均小于预设阈值,则确定所述量子噪声过程为马尔科夫过程;
若所述量子噪声过程在所述K个时间点中除第一个时间点之外的至少一个时间点的张量转移映射的模大于所述预设阈值,则确定所述量子噪声过程为非马尔科夫过程。
在一些可能的设计中,如图16所示,所述分析模块1530,包括:态演化预测子模块1532。
所述态演化预测子模块1532,用于根据所述K个时间点的张量转移映射,预测所述量子噪声过程在后续时间内的态演化。
在一些可能的设计中,所述态演化预测子模块1532,用于:按照下述公式计算所述量子噪声过程在第n个时间点tn的量子态ρ(tn):
其中,Tm表示第m个时间点的张量转移映射,n、m均为正整数。
在一些可能的设计中,如图16所示,所述分析模块1530,包括:
记忆核提取子模块1533,用于若所述量子噪声过程为稳态噪声,则根据所述张量转移映射,提取所述量子噪声过程的二阶记忆核;
关联函数计算子模块1534,用于根据所述量子噪声过程的二阶记忆核,计算所述量子噪声过程的关联函数;
频谱获取子模块1535,用于对所述量子噪声过程的关联函数做傅里叶变换,得到所述量子噪声过程的频谱。
在一些可能的设计中,所述记忆核提取子模块1533,用于:选择N个不同参数,对所述量子噪声过程进行实验,从实验中提取所述N个不同参数对应的记忆核;根据所述N个不同参数对应的记忆核,计算得到所述量子噪声过程的二阶记忆核。
在一些可能的设计中,所述关联函数计算子模块1534,用于按照下述公式在数值上提取所述量子噪声过程的关联函数Cαα′:
其中,κ2表示所述量子噪声过程的二阶记忆核,tn表示第n个时间点,κexp表示实验获取的近似的二阶记忆核,表示所述第n个时间点与初始时刻之间的间隔时长,λn为可调参数。
在一些可能的设计中,如图16所示,所述分析模块1530,包括:关联噪声分析子模块1536。
所述关联噪声分析子模块1536,用于:对于所述目标量子系统中包含的s个量子器件,根据所述s个量子器件各自对应的张量转移映射,计算所述s个量子器件之间的关联张量转移映射,所述s为大于1的整数;根据所述关联张量转移映射,分析所述s个量子器件之间的关联噪声的来源。
需要说明的是,上述实施例提供的装置,在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装置与方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
请参考图17,其示出了本申请一个实施例提供的计算机设备的结构示意图。该计算机设备用于实施上述实施例中提供的量子噪声过程分析方法。具体来讲:
所述计算机设备1700包括中央处理单元(CPU)1701、包括随机存取存储器(RAM)1702和只读存储器(ROM)1703的系统存储器1704,以及连接系统存储器1704和中央处理单元1701的系统总线1705。所述计算机设备1700还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)1706,和用于存储操作系统1713、应用程序1714和其他程序模块1715的大容量存储设备1707。
所述基本输入/输出系统1706包括有用于显示信息的显示器1708和用于用户输入信息的诸如鼠标、键盘之类的输入设备1709。其中所述显示器1708和输入设备1709都通过连接到系统总线1705的输入输出控制器1710连接到中央处理单元1701。所述基本输入/输出系统1706还可以包括输入输出控制器1710以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入输出控制器1710还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备1707通过连接到系统总线1705的大容量存储控制器(未示出)连接到中央处理单元1701。所述大容量存储设备1707及其相关联的计算机可读介质为计算机设备1700提供非易失性存储。也就是说,所述大容量存储设备1707可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。
不失一般性,所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术,CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器1704和大容量存储设备1707可以统称为存储器。
根据本申请的各种实施例,所述计算机设备1700还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备1700可以通过连接在所述系统总线1705上的网络接口单元1711连接到网络1712,或者说,也可以使用网络接口单元1711来连接到其他类型的网络或远程计算机系统(未示出)。
所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、至少一段程序、代码集或指令集经配置以由一个或者一个以上处理器执行,以实现上述实施例提供的量子噪声过程分析方法。
在示例性实施例中,还提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或所述指令集在被计算机设备的处理器执行时实现上述实施例提供的量子噪声过程分析方法。在示例性实施例中,上述计算机可读存储介质可以是ROM、RAM、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供了一种计算机程序产品,当该计算机程序产品被执行时,其用于实现上述实施例提供的量子噪声过程分析方法。
应当理解的是,在本文中提及的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。另外,本文中描述的步骤编号,仅示例性示出了步骤间的一种可能的执行先后顺序,在一些其它实施例中,上述步骤也可以不按照编号顺序来执行,如两个不同编号的步骤同时执行,或者两个不同编号的步骤按照与图示相反的顺序执行,本申请实施例对此不作限定。
以上所述仅为本申请的示例性实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (13)
1.一种量子噪声过程分析方法,其特征在于,所述方法包括:
对目标量子系统的量子噪声过程进行量子过程层析,得到所述量子噪声过程的动力学映射;
从所述动力学映射中提取所述量子噪声过程的张量转移映射,所述张量转移映射用于表征所述量子噪声过程的动力学演化;
根据所述张量转移映射对所述量子噪声过程进行分析。
2.根据权利要求1所述的方法,其特征在于,所述动力学映射包括:所述量子噪声过程在K个时间点的动力学映射,所述K为正整数;
所述从所述动力学映射中提取所述量子噪声过程的张量转移映射,包括:
根据所述量子噪声过程在所述K个时间点的动力学映射,计算所述量子噪声过程在所述K个时间点的张量转移映射。
3.根据权利要求2所述的方法,其特征在于,所述根据所述量子噪声过程在所述K个时间点的动力学映射,计算所述量子噪声过程在所述K个时间点的张量转移映射,包括:
按照下述公式计算所述量子噪声过程在第n个时间点的张量转移映射Tn:
其中,T1=ε1,εn表示所述量子噪声过程在所述第n个时间点的动力学映射,n、m均为正整数。
4.根据权利要求2所述的方法,其特征在于,所述根据所述张量转移映射对所述量子噪声过程进行分析,包括:
若所述量子噪声过程在所述K个时间点中除第一个时间点之外的其它时间点的张量转移映射的模均小于预设阈值,则确定所述量子噪声过程为马尔科夫过程;
若所述量子噪声过程在所述K个时间点中除第一个时间点之外的至少一个时间点的张量转移映射的模大于所述预设阈值,则确定所述量子噪声过程为非马尔科夫过程。
5.根据权利要求2所述的方法,其特征在于,所述根据所述张量转移映射对所述量子噪声过程进行分析,包括:
根据所述K个时间点的张量转移映射,预测所述量子噪声过程在后续时间内的态演化。
6.根据权利要求5所述的方法,其特征在于,所述根据所述K个时间点的张量转移映射,预测所述量子噪声过程在后续时间内的态演化,包括:
按照下述公式计算所述量子噪声过程在第n个时间点tn的量子态ρ(tn):
其中,Tm表示第m个时间点的张量转移映射,n、m均为正整数。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述根据所述张量转移映射对所述量子噪声过程进行分析,包括:
若所述量子噪声过程为稳态噪声,则根据所述张量转移映射,提取所述量子噪声过程的二阶记忆核;
根据所述量子噪声过程的二阶记忆核,计算所述量子噪声过程的关联函数;
对所述量子噪声过程的关联函数做傅里叶变换,得到所述量子噪声过程的频谱。
8.根据权利要求7所述的方法,其特征在于,所述根据所述K个时间点的张量转移映射,提取所述量子噪声过程的二阶记忆核,包括:
选择N个不同参数,对所述量子噪声过程进行实验,从实验中提取所述N个不同参数对应的记忆核;
根据所述N个不同参数对应的记忆核,计算得到所述量子噪声过程的二阶记忆核。
9.根据权利要求7所述的方法,其特征在于,所述根据所述量子噪声过程的二阶记忆核,计算所述量子噪声过程的关联函数,包括:
按照下述公式在数值上提取所述量子噪声过程的关联函数Cαα′:
其中,κ2表示所述量子噪声过程的二阶记忆核,tn表示第n个时间点,Cαα′(tn)是在所述第n个时间点tn的二阶关联函数,κexp表示实验获取的近似的二阶记忆核,是克罗内克函数,λn为可调参数。
10.根据权利要求1至6任一项所述的方法,其特征在于,所述根据所述张量转移映射对所述量子噪声过程进行分析,包括:
对于所述目标量子系统中包含的s个量子器件,根据所述s个量子器件各自对应的张量转移映射,计算所述s个量子器件之间的关联张量转移映射,所述s为大于1的整数;
根据所述关联张量转移映射,分析所述s个量子器件之间的关联噪声的来源。
11.一种量子噪声过程分析装置,其特征在于,所述装置包括:
获取模块,用于对目标量子系统的量子噪声过程进行量子过程层析,得到所述量子噪声过程的动力学映射;
提取模块,用于从所述动力学映射中提取所述量子噪声过程的张量转移映射,所述张量转移映射用于表征所述量子噪声过程的动力学演化;
分析模块,用于根据所述张量转移映射对所述量子噪声过程进行分析。
12.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至10任一项所述的方法。
13.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至10任一项所述的方法。
Priority Applications (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910390722.5A CN110210073B (zh) | 2019-05-10 | 2019-05-10 | 量子噪声过程分析方法、装置、设备及存储介质 |
JP2021531175A JP7098840B2 (ja) | 2019-05-10 | 2020-04-15 | 量子ノイズプロセスの解析方法、装置、機器及び記憶媒体 |
KR1020217011244A KR102496415B1 (ko) | 2019-05-10 | 2020-04-15 | 양자 잡음 프로세스 분석 방법 및 장치, 디바이스, 및 저장 매체 |
PCT/CN2020/084897 WO2020228470A1 (zh) | 2019-05-10 | 2020-04-15 | 量子噪声过程分析方法、装置、设备及存储介质 |
EP20805042.7A EP3968187A4 (en) | 2019-05-10 | 2020-04-15 | QUANTUM NOISE PROCESS ANALYSIS METHOD AND APPARATUS, DEVICE AND INFORMATION HOLDER |
US17/174,665 US11893453B2 (en) | 2019-05-10 | 2021-02-12 | Quantum noise process analysis method and apparatus, device, and storage medium |
US18/538,946 US20240169228A1 (en) | 2019-05-10 | 2023-12-13 | Quantum Noise Process Analysis Method and Apparatus, Device, and Storage Medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910390722.5A CN110210073B (zh) | 2019-05-10 | 2019-05-10 | 量子噪声过程分析方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110210073A true CN110210073A (zh) | 2019-09-06 |
CN110210073B CN110210073B (zh) | 2022-03-08 |
Family
ID=67785855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910390722.5A Active CN110210073B (zh) | 2019-05-10 | 2019-05-10 | 量子噪声过程分析方法、装置、设备及存储介质 |
Country Status (6)
Country | Link |
---|---|
US (2) | US11893453B2 (zh) |
EP (1) | EP3968187A4 (zh) |
JP (1) | JP7098840B2 (zh) |
KR (1) | KR102496415B1 (zh) |
CN (1) | CN110210073B (zh) |
WO (1) | WO2020228470A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814362A (zh) * | 2020-08-28 | 2020-10-23 | 腾讯科技(深圳)有限公司 | 量子噪声过程分析方法、系统及存储介质和终端设备 |
WO2020228470A1 (zh) * | 2019-05-10 | 2020-11-19 | 腾讯科技(深圳)有限公司 | 量子噪声过程分析方法、装置、设备及存储介质 |
CN112529194A (zh) * | 2020-12-07 | 2021-03-19 | 北京百度网讯科技有限公司 | 消除量子噪声的方法及装置、计算机设备、介质和产品 |
CN113379056A (zh) * | 2021-06-02 | 2021-09-10 | 北京百度网讯科技有限公司 | 量子态数据处理方法、装置、电子设备及存储介质 |
CN114692883A (zh) * | 2022-05-30 | 2022-07-01 | 苏州浪潮智能科技有限公司 | 一种量子数据加载方法、装置、设备和可读存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4053755B1 (en) | 2021-01-18 | 2024-02-28 | Tencent Technology (Shenzhen) Company Limited | Quantum bit crosstalk analyzing method and apparatus, computer device and storage medium |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103414477A (zh) * | 2013-07-12 | 2013-11-27 | 西安电子科技大学 | 一种构造量子卷积码状态转移图和网格图的方法 |
CN108898829A (zh) * | 2018-06-07 | 2018-11-27 | 重庆邮电大学 | 针对无差异性划分和数据稀疏的动态短时交通流预测系统 |
CN109388374A (zh) * | 2018-10-12 | 2019-02-26 | 太原理工大学 | 一种基于混沌放大量子噪声的随机数生成的方法 |
US20190095811A1 (en) * | 2017-09-22 | 2019-03-28 | International Business Machines Corporation | Hardware-efficient variational quantum eigenvalue solver for quantum computing machines |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2096422A1 (en) * | 2006-11-29 | 2009-09-02 | Fujitsu Limited | Optical noise index calculating method, optical noise index calculating device, and optical sampling oscilloscope |
CN103414447B (zh) | 2013-08-15 | 2017-07-28 | 电子科技大学 | 一种低温共烧陶瓷ltcc限幅滤波器 |
KR101729663B1 (ko) * | 2015-12-31 | 2017-04-24 | 에스케이텔레콤 주식회사 | 양자 노이즈 기반 난수생성기의 성능을 관리하기 위한 장치 및 방법 |
CA3024197A1 (en) | 2016-05-17 | 2017-11-23 | Google Llc | Fidelity estimation for quantum computing systems |
CN108072608A (zh) | 2016-11-16 | 2018-05-25 | 上海中冶横天智能科技股份有限公司 | 在线式量子气体分析仪 |
CN107508676A (zh) * | 2017-09-25 | 2017-12-22 | 北京邮电大学 | 一种联合旋转噪声条件下的测量设备无关量子密钥分发协议安全性检测方法 |
CN109004916A (zh) * | 2018-07-10 | 2018-12-14 | 中国科学技术大学 | 量子状态滤波器及相关方法 |
US11636238B2 (en) * | 2018-10-31 | 2023-04-25 | The Mathworks, Inc. | Estimating noise characteristics in physical system simulations |
CN110210073B (zh) * | 2019-05-10 | 2022-03-08 | 腾讯科技(深圳)有限公司 | 量子噪声过程分析方法、装置、设备及存储介质 |
-
2019
- 2019-05-10 CN CN201910390722.5A patent/CN110210073B/zh active Active
-
2020
- 2020-04-15 KR KR1020217011244A patent/KR102496415B1/ko active IP Right Grant
- 2020-04-15 JP JP2021531175A patent/JP7098840B2/ja active Active
- 2020-04-15 EP EP20805042.7A patent/EP3968187A4/en active Pending
- 2020-04-15 WO PCT/CN2020/084897 patent/WO2020228470A1/zh unknown
-
2021
- 2021-02-12 US US17/174,665 patent/US11893453B2/en active Active
-
2023
- 2023-12-13 US US18/538,946 patent/US20240169228A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103414477A (zh) * | 2013-07-12 | 2013-11-27 | 西安电子科技大学 | 一种构造量子卷积码状态转移图和网格图的方法 |
US20190095811A1 (en) * | 2017-09-22 | 2019-03-28 | International Business Machines Corporation | Hardware-efficient variational quantum eigenvalue solver for quantum computing machines |
CN108898829A (zh) * | 2018-06-07 | 2018-11-27 | 重庆邮电大学 | 针对无差异性划分和数据稀疏的动态短时交通流预测系统 |
CN109388374A (zh) * | 2018-10-12 | 2019-02-26 | 太原理工大学 | 一种基于混沌放大量子噪声的随机数生成的方法 |
Non-Patent Citations (1)
Title |
---|
叶宾等: "量子Baker映射的量子仿真及其干扰的动态抑制", 《控制理论与应用》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020228470A1 (zh) * | 2019-05-10 | 2020-11-19 | 腾讯科技(深圳)有限公司 | 量子噪声过程分析方法、装置、设备及存储介质 |
US11893453B2 (en) | 2019-05-10 | 2024-02-06 | Tencent Technology (Shenzhen) Company Limited | Quantum noise process analysis method and apparatus, device, and storage medium |
CN111814362A (zh) * | 2020-08-28 | 2020-10-23 | 腾讯科技(深圳)有限公司 | 量子噪声过程分析方法、系统及存储介质和终端设备 |
CN111814362B (zh) * | 2020-08-28 | 2020-12-15 | 腾讯科技(深圳)有限公司 | 量子噪声过程分析方法、系统及存储介质和终端设备 |
WO2022041974A1 (zh) * | 2020-08-28 | 2022-03-03 | 腾讯科技(深圳)有限公司 | 量子噪声过程分析方法、系统及存储介质和电子设备 |
JP2022550229A (ja) * | 2020-08-28 | 2022-12-01 | ▲騰▼▲訊▼科技(深▲セン▼)有限公司 | 量子ノイズプロセスの分析方法、システム、記憶媒体、及び電子機器 |
JP7206420B2 (ja) | 2020-08-28 | 2023-01-17 | ▲騰▼▲訊▼科技(深▲セン▼)有限公司 | 量子ノイズプロセスの分析方法、システム、記憶媒体、及び電子機器 |
CN112529194A (zh) * | 2020-12-07 | 2021-03-19 | 北京百度网讯科技有限公司 | 消除量子噪声的方法及装置、计算机设备、介质和产品 |
CN112529194B (zh) * | 2020-12-07 | 2021-09-03 | 北京百度网讯科技有限公司 | 消除量子噪声的方法及装置、计算机设备、介质和产品 |
CN113379056A (zh) * | 2021-06-02 | 2021-09-10 | 北京百度网讯科技有限公司 | 量子态数据处理方法、装置、电子设备及存储介质 |
CN113379056B (zh) * | 2021-06-02 | 2023-10-31 | 北京百度网讯科技有限公司 | 量子态数据处理方法、装置、电子设备及存储介质 |
CN114692883A (zh) * | 2022-05-30 | 2022-07-01 | 苏州浪潮智能科技有限公司 | 一种量子数据加载方法、装置、设备和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20210166149A1 (en) | 2021-06-03 |
EP3968187A4 (en) | 2022-07-27 |
WO2020228470A1 (zh) | 2020-11-19 |
KR102496415B1 (ko) | 2023-02-06 |
JP7098840B2 (ja) | 2022-07-11 |
CN110210073B (zh) | 2022-03-08 |
EP3968187A1 (en) | 2022-03-16 |
US11893453B2 (en) | 2024-02-06 |
JP2021533519A (ja) | 2021-12-02 |
KR20210049939A (ko) | 2021-05-06 |
US20240169228A1 (en) | 2024-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210073A (zh) | 量子噪声过程分析方法、装置、设备及存储介质 | |
Wang et al. | Long-time integration of parametric evolution equations with physics-informed deeponets | |
Anshu et al. | Sample-efficient learning of interacting quantum systems | |
Cheong et al. | Many-body density matrices for free fermions | |
Bassi et al. | Models of wave-function collapse, underlying theories, and experimental tests | |
Kube et al. | A coarse graining method for the identification of transition rates between molecular conformations | |
Towler et al. | Time scales for dynamical relaxation to the Born rule | |
Bertaina et al. | Statistical and computational intelligence approach to analytic continuation in Quantum Monte Carlo | |
Cowan et al. | Epistemology of wave function collapse in quantum physics | |
Abbott et al. | Aspects of scaling and scalability for flow-based sampling of lattice QCD | |
Li et al. | Metamodeling through deep learning of high-dimensional dynamic nonlinear systems driven by general stochastic excitation | |
Ephrati et al. | Data‐Driven Stochastic Lie Transport Modeling of the 2D Euler Equations | |
Feller et al. | Surface state decoherence in loop quantum gravity, a first toy model | |
Li et al. | Measuring holographic entanglement entropy on a quantum simulator | |
Arcak et al. | Simulation-based reachability analysis for nonlinear systems using componentwise contraction properties | |
Selisko et al. | Extending the variational quantum eigensolver to finite temperatures | |
Jeknić-Dugić et al. | Dynamical emergence of Markovianity in local time scheme | |
Navaneeth et al. | Koopman operator for time-dependent reliability analysis | |
Rubio | Non-asymptotic quantum metrology | |
Kong et al. | Modeling of electronic dynamics in twisted bilayer graphene | |
Lozada Aguilar et al. | Quantum Bayesian perspective for intelligence reservoir characterization, monitoring and management | |
Cheung et al. | Deep global model reduction learning | |
Pham et al. | Springer Series in Reliability Engineering | |
Fields | Decompositional equivalence: A fundamental symmetry underlying quantum theory | |
Budiyono | Quantum fluctuations from a local-causal information dynamics |
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 |