CN110794893A - 一种面向量子计算的多层噪声高精度温度控制方法 - Google Patents
一种面向量子计算的多层噪声高精度温度控制方法 Download PDFInfo
- Publication number
- CN110794893A CN110794893A CN201911206759.4A CN201911206759A CN110794893A CN 110794893 A CN110794893 A CN 110794893A CN 201911206759 A CN201911206759 A CN 201911206759A CN 110794893 A CN110794893 A CN 110794893A
- Authority
- CN
- China
- Prior art keywords
- quantum
- dictionary
- computation
- model
- temperature control
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013135 deep learning Methods 0.000 claims abstract description 16
- 238000012937 correction Methods 0.000 claims abstract description 14
- 230000006835 compression Effects 0.000 claims abstract description 5
- 238000007906 compression Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 8
- 239000013598 vector Substances 0.000 description 8
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000005610 quantum mechanics Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/20—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Error Detection And Correction (AREA)
Abstract
本发明适用于量子计算领域，提供了一种面向量子计算的多层噪声高精度温度控制方法，包括如下步骤：通过深度学习的自学习字典纠错方式，建立量子计算的完备特征字典库；对所述字典进行压缩编码，选择非零列对应稀疏字典原子，形成所述字典的深度学习完备库，所述字典的深度学习完备库适用于深度学习编码分层架构；采用DSPN模型建立自上而下的编码自生成模型和自下而上的重构模型，同时采取基于稀疏准则的判别训练的多层前馈网络进行特征重构。本发明针对不同量子计算过程中的不同叠加量子特征，建立纠错的稀疏表示并形成完备字典，同时建立约束权值非零系数以获得更接近真实不同量子计算场景下的稀疏表示。
Description
技术领域
本发明属于量子计算领域，具体涉及一种面向量子计算的多层噪声高精度温度控制方法。
背景技术
量子计算是一种遵循量子力学规律调控量子信息单元进行计算的新型计算模式，量子力学中的态叠加原理使得量子信息单元的状态可以处于多种可能性的叠加状态，从而使得量子计算机在面向海量数据时，其计算能力远远超过传统的计算机。通常，量子信息可以使用量子比特(qubit)进行存储。随着量子比特数目的增加，对于n个量子比特而言，量子信息可以处于2n种可能状态的叠加。这种多种可能状态的叠加使得量子信息往往是易损坏的并且易受到噪声和去相干过程的影响，量子计算容易出现大量的错误。因此，量子纠错被公认为是目前实现可容错通用计算的核心问题。
多层纠错方法作为一种量子特征变换方法，可以根据过完备字典矩阵基向量，通过低维空间向量近似表示高维空间特征。而纠错方法的核心问题之一是稀疏表示。为了提升纠错的稀疏表示，设计字典通常需要更新固定的字典基向量，能否设计完备字典决定了字典能否更加逼近地表示真实信号。因此设计具有较强适应能力的学习型字典成为稀疏表示的关键。
发明内容
本发明实施例的目的在于提供一种面向量子计算的多层噪声高精度温度控制方法，旨在解决纠错的稀疏表示中字典难以逼近地表示真实量子特征的问题。
本发明实施例是这样实现的，提供一种面向量子计算的多层噪声高精度温度控制方法，其包括以下步骤：
步骤1：通过深度学习的自学习字典纠错方式，建立量子计算的完备特征字典库；
步骤2：对字典进行压缩编码，选择非零列对应稀疏字典原子，形成字典的深度学习完备库，字典的深度学习完备库适用于深度学习编码分层架构；
步骤3：采用DSPN模型建立自上而下的编码自生成模型和自下而上的重构模型，同时采取基于稀疏准则的判别训练的多层前馈网络进行特征重构；和
步骤4：通过生成模型与重构模型形成量子计算的自适应去噪特征。
进一步地，步骤2包括进行字典降维，并形成量子矩阵目标的初步特征库，针对迭代的初始字典，稀疏编码求解的表达式为
进一步地，步骤2包括公式(1)的最优化问题转化为公式(2)的最优化问题，公式(2)为
进一步地，步骤2包括字典更新步骤，将公式(1)的字典D最小化，其表达式为
其中通过矩阵x的列选择来确定字典D更新的范围。
进一步地，步骤3的DSPN模型中，希尔伯特空间用于表示稀疏空间，并通过稀疏编码层支撑希尔伯特空间变换。
进一步地，步骤3的建立自上而下的编码自生成模型包括将步骤1获得的量子矩阵特征作为DSPN模型的输入，根据稀疏准则，计算出量子矩阵特征的重构误差，并得到平均误差
且特征重构后表示为
V′＝{vi|ei＜η,vi∈V} (5)。
进一步地，步骤3的建立自下而上的重构模型包括：
通过公式(7)计算重建误差
本发明实施例的另一目的在于提供一种计算机可读存储介质，其存储用于电子数据交换的程序，其中，程序用于执行本发明的面向量子计算的多层噪声高精度温度控制方法。
与现有技术相比，本发明的有益效果为：提供一种面向量子计算的多层噪声高精度温度控制方法，采用多层的深度稀疏自编码网络(DSPN)，针对不同量子计算过程中的不同叠加量子特征，建立纠错的稀疏表示并形成完备字典，同时建立约束权值非零系数以获得更接近真实不同量子计算场景下的稀疏表示，从而实现对量子计算过程中产生的噪声的纠错。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图得到其它的附图。
图1是本发明实施例提供的面向量子计算的多层噪声高精度温度控制方法的流程图；
图2是本发明实施例提供的面向量子计算的多层噪声高精度温度控制方法的包括DSPN模型的流程图。
具体实施方式
为了使本发明要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供了一种面向量子计算的多层噪声高精度温度控制方法，该方法采用多层的深度稀疏自编码网络(DSPN，Deep Sparse Network)模型，针对量子计算面向的海量数据，形成量子计算的自适应去噪特征以保证量子计算的高性能的计算能力。参考图1，图1是本发明实施例提供的一种面向量子计算的多层噪声高精度温度控制方法的流程图，该多层噪声高精度温度控制方法包括如下步骤：
步骤1：通过深度学习的自学习字典纠错方式，建立量子计算的海量的完备特征字典库。
步骤2：对该字典进行压缩编码，选择原海量数据的非零列对应稀疏字典原子，形成海量数据字典的深度学习完备库，该字典的深度学习完备库适用于深度学习编码分层架构。
步骤3：采用DSPN模型建立自上而下的编码自生成模型和自下而上的重构模型，同时采取基于稀疏准则的判别训练的多层前馈网络进行特征重构。
步骤4：通过生成模型与重构模型形成量子计算的自适应去噪特征。
具体地，上述步骤2具体如下：
步骤21：由于通过纠错本身进行更新字典原子很难达到降低字典维数的目标，以及量子特征选择处理会形成较大的运算量，因此本发明实施例首先进行字典降维，并形成量子矩阵目标的初步特征库。采用两步骤的字典更新方式，针对海量量子矩阵的稀疏特征，进行字典库简化，形成字典的初步降维。具体地，针对迭代开始的初始字典，稀疏编码求解的表达式为
其中，y表示海量原始量子计算，D表示量子特征的完备字典库，x表示海量量子计算的稀疏表示，该式可以采用贪婪方法进行凸优化求解。
步骤22：通过当前量子计算节点的量子矩阵分解，代入公式(1)，即通过迭代之间的两个阶段但同时增加了运算量，并且在分解过程中引入了过多的冗余。因此，问题的求解转换为寻找使得
最小化的稀疏编码。针对该步骤，同时为了降低选择冗余字典的风险，本发明实施例简化了稀疏表示的步骤，通过更新矩阵y列来确定，如果y列是小于已经确定的阈值，那么字典D的第k行可以作为零向量处理，x将在字典D和矩阵y的共同支持下进行更新。
步骤23：在字典D与矩阵y的共同决定下，同时考虑到式(1)中的参数特征，公式(1)的最优化问题转换成公式(2)的最优化问题，公式(2)为
以及分析算子学习方法的共同稀疏表示的步骤。求解最小化稀疏表示的核心在于，确定x的列的硬判别阈值，以保留在每一列中的幅度判别门限。例如，相似性分析，量子矩阵分别需要采用贪婪方法，利用简单的软阈值来求解式(1)，如果稀疏约束凸放松，将很难通过计算更简单的软阈值方法来求解。因此，本发明实施例中采用确定的硬判决阈值来实现。因为本发明实施例采用的硬门限字典更新选择学习方法，式(1)的分析量子矩阵分解的过程中，只有通过各种近似才可以求解，因而通过软阈值判决引入误差。对于式(1)，原来的最小化问题的形式可以通过式(2)得到推广，相比于式(1)，式(2)提供了一个更直接的解决方法，其形式更简单。
步骤24：字典更新步骤，将式(1)的字典D最小化，对应的表达式为
其中通过矩阵x的列选择来确定字典D更新的范围。矩阵D的范围选择需要矩阵x的k列零点位置。通过仅仅使用了有限的x的先验信息，而不是完整的矩阵，降低了字典更新的计算量，有效支撑有限计算量的字典更新步骤学习。
为了提升纠错的稀疏表示，本发明实施例提供的一种面向量子计算的多层噪声高精度温度控制方法是基于DSPN模型的改进多层纠错方法。参考图2，图2是本发明实施例提供的面向量子计算的多层噪声高精度温度控制方法的包括DSPN模型的流程图，从图中可以看出，深度稀疏自编码网络(DSPN)是由多个稀疏编码进行全链接、充当层与层之间的特征传递通道的网络。同时每层量子系统包含若干粒子，这些粒子按照量子力学的规律运动，称此系统处于态空间的某种量子态。这里所说的态空间是指由多个本征态(eigenstate)(即基本的量子态)所张成的矢量空间，基本量子态简称基本态(basic state)或基矢(basicvector)。稀疏空间可用希尔伯特(Hilbert)空间(线性复向量空间)来表述，即Hilbert空间可以表述量子系统的各种可能的量子态。为了便于表示和运算，通过稀疏编码层支撑Hilbert空间变换。
每层也被用来训练下一稀疏编码层组成的特征结构。DSPN模型已被应用于不同领域，包括人脸识别、文本检测、图像去噪等。同时DSPN模型具有完成复杂的数据建模能力，包括许多不同形式的数据生成模型，例如自上而下生成模型和自下而上判别模型。这表明，DSPN网络具有弱监督的数据训练性能。
如图2所示，本发明首先通过选择非零列来压缩学习字典，进而形成初步特征作为DSPN模型的输入。DSPN模型通过对初步特征进行学习选择，中间特征通过基于最小均方误差(MMSE，Minimum Mean Squared Error)准则的重建进行迭代实现。并通过确定性自上而下的生成，以及自下而上的判别生成学习模型，形成量子计算的自适应去噪特征。
具体地，上述步骤3包括如下步骤：
步骤31：采用DSPN模型建立自上而下的生成模型，将上述步骤1获得的量子矩阵特征Dopt＝{di|i＝1,2,...n}(其中n表示最大迭代次数)作为DSPN方法的输入，令d′i作为得到相应的重构特征，根据稀疏准则，计算出量子矩阵特征的重构误差，并通过下式计算，得到平均误差
其中，ei表示每个量子矩阵特征的误差值。
特征学习迭代中，特征重构后可以表示为
V′＝{vi|ei＜η,vi∈V} (5)
其中，η表示特征值与整个输入值的比值
步骤32：采用DSPN模型建立自下而上的重构模型，从而获得一个参数的方法终止的特征学习过程。当前迭代的平均重建误差和最后一个将停止迭代的平均值之间的差。在迭代特征学习过程中，由于特征值的误差值，重建权重矩阵更可靠。假设M为重建权重矩阵，I为测试数据集上的一个量子矩阵，对于
N为提取的多个特征，重构特征可以表示为
从而计算出重建误差为
本发明实施例所提供的面向量子计算的多层噪声高精度温度控制方法通过对海量量子特征进行压缩编码，形成DSPN模型的弱监督学习初始化权值，通过层之间的重构、判决以及特征选择，进行网络的权值调整，最后获得系统的精简权值，以获得网络输入海量量子矩阵的高层特征提取。
本发明实施例还提供一种计算机可读存储介质，其存储用于电子数据交换的程序，程序用于执行本发明的面向量子计算的多层噪声高精度温度控制方法。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种面向量子计算的多层噪声高精度温度控制方法，包括如下步骤：
步骤1：通过深度学习的自学习字典纠错方式，建立量子计算的完备特征字典库；
步骤2：对所述字典进行压缩编码，选择非零列对应稀疏字典原子，形成所述字典的深度学习完备库，所述字典的深度学习完备库适用于深度学习编码分层架构；
步骤3：采用DSPN模型建立自上而下的编码自生成模型和自下而上的重构模型，同时采取基于稀疏准则的判别训练的多层前馈网络进行特征重构；和
步骤4：通过所述生成模型与所述重构模型形成量子计算的自适应去噪特征。
2.如权利要求1所述的面向量子计算的多层噪声高精度温度控制方法，其特征在于，所述步骤2包括：
进行字典降维，并形成量子矩阵目标的初步特征库，针对迭代的初始字典，稀疏编码求解的表达式为
3.如权利要求2所述的面向量子计算的多层噪声高精度温度控制方法，其特征在于，所述步骤2包括：
所述公式(1)的最优化问题转化为公式(2)的最优化问题，所述公式(2)为
4.如权利要求2所述的面向量子计算的多层噪声高精度温度控制方法，其特征在于，所述步骤2包括：
字典更新步骤，将所述公式(1)的字典D最小化，其表达式为
其中通过矩阵x的列选择来确定所述字典D更新的范围。
5.如权利要求1所述的面向量子计算的多层噪声高精度温度控制方法，其特征在于，所述步骤3的所述DSPN模型中，希尔伯特空间用于表示稀疏空间，并通过稀疏编码层支撑所述希尔伯特空间变换。
6.如权利要求1所述的面向量子计算的多层噪声高精度温度控制方法，其特征在于，所述步骤3的所述建立自上而下的编码自生成模型包括：
将所述步骤1获得的量子矩阵特征作为DSPN模型的输入，根据稀疏准则，计算出所述量子矩阵特征的重构误差，并得到平均误差
且特征重构后表示为
V′＝{vi|ei＜η,vi∈V} (5)。
7.如权利要求1所述的面向量子计算的多层噪声高精度温度控制方法，其特征在于，所述步骤3的所述建立自下而上的重构模型包括：
通过公式(7)计算重建误差
8.一种计算机可读存储介质，其存储用于电子数据交换的程序，所述程序用于执行如权利要求1-7中任一项所述的面向量子计算的多层噪声高精度温度控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911206759.4A CN110794893A (zh) | 2019-11-29 | 2019-11-29 | 一种面向量子计算的多层噪声高精度温度控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911206759.4A CN110794893A (zh) | 2019-11-29 | 2019-11-29 | 一种面向量子计算的多层噪声高精度温度控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110794893A true CN110794893A (zh) | 2020-02-14 |
Family
ID=69447168
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911206759.4A Pending CN110794893A (zh) | 2019-11-29 | 2019-11-29 | 一种面向量子计算的多层噪声高精度温度控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110794893A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111859810A (zh) * | 2020-07-27 | 2020-10-30 | 中国科学院半导体研究所 | 基于加权字典学习的温度场重构方法、装置、设备及介质 |
-
2019
- 2019-11-29 CN CN201911206759.4A patent/CN110794893A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111859810A (zh) * | 2020-07-27 | 2020-10-30 | 中国科学院半导体研究所 | 基于加权字典学习的温度场重构方法、装置、设备及介质 |
| CN111859810B (zh) * | 2020-07-27 | 2023-11-03 | 中国科学院半导体研究所 | 基于加权字典学习的温度场重构方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | Theoretical properties for neural networks with weight matrices of low displacement rank | |
| Allcock et al. | Quantum algorithms for feedforward neural networks | |
| Wang et al. | How to trust unlabeled data? instance credibility inference for few-shot learning | |
| Watanabe | Algebraic analysis for nonidentifiable learning machines | |
| Dai et al. | Incremental learning using a grow-and-prune paradigm with efficient neural networks | |
| US12112538B2 (en) | Systems and methods for improved video understanding | |
| CN110516724B (zh) | 可视化作战场景的高性能多层字典学习特征图像处理方法 | |
| KR102366302B1 (ko) | 준 지도 학습을 위한 오토인코더 기반 그래프 설계 | |
| CN113408610B (zh) | 一种基于自适应矩阵迭代极限学习机的图像识别方法 | |
| CN115310618B (zh) | 量子操作中的量子噪声消除方法及装置、电子设备和介质 | |
| Kosaian et al. | Learning-based coded computation | |
| CN110717519A (zh) | 训练、特征提取、分类方法、设备及存储介质 | |
| CN108009635A (zh) | 一种支持增量更新的深度卷积计算模型 | |
| Chen et al. | An efficient sharing grouped convolution via bayesian learning | |
| CN115795065A (zh) | 基于带权哈希码的多媒体数据跨模态检索方法及系统 | |
| CN118295029A (zh) | 融合自注意力与Mamba架构的地震数据去噪方法 | |
| Cheng et al. | Denoising deep extreme learning machine for sparse representation | |
| CN118446415A (zh) | 基于大数据的企业管理方法及系统 | |
| CN109657693B (zh) | 一种基于相关熵和迁移学习的分类方法 | |
| KR102615073B1 (ko) | 유사도 검색을 위한 신경 해싱 | |
| CN110794893A (zh) | 一种面向量子计算的多层噪声高精度温度控制方法 | |
| WO2021046681A1 (zh) | 面向复杂场景的多源目标跟踪方法 | |
| CN116384471A (zh) | 模型剪枝方法、装置、计算机设备、存储介质和程序产品 | |
| Lin et al. | Concatenated pieceable fault-tolerant scheme for universal quantum computation | |
| Liu et al. | An improved dual-channel network to eliminate catastrophic forgetting |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Ke Ruilin Inventor after: Wang Ling Inventor after: Wang Feng Inventor after: Ke Bing Inventor after: Sun Chunyu Inventor after: Guan Qingyang Inventor before: Wang Ling Inventor before: Wang Feng Inventor before: Ke Bing Inventor before: Ke Ruilin Inventor before: Sun Chunyu Inventor before: Guan Qingyang |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201125 Address after: A705, Yinxing science and technology building, No. 1301, sightseeing Road, Xinlan community, Guanlan street, Longhua District, Shenzhen City, Guangdong Province Applicant after: Shenzhen shangou New Material Co.,Ltd. Address before: Silver Star Science and technology building 1301 No. 518000 Guangdong province Shenzhen city Longhua District Guanlan Dabu Lane Community Tourism Road Applicant before: SHENZHEN OUMUYANG TECHNOLOGY Co.,Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200214 |