CN110991648B - 一种高斯分布量子态确定方法、装置以及电子设备 - Google Patents
一种高斯分布量子态确定方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN110991648B CN110991648B CN201911300061.9A CN201911300061A CN110991648B CN 110991648 B CN110991648 B CN 110991648B CN 201911300061 A CN201911300061 A CN 201911300061A CN 110991648 B CN110991648 B CN 110991648B
- Authority
- CN
- China
- Prior art keywords
- quantum
- evolution
- target
- result
- angle
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000009466 transformation Effects 0.000 claims abstract description 76
- 230000005283 ground state Effects 0.000 claims description 37
- 239000002096 quantum dot Substances 0.000 claims description 36
- 230000015654 memory Effects 0.000 claims description 19
- 238000002360 preparation method Methods 0.000 claims description 10
- 238000013519 translation Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 abstract description 21
- 238000010586 diagram Methods 0.000 description 12
- 230000005428 wave function Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 230000000737 periodic effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005610 quantum mechanics Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Artificial Intelligence (AREA)
- Discrete Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Complex Calculations (AREA)
Abstract
本申请公开了一种高斯分布量子态确定方法、装置以及电子设备，涉及量子技术领域。具体实现方案为：获取初始高斯分布量子态；对初始高斯分布量子态进行量子傅里叶变换，得到量子变换结果；对量子变换结果进行演化，获得量子演化结果；对量子演化结果进行量子傅里叶逆变换，得到目标高斯分布量子态。在制备目标高斯分布量子态的过程中，无需对目标高斯分布量子态中每个分量的系数分别进行单独的确定过程，通过对初始高斯分布量子态进行量子傅里叶变换，然后进行量子演化，并对量子演化结果进行量子傅里叶逆变换即可得到目标高斯分布量子态，可减少计算量，降低目标高斯分布量子态制备的复杂程度。
Description
技术领域
本申请涉及计算机技术中的量子技术领域，尤其涉及一种高斯分布量子态确定方法、装置以及电子设备。
背景技术
高斯分布是常见的一种概率分布，在很多应用场景中扮演着重要角色。随着量子技术的发展，高斯分布量子态同样也十分重要。量子态制备技术是指将目标系统(假设由n位量子比特组成)，按照事先给定的分布函数f(x)，也即波函数，制备到相应的叠加态上，分布函数需要满足归一化条件，即/>n为量子比特数量，高斯分布量子态可以理解为波函数为高斯分布量子态，即f(x)为高斯分布函数。
然而，目前一种制备量子态的方法中，对于目标量子态中每个分量的系数，需要分别进行单独的确定过程，而在对一个系数的确定过程中，需要大量的逻辑门计算，如此，在量子态制备过程中，计算量大，导致量子态制备过程复杂程度较高。
发明内容
本申请提供一种高斯分布量子态确定方法、装置和电子设备，以解决量子态制备复杂程度较高的问题。
第一方面，本申请一个实施例提供一种高斯分布量子态确定方法，包括：
获取初始高斯分布量子态；
对所述初始高斯分布量子态进行量子傅里叶变换，得到量子变换结果；
对所述量子变换结果进行演化，获得量子演化结果；
对所述量子演化结果进行量子傅里叶逆变换，得到目标高斯分布量子态。
本申请实施例的高斯分布量子态确定方法中，首先获取初始高斯分布量子态，然后对其进行量子傅里叶变换，量子傅里叶变换后，再进行量子演化，将量子演化后的量子演化结果进行量子傅里叶逆变换即可得到目标高斯分布量子态。即在制备目标高斯分布量子态的过程中，无需对目标高斯分布量子态中每个分量的系数分别进行单独的确定过程，通过对初始高斯分布量子态进行量子傅里叶变换，然后进行量子演化，并对量子演化结果进行量子傅里叶逆变换即可得到目标高斯分布量子态，可减少计算量，降低目标高斯分布量子态制备的复杂程度。
可选的，所述获取初始高斯分布量子态，包括：
获取初始标准差以及基态数量；
基于所述初始标准差以及基态数量，制备所述初始高斯分布量子态。
在本实施例中，利用初始标准差以及基态数量制备初始高斯分布量子态，使制备的初始高斯分布量子态中高斯分布的标准差为初始标准差，以满足对标准差的要求。
可选的，所述对所述初始高斯分布量子态进行量子傅里叶变换，得到量子变换结果之后，对所述量子变换结果进行演化，获得量子演化结果之前，还包括：
将所述量子变换结果中高斯分布平移N/2，以更新所述量子变换结果，其中，所述N为基态数量，所述基态数量根据量子比特数量确定。
如此，在有限位量子比特数量的情况下，通过平移，对平移后的量子变换结果进行演化，然后再进行逆变换，得到目标高速分布量子态，以提高其准确性。
可选的，所述对所述量子变换结果进行演化，获得量子演化结果，包括：
获取目标标准差；
基于所述目标标准差，获得目标演化时长；
根据量子比特数量以及所述目标演化时长，获得第一角度和第二角度；
根据所述第一角度和所述第二角度，对所述量子变换结果进行演化，获得所述量子演化结果。
可通过目标标准差和初始标准差，计算得到目标演化时长，可利用量子比特数量和目标演化时长计算得到第一角度和第二角度。然后利用第一角度和第二角度，对量子变换结果进行演化，获得量子演化结果，第一角度和第二角度分别与量子比特数量和目标演化时长相关，利用其进行演化，以提高演化的准确性。
可选的，包括以下至少一项：
通过以下公式获得目标演化时长：其中，所述t为所述目标演化时长，所述δ为初始标准差，所述δ'为目标标准差；
通过以下公式获得第一角度：θk＝2k-2(2n-1)t，其中，所述t为所述目标演化时长，所述θk为第k个第一角度，所述k为整数，且k≤n，所述n为量子比特数量；
通过以下公式获得第二角度：φp,l＝-2p+l-3t，其中，所述t为所述目标演化时长，所述φp,l为第一下标为p，第二下标为l的第二角度，所述p和l均为正整数，且p≤n，l≤n，所述n为量子比特数量。
通过上述公式确定的目标演化时长与初始标准差和目标标准差相关，提高目标演化时长的准确性。上述确定的第一角度与目标演化时长、量子比特数量以及量子比特等有关，可提高第一角度的准确性。上述确定的第二角度与目标演化时长有关，且与量子比特有关，可提高第二角度的准确性。如此，在后续利用其进行量子演化时，可提高演化准确性，从而提高目标高斯分布量子态的准确性。
第二方面，本申请一个实施例还提供一种高斯分布量子态确定装置，包括：
初始态获取模块，用于获取初始高斯分布量子态；
变换模块，用于对初始高斯分布量子态进行量子傅里叶变换，得到量子变换结果；
演化模块，用于对量子变换结果进行演化，获得量子演化结果；
逆变换模块，用于对量子演化结果进行量子傅里叶逆变换，得到目标高斯分布量子态。
可选的，初始态获取模块，包括：
数据获取模块，用于获取初始标准差以及基态数量；
初始态制备模块，用于基于初始标准差以及基态数量，制备初始高斯分布量子态。
可选的，装置还包括：
平移模块，用于变换模块执行对初始高斯分布量子态进行量子傅里叶变换，得到量子变换结果之后，演化模块对量子变换结果进行演化，获得量子演化结果之前，将量子变换结果中高斯分布平移N/2，以更新量子变换结果，其中，所述N为基态数量，所述基态数量根据量子比特数量确定。
可选的，演化模块，包括：
目标标准差获取模块，用于获取目标标准差；
演化时长确定模块，用于基于目标标准差，获得目标演化时长；
角度确定模块，用于根据量子比特数量以及目标演化时长，获得第一角度和第二角度；
量子演化模块，用于根据第一角度和第二角度，对量子变换结果进行演化，获得量子演化结果。
可选的，包括以下至少一项：
通过以下公式获得目标演化时长：其中，所述t为目标演化时长，δ为初始标准差，δ'为目标标准差；
通过以下公式获得第一角度：θk＝2k-2(2n-1)t，其中，所述t为目标演化时长，θk为第k个第一角度，k为整数，且k≤n，n为量子比特数量；
通过以下公式获得第二角度：φp,l＝-2p+l-3t，其中，所述t为目标演化时长，φp,l为第一下标为p，第二下标为l的第二角度，p和l均为正整数，且p≤n，l≤n，n为量子比特数量。
第三方面，本申请一个实施例还提供一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请各实施例提供的方法。
第四方面，本申请一个实施例还提供一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行本申请各实施例提供的方法。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请一个实施例的高斯分布量子态确定方法的流程示意图；
图2是根据本申请一个实施例的量子演化的基本逻辑门分解电路示意图；
图3是根据本申请一个实施例的双量子比特逻辑门分解电路示意图；
图4是根据本申请一个实施例的平移操作的基本逻辑门分解电路示意图；
图5是根据本申请一个实施例的量子逻辑门示意图；
图6是用来实现本申请实施例的高斯分布量子态确定方法的高斯分布量子态确定装置的框图之一；
图7是用来实现本申请实施例的高斯分布量子态确定方法的高斯分布量子态确定装置的框图之二；
图8是用来实现本申请实施例的高斯分布量子态确定方法的高斯分布量子态确定装置的框图之三；
图9是用来实现本申请实施例的高斯分布量子态确定方法的高斯分布量子态确定装置的框图之四；
图10是可以实现本申请实施例的高斯分布量子态确定方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
如图1所示，根据本申请的实施例，本申请提供一种高斯分布量子态确定方法，包括：
步骤S101：获取初始高斯分布量子态。
在制备目标高斯分布量子态的过程中，首先制备一个初始高斯态分布量子态，制备初始高斯态分布量子态的方式多样，在此不再赘述。
步骤S102：对初始高斯分布量子态进行量子傅里叶变换，得到量子变换结果。
量子傅里叶变换(quantum Fourier transform，QFT)是经典离散傅里叶变换的量子对应，是一种基本的量子逻辑门。一个n量子比特的量子傅里叶变换操作可以分解为一系列的单量子比特逻辑门和双量子比特逻辑门的组合,这种分解使得实现n量子比特的QFT的复杂性与n2成正比。在本实施例通过演化制备目标高斯分布量子态的过程中，首先对初始高斯分布量子态进行量子傅里叶变换，在量子傅里叶变换后的空间内对量子变换结果进行演化。
步骤S103：对量子变换结果进行演化，获得量子演化结果。
得到量子变换结果之后即可对其进行量子演化，以得到量子演化结果。在一个示例中，可对量子变换结果进行幺正演化，以得到量子演化结果。
步骤S104：对量子演化结果进行量子傅里叶逆变换，得到目标高斯分布量子态。
得到量子演化结果之后，对其量子傅里叶逆变换，即可得到目标高斯分布量子态。
本申请实施例的高斯分布量子态确定方法中，首先获取初始高斯分布量子态，然后对其进行量子傅里叶变换，量子傅里叶变换后，再进行量子演化，将量子演化后的量子演化结果进行量子傅里叶逆变换即可得到目标高斯分布量子态。即在制备目标高斯分布量子态的过程中，无需对目标高斯分布量子态中每个分量的系数分别进行单独的确定过程，通过对初始高斯分布量子态进行量子傅里叶变换，然后进行量子演化，并对量子演化结果进行量子傅里叶逆变换即可得到目标高斯分布量子态，可减少计算量，降低目标高斯分布量子态制备的复杂程度。
在一个实施例中，获取初始高斯分布量子态，包括：获取初始标准差以及基态数量；基于初始标准差以及基态数量，制备初始高斯分布量子态。
初始高斯态分布量子态中的高斯分布的标准差为初始标准差，该初始标准差可以是预先设定的一个标准差，其值足够小，例如，初始标准差可以为1。基态数量根据量子比特数量确定，例如，量子比特数量为n，则基态数量(即量子基态(计算基态)的数量)N为2n。制备的初始高斯分布量子态|G0>如下：
其中，满足第j个量子基态|j>的高斯分布(可以理解为高斯系数)|j>为第j个量子基态，σ0为初始标准差。若σ0较小，因此可以认为绝大部分系数都是接近0，可以很快制备。g0(j)在σ0→0时趋于Dirac Delta函数δ(j-N/2)。为了避免奇性，这里的σ0也不能是零。具体来说，例如我们要求最终的制备精度在10-8量级，则需要σ0>12/N即可。实际操作中，N通常远远大于12，并且考虑到j是离散的，只能取整数，为了方便起见，可以简单的设定σ0＝1，并且设定当|j-N/2|>6时，g0(j)＝0。这个初态只含有12个非零分量，通过已有方法即可制备，只需要大约10个CNOT门(控制非门)及一些单量子比特旋转门操作即可，此处不再赘述。在本实施例中，利用初始标准差以及基态数量制备初始高斯分布量子态，使制备的初始高斯分布量子态中高斯分布的标准差为初始标准差，以满足对标准差的要求。
在一个实施例中，对初始高斯分布量子态进行量子傅里叶变换，得到量子变换结果之后，对量子变换结果进行演化，获得量子演化结果之前，还包括：将量子变换结果中高斯分布平移N/2，以更新量子变换结果，其中，N为基态数量，基态数量根据量子比特数量确定。
在实际过程中，实际系统中量子比特数量为有限个，相当于对系统强加了一个周期性边界条件。在执行完第一次量子傅立叶变换后，波函数(即高斯分布)中心将位于j＝0处，为了避免这个周期边界条件导致的问题，我们需要将波函数中心平移至j＝N/2处，因此还需要执行一个相应的平移操作(Ushift(N/2))，另外，该平移操作作用，还可使基态平移，即Ushift(j0)|j>＝|j+j0>，j0为N/2。如此，在有限位量子比特数量的情况下，通过平移，对平移后的量子变换结果进行演化，然后再进行逆变换，得到目标高速分布量子态，以提高其准确性。
在一个实施例中，对量子变换结果进行演化，获得量子演化结果，包括：获取目标标准差；基于目标标准差，获得目标演化时长；根据量子比特数量以及目标演化时长，获得第一角度和第二角度；根据第一角度和第二角度，对量子变换结果进行演化，获得量子演化结果。
对于高斯分布，标准差越小，其宽度越窄，在量子演化过程中，一个宽度较窄的高斯分布在量子演化过程中，其宽度会逐渐展宽。随着演化时间的推移，标准差可变大，即宽度会展宽，展宽后的标准差 课件，只要演化时间足够长，t0为演化时长，可以获得任意宽度的高斯分布量子态，即获得任意标准差的高斯分布量子态。在本实施例中，目标标准差为预先设置的所需的标准差，目标标准差已知，初始标准差也是可预先设置，如此，可通过目标标准差和初始标准差，计算得到目标演化时长，即从初始标准差的初始高斯分布量子态演化为目标标准差的目标高斯分布量子态，预计所需的时长。
另外，在演化过程中，还需两个角度参数，即第一角度和第二角度，在本实施例中，可利用量子比特数量和目标演化时长计算得到第一角度和第二角度。然后利用第一角度和第二角度，对量子变换结果进行演化，获得量子演化结果，第一角度和第二角度分别与量子比特数量和目标演化时长相关，利用其进行演化，以提高演化的准确性。
在一个实施例中，包括以下至少一项：
通过以下公式获得目标演化时长：其中，t为所述目标演化时长，所述σ0为初始标准差，所述σ'为目标标准差；
通过以下公式获得第一角度：θk＝2k-2(2n-1)t，其中，t为所述目标演化时长，所述θk为第k个第一角度，所述k为整数，且k≤n，所述n为量子比特数量；
通过以下公式获得第二角度：φk,l＝-2k+l-3t，其中，t为所述目标演化时长，所述φk,l为第一下标为k，第二下标为l的第二角度，所述k和l均为正整数，且k≤n，l≤n，所述n为量子比特数量。
即第一角度与目标演化时长成正比，k可以理解为第k位量子比特，第一角度与k成正比，与量子比特数量成正比，θk可以理解为与第k位量子比特有关的第一角度。第二角度与目标演化时间、p和l成反比，p可以理解为第p位量子比特，l可以理解为第l位量子比特，φp,l可以理解为与第p位量子比特和第l位量子比特有关的第二角度。在一个示例中，根据所述第一角度和所述第二角度，通过单比特旋转门以及控制非门对所述量子变换结果进行演化(例如，可以是幺正演化)，获得所述量子演化结果。通过上述公式确定的目标演化时长与初始标准差和目标标准差相关，提高目标演化时长的准确性。上述确定的第一角度与目标演化时长、量子比特数量以及量子比特等有关，可提高第一角度的准确性。上述确定的第二角度与目标演化时长有关，且与量子比特有关，可提高第二角度的准确性。如此，在后续利用其进行量子演化时，可提高演化准确性，从而提高目标高斯分布量子态的准确性。
下面以一个具体实施例上述高斯分布量子态确定方法发的过程加以具体说明。
本申请采取了一种与现有制备量子态的方式完全不同的思路，利用高斯波包弥散的思想(一个宽度很窄的高斯波包在自由空间演化时，其波包宽度会逐渐展宽)，通过哈密顿量模拟自由高斯波包演化来实现高斯分布量子态的制备。具体地，首先可以制备一个标准差任意小的高斯型波函数其在标准差σ→0时趋于Dirac Delta函数δ(x-x0)。而后令系统在自由哈密顿量/>驱动下进行自由演化，则末态波函数的模平方，也即相应的概率分布仍旧对应一个中心位于x0的高斯分布，但标准差展宽为/>可见，只要演化时间足够长，则我们可以获得任意宽度的高斯分布态。这里x可以看作粒子位置，而p为粒子的动量。
上述表述中x取值范围是从负无穷到正无穷，而且是连续变化的。具体到量子计算机上，须将其有限化并离散化，但只要涉及的量子比特数目足够多。另外，有限化的过程相当于对系统外加了一个周期性边界条件，从而在设计时需要通过一定手段进行特殊处理，以免产生边界问题。本实施例的高斯分布量子态确定方法具体过程如下。
假设系统由n位量子比特构成并设基态数量N＝2n，由于高斯分布的集中特性，只要N的范围远大于标准差，仍可以认为有限范围的高斯分布是近似归一的。例如，如果精度要求为千分之一，则只要N>6σ即可。如果要求更高的精度，只需根据条件适当增加量子比特数即可，由于高斯分布的指数特性，这个精度的提高也是呈指数增加的，比如只要N增加一倍满足N>12σ，精度即可提高到10-8量级，而这只需要增加一位量子比特即可。也就是说精度可以随所用资源增长呈双指数增加。
本申请实施例的制备目标高斯分布量子态的方法中，首先是要制备一个标准差为σ0的高斯分布态满足/>
然后执行一个类似由自由哈密顿量驱动的量子演化。在离散情况下，可以将计算基态|j>类比为位置本征态|x>，而后构造一个新的算符：
其中，表示作用于第k位量子比特上的Pauli-Z(泡利-Z)算符。可以验证成立，也就是说，量子基态|j>是其本征值为j的本征态。因此，可以将这个算符类比于位置算符。考虑到量子力学中，位置算符与动量算符之间互为傅立叶变换关系，因此可以定义一个“动量”算符/>
从而将自由哈密顿量表示为这样，由该哈密顿量驱动的演化算符就可以表示为：
i表示虚数，从上式可知，可以分解为三步，首先执行一个量子逆傅立叶变换(即对饮/>)，再执行一个幺正演化/>最后再执行一次量子傅立叶逆变换(即对应/>)即可完成。而量子傅立叶变换及其逆变换已较成熟，在此不再赘述。由上述算符/>表达式可知，幺正演化又可以分解为一系列绕z轴的单比特旋转门Rz(θ)以及称之为ZZφ门的双量子比特逻辑门UZz(φ)的乘积，具体如下：
其中，表示对第k位量子比特进行绕z轴的单比特旋转门，/>表示作用于第k位量子比特和第l位量子比特上的ZZφ门，且ZZφ门中的角度参数φ为φk,l，φk,l为作用于第k位量子比特和第l位量子比特上的ZZφ门的第二角度参数，即第一下标为k，第二下标为l的第二角度，可以理解为与第k位量子比特和第l位量子比特相关的角度参数，θk＝2k-2(2n-1)t，φk,l＝-2k+l-3t。执行该操作(即量子演化)的量子电路如图2所示。其中，图2中的q1到qn即表示第1个到第n个的量子比特，即qk为第k位量子比特。
每个量子逻辑门可以理解为一个矩阵，绕z轴单比特旋转门可定义为
其中，φ为角度参数，i表示虚数，为Pauli-Z矩阵。
即为作用于第k位量子比特上的进行绕z轴的单比特旋转门，θk为作用于第k位量子比特上的进行绕z轴的单比特旋转门的第一角度参数，即可以理解为第k个第一角度。
以下给出执行ZZφ门的基本逻辑门电路分解。该逻辑门的矩阵表示如下：
即ZZφ门对应的矩阵形式为UZZ(φ)，根据该形式，可以将其分解为两个CNOT门与一个单比特旋转门之积：
则
与/>类似，不同之处在于角度参数不同，以上CNOT(l,j)表示l为控制位，j为目标位的控制非门。具体执行电路参看图3。
上述每个算符均可以立即为一个矩阵，不同的算符对应的矩阵不同。最后，以上设计适用于系统具有无穷多量子比特情况，但是实际系统中量子比特数目肯定是有限多个，相当于对系统强加了一个周期性边界条件。在执行完第一次量子傅立叶变换后，波函数中心将位于j＝0处，为了避免这个周期边界条件导致的问题，我们需要将波函数中心平移至j＝N/2处，因此还需要执行一个相应的Ushift(N/2)操作，即j->j+j0，平移操作可使计算基态平移，即Ushift(j0)|j>＝|j+j0>。该平移操作的相应电路如图4所示，图4表示Ushift(j0)的基本逻辑门实现电路，即平移j0，j0 (q)表示j0的二进制表示中第q位的值，q≤n，可以为0或1，相应地，表示若j0 (q)为1则在第q位量子比特上执行泡利X门操作，若j0 (q)为0则在第q位量子比特上执行单位操作，即空操作。另外，图5个给出了部分量子逻辑门示意图，其中，U操作可以是任意单量子比特操作。
针对制备高斯分布量子态这一具有广泛应用的情况，本申请提出了一种无需辅助量子比特，也不含任何Oracle的可行方案，并给出了方案的具体可执行电路。该电路仅需要大约n2个双比特CNOT门操作，可降低复杂度。
如图6所示，在一个实施例中，本申请还提供一种高斯分布量子态确定装置600，该装置包括：
初始态获取模块610，用于获取初始高斯分布量子态；
变换模块620，用于对初始高斯分布量子态进行量子傅里叶变换，得到量子变换结果；
演化模块630，用于对量子变换结果进行演化，获得量子演化结果；
逆变换模块640，用于对量子演化结果进行量子傅里叶逆变换，得到目标高斯分布量子态。
如图7所示，在一个实施例中，初始态获取模块610，包括：
数据获取模块611，用于获取初始标准差以及基态数量；
初始态制备模块612，用于基于初始标准差以及基态数量，制备初始高斯分布量子态。
如图8所示，在一个实施例中，装置600还包括：
平移模块650，用于变换模块执行对初始高斯分布量子态进行量子傅里叶变换，得到量子变换结果之后，演化模块对量子变换结果进行演化，获得量子演化结果之前，将量子变换结果中高斯分布平移N/2，以更新量子变换结果，其中，N为基态数量，基态数量根据量子比特数量确定。
如图9所示，在一个实施例中，演化模块630，包括：
目标标准差获取模块631，用于获取目标标准差；
演化时长确定模块632，用于基于目标标准差，获得目标演化时长；
角度确定模块633，用于根据量子比特数量以及目标演化时长，获得第一角度和第二角度；
量子演化模块634，用于根据第一角度和第二角度，对量子变换结果进行演化，获得量子演化结果。
在一个实施例中，包括以下至少一项：
通过以下公式获得目标演化时长：其中，t为所述目标演化时长，所述σ0为初始标准差，所述σ'为目标标准差；
通过以下公式获得第一角度：θk＝2k-2(2n-1)t，其中，t为所述目标演化时长，所述θk为第k个第一角度，所述k为整数，且k≤n，所述n为量子比特数量；
通过以下公式获得第二角度：φk,l＝-2k+l-3t，其中，t为所述目标演化时长，所述φk,l为第一下标为k，第二下标为l的第二角度，所述k和l均为正整数，且k≤n，l≤n，所述n为量子比特数量。
上述各实施例的高斯分布量子态确定装置为实现上述各实施例的高斯分布量子态确定方法的装置，技术特征对应，技术效果对应，在此不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图10所示，是根据本申请实施例的高斯分布量子态确定方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图10所示，该电子设备包括：一个或多个处理器1001、存储器1002，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图10中以一个处理器1001为例。
存储器1002即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的高斯分布量子态确定方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的高斯分布量子态确定方法。
存储器1002作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的高斯分布量子态确定方法对应的程序指令/模块(例如，附图6所示的初始态获取模块610、变换模块620、演化模块630和逆变换模块640)。处理器1001通过运行存储在存储器1002中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的高斯分布量子态确定方法。
存储器1002可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据键盘显示的电子设备的使用所创建的数据等。此外，存储器1002可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器1002可选包括相对于处理器1001远程设置的存储器，这些远程存储器可以通过网络连接至键盘显示的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
高斯分布量子态确定方法的电子设备还可以包括：输入装置1003和输出装置1004。处理器1001、存储器1002、输入装置1003和输出装置1004可以通过总线或者其他方式连接，图10中以通过总线连接为例。
输入装置1003可接收输入的数字或字符信息，以及产生与键盘显示的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1004可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
本申请实施例的制备目标高斯分布量子态的过程中，无需对目标高斯分布量子态中每个分量的系数分别进行单独的确定过程，通过对初始高斯分布量子态进行量子傅里叶变换，然后进行量子演化，并对量子演化结果进行量子傅里叶逆变换即可得到目标高斯分布量子态，可减少计算量，降低目标高斯分布量子态制备的复杂程度。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (10)
1.一种高斯分布量子态确定方法，其特征在于，应用于高斯分布量子态制备任务，所述方法包括：
获取初始高斯分布量子态；
对所述初始高斯分布量子态进行量子傅里叶变换，得到量子变换结果；
对所述量子变换结果进行演化，获得量子演化结果，其中，通过量子电路进行演化获得所述量子演化结果，所述量子电路通过一系列的单比特旋转门以及双量子比特逻辑门的乘积完成演化；
对所述量子演化结果进行量子傅里叶逆变换，得到目标高斯分布量子态；
所述对所述量子变换结果进行演化，获得量子演化结果，包括：
获取目标标准差；
基于所述目标标准差，获得目标演化时长；
根据量子比特数量以及所述目标演化时长，获得第一角度和第二角度，所述第一角度与所述目标演化时长以及所述量子比特数量成正比，所述第二角度与所述目标演化时长成反比；
根据所述第一角度和所述第二角度，对所述量子变换结果进行演化，获得所述量子演化结果。
2.根据权利要求1所述的方法，其特征在于，所述获取初始高斯分布量子态，包括：
获取初始标准差以及基态数量；
基于所述初始标准差以及基态数量，制备所述初始高斯分布量子态。
3.根据权利要求1所述的方法，其特征在于，所述对所述初始高斯分布量子态进行量子傅里叶变换，得到量子变换结果之后，对所述量子变换结果进行演化，获得量子演化结果之前，还包括：
将所述量子变换结果中高斯分布平移N/2，以更新所述量子变换结果，其中，所述N为基态数量，所述基态数量根据量子比特数量确定。
4.根据权利要求1所述的方法，其特征在于，包括以下至少一项：
通过以下公式获得目标演化时长：其中，所述t为所述目标演化时长，所述σ0为初始标准差，所述σ'为目标标准差；
通过以下公式获得第一角度：θk＝2k-2(2n-1)t，其中，所述t为所述目标演化时长，所述θk为第k个第一角度，所述k为整数，且k≤n，所述n为量子比特数量；
通过以下公式获得第二角度：φk,l＝-2k+l-3t，其中，所述t为所述目标演化时长，所述φk,l为第一下标为k，第二下标为l的第二角度，所述k和l均为正整数，且k≤n，l≤n，所述n为量子比特数量。
5.一种高斯分布量子态确定装置，其特征在于，应用于高斯分布量子态制备任务，所述装置包括：
初始态获取模块，用于获取初始高斯分布量子态；
变换模块，用于对所述初始高斯分布量子态进行量子傅里叶变换，得到量子变换结果；
演化模块，用于对所述量子变换结果进行演化，获得量子演化结果，其中，通过量子电路进行演化获得所述量子演化结果，其中，通过量子电路进行演化获得所述量子演化结果，所述量子电路通过一系列的单比特旋转门以及双量子比特逻辑门的乘积完成演化；
逆变换模块，用于对所述量子演化结果进行量子傅里叶逆变换，得到目标高斯分布量子态；
所述演化模块，包括：
目标标准差获取模块，用于获取目标标准差；
演化时长确定模块，用于基于所述目标标准差，获得目标演化时长；
角度确定模块，用于根据量子比特数量以及所述目标演化时长，获得第一角度和第二角度，所述第一角度与所述目标演化时长以及所述量子比特数量成正比，所述第二角度与所述目标演化时长成反比；
量子演化模块，用于根据所述第一角度和所述第二角度，对所述量子变换结果进行演化，获得所述量子演化结果。
6.根据权利要求5所述的装置，其特征在于，所述初始态获取模块，包括：
数据获取模块，用于获取初始标准差以及基态数量；
初始态制备模块，用于基于所述初始标准差以及基态数量，制备所述初始高斯分布量子态。
7.根据权利要求5所述的装置，其特征在于，还包括：
平移模块，用于所述变换模块执行对所述初始高斯分布量子态进行量子傅里叶变换，得到量子变换结果之后，所述演化模块对所述量子变换结果进行演化，获得量子演化结果之前，将所述量子变换结果中高斯分布平移N/2，以更新所述量子变换结果，其中，所述N为基态数量，所述基态数量根据量子比特数量确定。
8.根据权利要求5所述的装置，其特征在于，包括以下至少一项：
通过以下公式获得目标演化时长：其中，所述t为所述目标演化时长，所述σ0为初始标准差，所述σ'为目标标准差；
通过以下公式获得第一角度：θk＝2k-2(2n-1)t，其中，所述t为所述目标演化时长，所述θk为第k个第一角度，所述k为整数，且k≤n，所述n为量子比特数量；
通过以下公式获得第二角度：φk,l＝-2k+l-3t，其中，所述t为所述目标演化时长，所述φk,l为第一下标为k，第二下标为l的第二角度，所述k和l均为正整数，且k≤n，l≤n，所述n为量子比特数量。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911300061.9A CN110991648B (zh) | 2019-12-16 | 2019-12-16 | 一种高斯分布量子态确定方法、装置以及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911300061.9A CN110991648B (zh) | 2019-12-16 | 2019-12-16 | 一种高斯分布量子态确定方法、装置以及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110991648A CN110991648A (zh) | 2020-04-10 |
| CN110991648B true CN110991648B (zh) | 2024-01-23 |
Family
ID=70094474
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911300061.9A Active CN110991648B (zh) | 2019-12-16 | 2019-12-16 | 一种高斯分布量子态确定方法、装置以及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110991648B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111598247B (zh) * | 2020-04-22 | 2022-02-01 | 北京百度网讯科技有限公司 | 量子吉布斯态生成方法、装置及电子设备 |
| CN114692879B (zh) * | 2020-12-31 | 2023-08-08 | 本源量子计算科技（合肥）股份有限公司 | 一种基于稀疏线性系统的量子预处理方法及装置 |
| CN113408733B (zh) * | 2021-06-29 | 2022-03-11 | 腾讯科技（深圳）有限公司 | 量子系统的基态获取方法、装置、设备及存储介质 |
| CN114819166B (zh) * | 2022-05-27 | 2023-05-30 | 北京大学 | 一种量子系统的演化方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650808A (zh) * | 2016-12-20 | 2017-05-10 | 北京工业大学 | 一种基于量子近邻算法的图像分类方法 |
| CN107025206A (zh) * | 2017-04-13 | 2017-08-08 | 广西师范大学 | 一种量子傅立叶变换实现量子线路设计的方法 |
| CN107231214A (zh) * | 2017-06-12 | 2017-10-03 | 哈尔滨工程大学 | 基于演化混沌量子神经网络的最优多用户检测方法 |
| CN108964887A (zh) * | 2018-05-26 | 2018-12-07 | 广西师范大学 | 一种基于nass量子图像表示的量子图像加密方法 |
| CN109478258A (zh) * | 2016-06-02 | 2019-03-15 | 谷歌有限责任公司 | 使用子逻辑控制训练量子演进 |
| CN110210067A (zh) * | 2019-05-08 | 2019-09-06 | 合肥本源量子计算科技有限责任公司 | 一种基于测量轨迹的阈值直线确定方法、装置 |
| CN110224763A (zh) * | 2019-06-28 | 2019-09-10 | 中南大学 | 基于哈密尔顿学习的新型量子态转移方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017027185A1 (en) * | 2015-08-10 | 2017-02-16 | Microsoft Technology Licensing, Llc | Efficient online methods for quantum bayesian inference |
-
2019
- 2019-12-16 CN CN201911300061.9A patent/CN110991648B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109478258A (zh) * | 2016-06-02 | 2019-03-15 | 谷歌有限责任公司 | 使用子逻辑控制训练量子演进 |
| CN106650808A (zh) * | 2016-12-20 | 2017-05-10 | 北京工业大学 | 一种基于量子近邻算法的图像分类方法 |
| CN107025206A (zh) * | 2017-04-13 | 2017-08-08 | 广西师范大学 | 一种量子傅立叶变换实现量子线路设计的方法 |
| CN107231214A (zh) * | 2017-06-12 | 2017-10-03 | 哈尔滨工程大学 | 基于演化混沌量子神经网络的最优多用户检测方法 |
| CN108964887A (zh) * | 2018-05-26 | 2018-12-07 | 广西师范大学 | 一种基于nass量子图像表示的量子图像加密方法 |
| CN110210067A (zh) * | 2019-05-08 | 2019-09-06 | 合肥本源量子计算科技有限责任公司 | 一种基于测量轨迹的阈值直线确定方法、装置 |
| CN110224763A (zh) * | 2019-06-28 | 2019-09-10 | 中南大学 | 基于哈密尔顿学习的新型量子态转移方法 |
Non-Patent Citations (6)
| Title |
|---|
| Li-Hua Gong等.Single Channel Quantum Color Image Encryption Algorithm Based on HSI Model and Quantum Fourier Transform.《International Journal of Theoretical Physics volume》.2018,59–73. * |
| 叶宾 ; 谷瑞军 ; 须文波 ; .周期驱动的Harper模型的量子计算鲁棒性与量子混沌.物理学报.2007,(07),78-87. * |
| 王保松等.量子力学中的傅立叶变换算符.《吉林师范大学学报：自然科学版》.2010,第31卷(第1期),83-85. * |
| 范洪义.相干态在参数量子相空间的两维正态分布.《物理学报》.2014,第63卷(第2期),020302-1-6. * |
| 谢涛.基于量子叠加态的遥感图像去噪方法研究.《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》.2019,(第5期),C028-92. * |
| 魏世杰等.量子算法的一些进展.中国科学:信息科学.2017,第47卷(第10期),正文第1280-1281页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110991648A (zh) | 2020-04-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110991648B (zh) | 一种高斯分布量子态确定方法、装置以及电子设备 | |
| KR102484617B1 (ko) | 이종 그래프 노드를 표현하는 모델 생성 방법, 장치, 전자 기기, 저장 매체 및 프로그램 | |
| CN111242306B (zh) | 量子主成分分析的方法、装置、电子设备以及计算机可读存储介质 | |
| US20210166136A1 (en) | Method, apparatus, electronic device and storage medium for obtaining question-answer reading comprehension model | |
| US20200175409A1 (en) | Implementation of error mitigation for quantum computing machines | |
| CN111967568B (zh) | 深度学习模型的适配方法、装置及电子设备 | |
| CN111598247B (zh) | 量子吉布斯态生成方法、装置及电子设备 | |
| CN111882068B (zh) | 一种消除qaoa量子电路噪声影响的方法、装置、设备及介质 | |
| CN111598246B (zh) | 量子吉布斯态生成方法、装置及电子设备 | |
| KR20210114853A (ko) | 모델 파라미터를 업데이트하는 방법 및 장치 | |
| JP2021197159A (ja) | グラフニューラルネットワークをプレトレーニングする方法、プログラム及び装置 | |
| US11775766B2 (en) | Method and apparatus for improving model based on pre-trained semantic model | |
| CN110569969A (zh) | 网络模型结构的采样方法、装置以及电子设备 | |
| US20230004753A9 (en) | Method, apparatus, electronic device and storage medium for training semantic similarity model | |
| CN112270403B (zh) | 构建深度学习的网络模型的方法、装置、设备和存储介质 | |
| EP3846050A2 (en) | Method, apparatus, device, storage medium and computer program product for expanding data | |
| CN111611808A (zh) | 用于生成自然语言模型的方法和装置 | |
| JP7105297B2 (ja) | ニューラルネットワークモデルの処理方法及び装置 | |
| US11362663B2 (en) | Quantum pulse determining method, apparatus, device and readable storage medium | |
| KR20220003444A (ko) | 옵티마이저 학습 방법, 장치, 전자 기기 및 판독 가능 기록 매체 | |
| CN111488972B (zh) | 数据迁移方法、装置、电子设备和存储介质 | |
| CN111667428A (zh) | 基于自动搜索的噪声生成方法和装置 | |
| CN111311000A (zh) | 用户消费行为预测模型训练方法、装置、设备及存储介质 | |
| CN111461340B (zh) | 权重矩阵的更新方法、装置及电子设备 | |
| CN111523664A (zh) | 超网络参数更新方法、装置和电子设备 |
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 |