CN111353607A - 一种量子态判别模型的获得方法、装置 - Google Patents

一种量子态判别模型的获得方法、装置 Download PDF

Info

Publication number
CN111353607A
CN111353607A CN202010245082.1A CN202010245082A CN111353607A CN 111353607 A CN111353607 A CN 111353607A CN 202010245082 A CN202010245082 A CN 202010245082A CN 111353607 A CN111353607 A CN 111353607A
Authority
CN
China
Prior art keywords
quantum state
data
measurement data
quantum
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.)
Granted
Application number
CN202010245082.1A
Other languages
English (en)
Other versions
CN111353607B (zh
Inventor
赵勇杰
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.)
Origin Quantum Computing Technology 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 CN202010245082.1A priority Critical patent/CN111353607B/zh
Publication of CN111353607A publication Critical patent/CN111353607A/zh
Application granted granted Critical
Publication of CN111353607B publication Critical patent/CN111353607B/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

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Complex Calculations (AREA)

Abstract

本申请属于量子测控领域，特别是一种量子态判别模型的获得方法、装置，该方法包括：获得量子比特处于第一量子态时和第二量子态时分别对应的第一测量数据和第二测量数据；基于二维混合高斯模型对所述第一测量数据和所述第二测量数据进行处理，获得分别反映所述第一量子态和所述第二量子态两者真实分布特点的第一量子态标签数据和第二量子态标签数据；对所述第一量子态标签数据和所述第二量子态标签数据进行训练，获得用于判别量子态类型的判别模型。本申请能够提高获得的判别模型的准确性以及量子态判断结果的准确性。

Description

一种量子态判别模型的获得方法、装置
技术领域
本申请属于量子测控领域，特别是一种量子态判别模型的获得方法、装置。
背景技术
量子比特是量子计算中的信息处理的载体，其可以用任何满足量子力学物理规律的二能级体系加以实现，常见的物理体系包括超导约瑟夫结、半导体量子点、离子阱等。量子比特具有两个能量不同的状态(也称为量子比特的两个基态)：|0>态和|1>态，量子比特可以处于|0>态和|1>态的任意叠加态，因此对量子比特状态的进行精确的测量是实现量子计算的前提条件。
针对由二能级模型表示的量子比特，例如超导约瑟夫森结实现的量子比特，的测量过程中，需要多次试验制备量子比特的指定基态(即|0>态或|1>态)，然后对其测量获得量子比特读取信号对应的测量数据，并通过对测量数据的处理获得判断结果，以实现量子测量以及根据测量结果进行量子控制。
现有技术中，对测量数据处理的时候，通常采用的数据处理方法是K-means均值聚类法，由于k-means均值聚类法本身隐含着边界条件，即聚类边界为以聚类中心为圆心，以距离聚类中心最远的点为半径划定的圆。该类方法在实际的量子态测量数据的处理过程中，存在应用受限进而不能保证量子态测量数据处理的准确性的缺陷和不足。
发明内容
本申请的目的是提供一种量子态判别模型的获得方法、装置，以解决现有技术中的不足，它能够提高获得的判别模型的准确性以及量子态判断结果的准确性。
本申请的一个实施例提供了一种量子态判别模型的获得方法，所述方法包括：
获得量子比特处于第一量子态时和第二量子态时分别对应的第一测量数据和第二测量数据；其中，所述第一量子态和所述第二量子态是设定二能级量子比特所具备的两个不同基态；所述第一测量类数据和所述第二测量数据是IQ坐标系的散点数据；
基于二维混合高斯模型对所述第一测量数据和所述第二测量数据进行处理，获得分别反映所述第一量子态和所述第二量子态两者真实分布特点的第一量子态标签数据和第二量子态标签数据；
对所述第一量子态标签数据和所述第二量子态标签数据进行训练，获得用于判别量子态类型的判别模型。
如上所述的量子态判别模型的获得方法，其中，优选的是，所述获得量子比特处于第一量子态时和第二量子态时分别对应的第一测量数据和第二测量数据，包括：
获得量子比特处于所述第一量子态时的多个量子比特原始读取信号；
获得量子比特处于所述第二量子态时的多个量子比特原始读取信号；
对所述量子比特原始读取信号进行数字信号处理获得对应的包含量子比特状态信息的复信号；
对所述复信号进行复数分解获得IQ坐标系散点数据。
如上所述的量子态判别模型的获得方法，其中，优选的是，所述基于二维混合高斯模型对所述第一测量数据和所述第二测量数据进行处理，获得分别反映所述第一量子态和所述第二量子态两者真实分布特点的第一量子态标签数据和第二量子态标签数据，包括：
利用所述第一测量数据和所述第二测量数据构建二维混合高斯模型；
求解并获得所述二维混合高斯模型包含的反映所述设定二能级系统量子比特所具备的两个不同基态真实分布特点的、占比c1权重的第一范围数据和占比c2权重的第二范围数据；其中：所述c1权重和所述c2权重之和为1；
根据IQ坐标系的数据特点，对所述第一范围数据和所述第二范围数据进行标签确认，获得分别反映所述第一量子态和所述第二量子态两者真实分布特点的第一量子态标签数据和第二量子态标签数据。
如上所述的量子态判别模型的获得方法，其中，优选的是，所述求解并获得所述二维混合高斯模型包含的反映所述设定二能级系统量子比特所具备的两个不同基态真实分布特点的、占比c1权重的第一范围数据和占比c2权重的第二范围数据，包括：
通过非监督学习算法求解所述二维混合高斯模型，获得所述二维混合高斯模型包含的c1权重的第一范围数据和占比c2权重的第二范围数据。
如上所述的量子态判别模型的获得方法，其中，优选的是，所述非监督学习算法为最大期望值算法。
如上所述的量子态判别模型的获得方法，其中，优选的是，通过最大期望值算法求解所述二维混合高斯模型，获得所述二维混合高斯模型包含的c1权重的第一范围数据和c2权重的第二范围数据，包括：
确定所述二维混合高斯模型的概率密度函数如下：
Figure BDA0002433783860000031
其中，K代表所述第一测量数据和所述第二测量数据共可能包含的二维高斯模型，k＝1，..K，N(x|μk，σk)是二维高斯模型的表示，其中:x表示所述第一测量数据或所述第二测量数据，μk代表第k个二维高斯模型的均值，σk代表第k个二维高斯模型的协方差；ck代表第k个二维高斯模型的权重；其中：
Figure BDA0002433783860000032
通过最大期望值算法求解所有的ck、μk和σk。
如上所述的量子态判别模型的获得方法，其中，优选的是，所述对所述第一量子态标签数据和所述第二量子态标签数据进行训练，获得用于判别量子态类型的判别模型，包括：
通过监督学习分类算法对所述第一量子态标签数据和所述第二量子态标签数据进行训练，获得用于判别量子态类型的判别模型。
如上所述的量子态判别模型的获得方法，其中，优选的是，所述监督学习分类算法包括支持向量机算法。
如上所述的量子态判别模型的获得方法，其中，优选的是，所述方法还包括：
根据所述判别模型判断任意量子态对应的的测量数据所对应的量子态类型。
本申请的另一个实施例提供了一种量子态判别模型的获得装置，所述装置包括：
第一获得模块，用于获得量子比特处于第一量子态时和第二量子态时分别对应的第一测量数据和第二测量数据；其中，所述第一量子态和所述第二量子态是设定二能级量子比特所具备的两个不同基态；所述第一测量类数据和所述第二测量数据是IQ坐标系的散点数据；
第一处理模块，用于基于二维混合高斯模型对所述第一测量数据和所述第二测量数据进行处理，获得分别反映所述第一量子态和所述第二量子态两者真实分布特点的第一量子态标签数据和第二量子态标签数据；
第二处理模块，用于对所述第一量子态标签数据和所述第二量子态标签数据进行训练，获得用于判别量子态类型的判别模型。
本申请的再一个实施例提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述的方法。
本申请的再一个实施例提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述的方法。
与现有技术相比，本申请的量子态判别模型的获得方法，包括：获得量子比特处于第一量子态时和第二量子态时分别对应的第一测量数据和第二测量数据；其中，所述第一量子态和所述第二量子态是设定二能级量子比特所具备的两个不同基态；所述第一测量类数据和所述第二测量数据是IQ坐标系的散点数据；基于二维混合高斯模型对所述第一测量数据和所述第二测量数据进行处理，获得分别反映所述第一量子态和所述第二量子态两者真实分布特点的第一量子态标签数据和第二量子态标签数据；对所述第一量子态标签数据和所述第二量子态标签数据进行训练，获得用于判别量子态类型的判别模型。
该过程中，针对量子比特分别处于第一量子态时和第二量子态时对应的第一测量数据和第二测量数据的处理是基于二维混合高斯模型进行的，二维混合高斯模型通过一定的权重将两个二维高斯模型融合成一个模型，保证对第一测量数据和第二测量数据的准确描述，克服了对试验得到的测量数据描述的缺陷，提高了量子态测量数据处理的准确性，进而提高获得的判别模型的准确性以及量子态判断结果的准确性。
附图说明
图1a是实验室试验过程中获得的量子比特量子态测量数据一种分布图；
图1b是实验室试验过程中获得的量子比特量子态测量数据另一种分布图；
图2是本申请的一种实施例提供的一种量子态判别模型的获得方法的流程示意图；
图3是本申请的另一种实施例提供的一种量子态判别模型的获得装置的结构示意图。
具体实施方式
下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
量子比特所处的量子态的测量、判断是量子测控的关键，针对由二能级模型表示的量子比特的测量过程中，需要多次试验制备量子比特的指定基态(即|0>态或|1>态)，然后对其测量获得量子比特读取信号对应的测量数据，并通过对测量数据的处理获得判断结果，以实现量子测量以及根据测量结果进行量子控制。
理论上，量子比特所具备的每一个基态的分布是满足标准二维高斯模型的。但是经过大量的试验发现，在量子态的测量过程中，设定二能级量子比特所具备的两个不同基态，例如|0>态和|1>态，的测量得到的IQ散点数据分布并不是一个类圆形，可能是一个类椭圆，甚至当存在高阶激发态参与贡献时，数据分布是不规则的形状，如图1a所示的实验室试验过程中获得的量子比特量子态测量数据分布图，图中的两个黑点表示采用K-means均值聚类法获得的不同量子态基态测量数据的分布中心；如图1b所示的实验室试验过程中获得的量子比特量子态测量数据分布图，图中对应|0>态的测量数据中的一小部分分布在|1>态的测量数据中，甚至分布在|0>态的测量数据的大概分布的中心；对应|1>态的测量数据中的一小部分分布在|0>态的测量数据中，甚至分布在|0>态的测量数据的大概分布的中心；需要说明的是，图1b如果为彩色，观察效果会比较好，但是考虑到说明书附图的要求，提供黑白图，图中同一色泽连续区域中出现的不同色泽的点即为不属于该区域的数据点，可知图中的两大区域中均存在不属于本区域的数据点。以上图示及理论均说明了试验中存在破坏每种类型的量子态的分布情况。究其原因，可能是由于因为量子态试验操作的不完美、热激发引起的|0>态到|1>态的跃迁、量子态弛豫引起的|1>|0>态到|0>态跃迁和存在高阶激发态等因素之一或者其结合导致的。需要说明的是，当存在高激发态的时候，量子态测量数据的分布相比图1b会更为复杂，对所有测量数据进行二维混合高斯模型处理时得到的二维高斯模型的数量也会随高激发态的存在情况而增多。此时，采用K-means均值聚类法进行数据处理时，由于K-means均值聚类法是采用K-means算法进行聚类分析，过程中聚类边界为以聚类中心为圆心，以距离聚类中心最远的点为半径划定的圆。所以该类方法在实际的量子态测量数据的处理过程中，存在应用受限进而不能保证量子态测量数据处理的准确性的缺陷和不足。
基于以上工作和研究，本申请的一种实施例提供了一种量子态判别模型的获得方法，如图2所示，所述方法包括：
步骤S1，获得量子比特处于第一量子态时和第二量子态时分别对应的第一测量数据和第二测量数据；其中，所述第一量子态和所述第二量子态是设定二能级量子比特所具备的两个不同基态；所述第一测量类数据和所述第二测量数据是IQ坐标系的散点数据。
步骤S2，基于二维混合高斯模型对所述第一测量数据和所述第二测量数据进行处理，获得分别反映所述第一量子态和所述第二量子态两者真实分布特点的第一量子态标签数据和第二量子态标签数据。
需要说明的是，所述第一量子态和所述第二量子态两者真实分布特点是相对所述第一量子态和所述第二量子态两者的理论分布特点而言的，如上所述，针对由二能级模型表示的量子比特，其所具有的两种不同类型的量子态中的每种类型的量子态的分布是满足标准二维高斯拟合模型的。但是，因为存在量子态试验操作的不完美、热激发引起的|0>态到|1>态的跃迁、量子态弛豫引起的|1>|0>态到|0>态跃迁等客观情况，所以每种类型的量子态真实分布特点并不满足标准二维高斯拟合模型。
步骤S3，对所述第一量子态标签数据和所述第二量子态标签数据进行训练，获得用于判别量子态类型的判别模型。
在步骤S1至步骤S3中，由于量子比特分别处于第一量子态时和第二量子态时对应的第一测量数据和第二测量数据的处理是基于二维混合高斯模型进行的，二维混合高斯模型通过一定的权重将两个高斯模型融合成一个模型，保证对第一测量数据和第二测量数据的准确描述，克服了对试验得到的测量数据描述的缺陷，提高了量子态测量数据处理的准确性，进而提高获得的判别模型的准确性以及量子态判断结果的准确性。
其中，步骤S1中所述获得量子比特处于第一量子态时和第二量子态时分别对应的第一测量数据和第二测量数据，可以包括：
步骤S11，获得量子比特处于所述第一量子态时的多个量子比特原始读取信号。
步骤S12，获得量子比特处于所述第二量子态时的多个量子比特原始读取信号。
步骤S13，对所述量子比特原始读取信号进行数字信号处理获得对应的包含量子比特状态信息的复信号。
需要说明的是，所述量子比特原始读取信号是模拟信号，该模拟信号的形式包括但不限于：
Figure BDA0002433783860000071
本领域技术人员可以理解的是，该形式是对模拟信号的一般表示，故在此并不对该表示中的参数做说明。针对该信号进行数字信号处理获得对应的包含量子比特状态信息的复信号，包括但不限于对该信号进行混频和/或积分处理，可选的，本实施例对该信号依次进行混频和积分处理，混频过程为
Figure BDA0002433783860000081
积分过程为
Figure BDA0002433783860000082
积分结果信号即包含量子比特状态信息的复信号。
步骤S14，对所述复信号进行复数分解获得IQ坐标系散点数据。
具体的，所述复信号的复数分解可以表示为：
Figure BDA0002433783860000083
然后将I和Q分别作为IQ坐标系的横坐标和纵坐标，即得到一对应散点数据。
其中，步骤S2中所述基于二维混合高斯模型对所述第一测量数据和所述第二测量数据进行处理，获得分别反映所述第一量子态和所述第二量子态两者真实分布特点的第一量子态标签数据和第二量子态标签数据，包括：
步骤S21，利用所述第一测量数据和所述第二测量数据构建二维混合高斯模型。
其中，构建的二维混合高斯模型的概率密度函数如下：
Figure BDA0002433783860000084
其中，K代表所述第一测量数据和所述第二测量数据共可能包含的二维高斯模型的数量，k＝1，..K，N(x|μk，σk)是二维高斯模型的表示，其中:x表示所述第一测量数据或所述第二测量数据，μk代表第k个二维高斯模型的均值，σk代表第k个二维高斯模型的协方差；ck代表第k个二维高斯模型的权重；其中：
Figure BDA0002433783860000085
需要说明的是，当不存在|2>态以及以上的高激发态的时候，K理论值为2；当存在|2>态以及以上的高激发态，K理论值将随高激发态的存在情况增大。
步骤S22，求解并获得所述二维混合高斯模型包含的反映所述设定二能级系统量子比特所具备的两个不同基态真实分布特点的、占比c1权重的第一范围数据和占比c2权重的第二范围数据；其中：所述c1权重和所述c2权重之和为1。
需要说明的是，求解该所述二维混合高斯模型是指求解该二维混合高斯模型模型所包含的每一个二维高斯模型的权重、均值和协方差的过程。可以借助一些非监督学习算法求解该二维混合高斯模型，非监督学习算法包括但不限于最大期望值算法。需要说明的是，借助最大期望值算法求解该二维混合高斯模型的具体实施过程，本领域技术人员可以理解的是，通过最大期望值算法的E步骤和M步骤实现，在此并不赘述。
需要说明的是，利用二维混合高斯模型描述的第一测量数据和所述第二测量数据在二维混合高斯模型中是被一视同仁的，是没有概念或者标签区别的，仅是一数据，仅具有数据属性。这些数据整体通过求解二维混合高斯模型被划分为反映两个不同基态真实分布特点的、占比c1权重的第一范围数据和占比c2权重的第二范围数据，但是第一范围数据、第二范围数据与两个不同基态之间的对应关系并不明确，即第一范围数据、第二范围数据是没有概念或者标签区别的，只有坐标系空间分布不同的区别，也是根据该区别进行数据的分类处理得到第一范围数据和第二范围数据。
步骤S23，根据IQ坐标系的数据特点，对所述第一范围数据和所述第二范围数据进行标签确认，获得分别反映所述第一量子态和所述第二量子态两者真实分布特点的第一量子态标签数据和第二量子态标签数据。
具体的，第一范围数据、第二范围数据是有空间分布特点的，而第一量子态和第二量子态分别对应的第一测量数据和第二测量数据也是有空间分布特点的，利用数据的空间分布特点，即根据IQ坐标系的数据特点，建立所述第一范围数据、所述第二范围数据两者，与所述第一量子态、所述第二量子态两者之间的对应关系，并给对应第一量子态的数据赋予标签，为第一量子态标签数据；给对应第二量子态的数据赋予标签，为第二量子态标签数据。
需要说明的是，此时第一量子态标签数据和第二量子态标签数据将同时具有数据属性和含义属性，数据属性反映数据在坐标系空间分布情况，含义属性反映数据所代表的量子态类型。对具有含义属性的数据进行训练，可获得用于同种类数据分类的判别模型。在本实施例中，通过对所述第一量子态标签数据和所述第二量子态标签数据进行训练，获得用于判别量子态类型的判别模型。
具体的，对所述第一量子态标签数据和所述第二量子态标签数据进行训练，获得用于判别量子态类型的判别模型。可以通过监督学习分类算法对所述第一量子态标签数据和所述第二量子态标签数据进行训练及分类，所采用的监督学习分类算法包括但不限于支持向量机算法。支持向量机算法属于现有技术中的算法，本领域技术人员根据现有技术中的支持向量机算法进行训练，能够得到相应的判别模型，训练过程为本领域技术人员公知的内容，在此不作赘述。
该过程中，使用监督学习算法对所述第一量子态标签数据和第二量子态标签数据进行训练，得到第一测量数据和第二测量数据精确的分类判别模型，进而提高量子态判断结果的准确性。
作为量子态判别模型的应用，所述方法还包括：根据所述判别模型判断任意量子态对应的的测量数据所对应的量子态类型，提高任意量子态对应的的测量数据对应的量子态判断结果的准确性。
如图3所示，本申请的另一种实施例提供了一种量子态判别模型的获得装置，所述装置包括：
第一获得模块11，用于获得量子比特处于第一量子态时和第二量子态时分别对应的第一测量数据和第二测量数据；其中，所述第一量子态和所述第二量子态是设定二能级量子比特所具备的两个不同基态；所述第一测量类数据和所述第二测量数据是IQ坐标系的散点数据；
第一处理模块12，用于基于二维混合高斯模型对所述第一测量数据和所述第二测量数据进行处理，获得分别反映所述第一量子态和所述第二量子态两者真实分布特点的第一量子态标签数据和第二量子态标签数据；
第二处理模块13，用于对所述第一量子态标签数据和所述第二量子态标签数据进行训练，获得用于判别量子态类型的判别模型。
本实施例由于量子比特分别处于第一量子态时和第二量子态时对应的第一测量数据和第二测量数据的处理是基于二维混合高斯模型进行的，二维混合高斯模型通过一定的权重将两个高斯模型融合成一个模型，保证对第一测量数据和第二测量数据的准确描述，克服了对试验得到的测量数据描述的缺陷，提高了量子态测量数据处理的准确性，进而提高获得的判别模型的准确性以及量子态判断结果的准确性。
本申请的再一种实施例提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行下述方法：
步骤S1，获得量子比特处于第一量子态时和第二量子态时分别对应的第一测量数据和第二测量数据；其中，所述第一量子态和所述第二量子态是设定二能级量子比特所具备的两个不同基态；所述第一测量类数据和所述第二测量数据是IQ坐标系的散点数据。
步骤S2，基于二维混合高斯模型对所述第一测量数据和所述第二测量数据进行处理，获得分别反映所述第一量子态和所述第二量子态两者真实分布特点的第一量子态标签数据和第二量子态标签数据。
步骤S3，对所述第一量子态标签数据和所述第二量子态标签数据进行训练，获得用于判别量子态类型的判别模型。
本实施例中由于量子比特分别处于第一量子态时和第二量子态时对应的第一测量数据和第二测量数据的处理是基于二维混合高斯模型进行的，二维混合高斯模型通过一定的权重将两个高斯模型融合成一个模型，以保证对第一测量数据和第二测量数据的准确描述，提高了量子态测量数据处理的准确性，进而提高获得的判别模型的准确性以及量子态判断结果的准确性。
本申请的再一种实施例提供了一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行执行下述方法：
步骤S1，获得量子比特处于第一量子态时和第二量子态时分别对应的第一测量数据和第二测量数据；其中，所述第一量子态和所述第二量子态是设定二能级量子比特所具备的两个不同基态；所述第一测量类数据和所述第二测量数据是IQ坐标系的散点数据。
步骤S2，基于二维混合高斯模型对所述第一测量数据和所述第二测量数据进行处理，获得分别反映所述第一量子态和所述第二量子态两者真实分布特点的第一量子态标签数据和第二量子态标签数据。
步骤S3，对所述第一量子态标签数据和所述第二量子态标签数据进行训练，获得用于判别量子态类型的判别模型。
本实施例中由于量子比特分别处于第一量子态时和第二量子态时对应的第一测量数据和第二测量数据的处理是基于二维混合高斯模型进行的，二维混合高斯模型通过一定的权重将两个高斯模型融合成一个模型，以保证对第一测量数据和第二测量数据的准确描述，提高了量子态测量数据处理的准确性，进而提高获得的判别模型的准确性以及量子态判断结果的准确性。
需要说明的是，在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元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，本申请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全部或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(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上依据图式所示的实施例详细说明了本申请的构造、特征及作用效果，以上所述仅为本申请的较佳实施例，但本申请不以图面所示限定实施范围，凡是依照本申请的构想所作的改变，或修改为等同变化的等效实施例，仍未超出说明书与图示所涵盖的精神时，均应在本申请的保护范围内。

Claims (12)

1.一种量子态判别模型的获得方法，其特征在于，所述方法包括：
获得量子比特处于第一量子态时和第二量子态时分别对应的第一测量数据和第二测量数据；其中，所述第一量子态和所述第二量子态是设定二能级量子比特所具备的两个不同基态；所述第一测量类数据和所述第二测量数据是IQ坐标系的散点数据；
基于二维混合高斯模型对所述第一测量数据和所述第二测量数据进行处理，获得分别反映所述第一量子态和所述第二量子态两者真实分布特点的第一量子态标签数据和第二量子态标签数据；
对所述第一量子态标签数据和所述第二量子态标签数据进行训练，获得用于判别量子态类型的判别模型。
2.根据权利要求1所述的量子态判别模型的获得方法，其特征在于，所述获得量子比特处于第一量子态时和第二量子态时分别对应的第一测量数据和第二测量数据，包括：
获得量子比特处于所述第一量子态时的多个量子比特原始读取信号；
获得量子比特处于所述第二量子态时的多个量子比特原始读取信号；
对所述量子比特原始读取信号进行数字信号处理获得对应的包含量子比特状态信息的复信号；
对所述复信号进行复数分解获得IQ坐标系散点数据。
3.根据权利要求1所述的量子态判别模型的获得方法，其特征在于，所述基于二维混合高斯模型对所述第一测量数据和所述第二测量数据进行处理，获得分别反映所述第一量子态和所述第二量子态两者真实分布特点的第一量子态标签数据和第二量子态标签数据，包括：
利用所述第一测量数据和所述第二测量数据构建二维混合高斯模型；
求解并获得所述二维混合高斯模型包含的反映所述设定二能级系统量子比特所具备的两个不同基态真实分布特点的、占比c1权重的第一范围数据和占比c2权重的第二范围数据；其中：所述c1权重和所述c2权重之和为1；
根据IQ坐标系的数据特点，对所述第一范围数据和所述第二范围数据进行标签确认，获得分别反映所述第一量子态和所述第二量子态两者真实分布特点的第一量子态标签数据和第二量子态标签数据。
4.根据权利要求3所述的量子态判别模型的获得方法，其特征在于，所述求解并获得所述二维混合高斯模型包含的反映所述设定二能级系统量子比特所具备的两个不同基态真实分布特点的、占比c1权重的第一范围数据和占比c2权重的第二范围数据，包括：
通过非监督学习算法求解所述二维混合高斯模型，获得所述二维混合高斯模型包含的c1权重的第一范围数据和占比c2权重的第二范围数据。
5.根据权利要求4所述的量子态判别模型的获得方法，其特征在于，
所述非监督学习算法为最大期望值算法。
6.根据权利要求5所述的量子态判别模型的获得方法，其特征在于，通过最大期望值算法求解所述二维混合高斯模型，获得所述二维混合高斯模型包含的c1权重的第一范围数据和c2权重的第二范围数据，包括：
确定所述二维混合高斯模型的概率密度函数如下：
Figure FDA0002433783850000021
其中，K代表所述第一测量数据和所述第二测量数据共可能包含的二维高斯模型的数量，k＝1，..K，N(x|μk，σk)是二维高斯模型的表示，其中:x表示所述第一测量数据或所述第二测量数据，μk代表第k个二维高斯模型的均值，σk代表第k个二维高斯模型的协方差；ck代表第k个二维高斯模型的权重；其中：
Figure FDA0002433783850000022
通过最大期望值算法求解所有的ck、μk和σk。
7.根据权利要求1所述的量子态判别模型的获得方法，其特征在于，所述对所述第一量子态标签数据和所述第二量子态标签数据进行训练，获得用于判别量子态类型的判别模型，包括：
通过监督学习分类算法对所述第一量子态标签数据和所述第二量子态标签数据进行训练，获得用于判别量子态类型的判别模型。
8.根据权利要求7所述的量子态判别模型的获得方法，其特征在于，所述监督学习分类算法包括支持向量机算法。
9.根据权利要求1所述的量子态判别模型的获得方法，其特征在于，所述方法还包括：
根据所述判别模型判断任意量子态对应的的测量数据所对应的量子态类型。
10.一种量子态判别模型的获得装置，其特征在于，所述装置包括：
第一获得模块，用于获得量子比特处于第一量子态时和第二量子态时分别对应的第一测量数据和第二测量数据；其中，所述第一量子态和所述第二量子态是设定二能级量子比特所具备的两个不同基态；所述第一测量类数据和所述第二测量数据是IQ坐标系的散点数据；
第一处理模块，用于基于二维混合高斯模型对所述第一测量数据和所述第二测量数据进行处理，获得分别反映所述第一量子态和所述第二量子态两者真实分布特点的第一量子态标签数据和第二量子态标签数据；
第二处理模块，用于对所述第一量子态标签数据和所述第二量子态标签数据进行训练，获得用于判别量子态类型的判别模型。
11.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至9任一项中所述的方法。
12.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至9任一项中所述的方法。
CN202010245082.1A 2020-03-31 2020-03-31 一种量子态判别模型的获得方法、装置 Active CN111353607B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010245082.1A CN111353607B (zh) 2020-03-31 2020-03-31 一种量子态判别模型的获得方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010245082.1A CN111353607B (zh) 2020-03-31 2020-03-31 一种量子态判别模型的获得方法、装置

Publications (2)

Publication Number Publication Date
CN111353607A true CN111353607A (zh) 2020-06-30
CN111353607B CN111353607B (zh) 2021-09-07

Family

ID=71193022

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010245082.1A Active CN111353607B (zh) 2020-03-31 2020-03-31 一种量子态判别模型的获得方法、装置

Country Status (1)

Country Link
CN (1) CN111353607B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114580643A (zh) * 2022-03-18 2022-06-03 北京百度网讯科技有限公司 确定方法、模型处理方法、装置、设备及存储介质
WO2022253214A1 (zh) * 2021-06-04 2022-12-08 合肥本源量子计算科技有限责任公司 量子态信息处理系统、量子测控系统、量子计算机
CN115761384A (zh) * 2023-01-09 2023-03-07 苏州浪潮智能科技有限公司 一种图像分类方法、装置、电子设备和存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170351967A1 (en) * 2016-06-02 2017-12-07 Google Inc. Training quantum evolutions using sublogical controls
WO2018152240A1 (en) * 2017-02-14 2018-08-23 The Regents Of The University Of Colorado, A Body Corporate Methods for predicting transcription factor activity
CN109409534A (zh) * 2018-10-25 2019-03-01 浙江工商大学 一种检测四量子比特簇对角态完全可分离性的方法
CN109409525A (zh) * 2018-10-15 2019-03-01 合肥本源量子计算科技有限责任公司 量子比特量子态确定方法和量子比特读取信号解析方法
CN109447271A (zh) * 2018-10-15 2019-03-08 合肥本源量子计算科技有限责任公司 一种量子比特量子态读取方法及装置
CN110097014A (zh) * 2019-05-08 2019-08-06 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量子比特读取信号处理方法
CN110490328A (zh) * 2019-08-06 2019-11-22 刘世昌 以统一场论和全息电视为基础实现量子计算机的方法
CN110598867A (zh) * 2019-09-17 2019-12-20 合肥本源量子计算科技有限责任公司 一种量子态信息转化方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170351967A1 (en) * 2016-06-02 2017-12-07 Google Inc. Training quantum evolutions using sublogical controls
US20190213495A1 (en) * 2016-06-02 2019-07-11 Google Llc Training quantum evolutions using sublogical controls
WO2018152240A1 (en) * 2017-02-14 2018-08-23 The Regents Of The University Of Colorado, A Body Corporate Methods for predicting transcription factor activity
CN109409525A (zh) * 2018-10-15 2019-03-01 合肥本源量子计算科技有限责任公司 量子比特量子态确定方法和量子比特读取信号解析方法
CN109447271A (zh) * 2018-10-15 2019-03-08 合肥本源量子计算科技有限责任公司 一种量子比特量子态读取方法及装置
CN109409534A (zh) * 2018-10-25 2019-03-01 浙江工商大学 一种检测四量子比特簇对角态完全可分离性的方法
CN110097014A (zh) * 2019-05-08 2019-08-06 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量子比特读取信号处理方法
CN110490328A (zh) * 2019-08-06 2019-11-22 刘世昌 以统一场论和全息电视为基础实现量子计算机的方法
CN110598867A (zh) * 2019-09-17 2019-12-20 合肥本源量子计算科技有限责任公司 一种量子态信息转化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MAHAJABIN RAHMAN,DAVI GEIGER: "《Quantum Clustering and Gaussian Mixture》", 《ARXIV:1612.09199》 *
许鹏等: "《中性原子量子计算研究进展》", 《物理学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022253214A1 (zh) * 2021-06-04 2022-12-08 合肥本源量子计算科技有限责任公司 量子态信息处理系统、量子测控系统、量子计算机
CN114580643A (zh) * 2022-03-18 2022-06-03 北京百度网讯科技有限公司 确定方法、模型处理方法、装置、设备及存储介质
CN114580643B (zh) * 2022-03-18 2023-04-28 北京百度网讯科技有限公司 确定方法、模型处理方法、装置、设备及存储介质
CN115761384A (zh) * 2023-01-09 2023-03-07 苏州浪潮智能科技有限公司 一种图像分类方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN111353607B (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
CN111369003B (zh) 一种量子比特读取信号保真度的确定方法、装置
Pansombut et al. Convolutional neural networks for recognition of lymphoblast cell images
CN111353607B (zh) 一种量子态判别模型的获得方法、装置
US11699224B2 (en) Neural network training device, system and method
US11715200B2 (en) Machine learning-based root cause analysis of process cycle images
CN111723815B (zh) 模型训练方法、图像处理方法、装置、计算机系统和介质
Samadiani et al. A neural network-based approach for recognizing multi-font printed English characters
CN111340086B (zh) 无标签电子交易数据的处理方法、系统、介质及终端
CN106537423A (zh) 作为服务的自适应特征化
Cheong et al. Interpretable stock anomaly detection based on spatio-temporal relation networks with genetic algorithm
Somanchi et al. Discovering anomalous patterns in large digital pathology images
Cuevas et al. Multithreshold segmentation based on artificial immune systems
Liu et al. Enhancing input parameter estimation by machine learning for the simulation of large-scale logistics networks
Zhu et al. Clustering driving styles via image processing
CN111639688B (zh) 一种基于线性核svm的物联网智能模型的局部解释方法
Fisch et al. In your interest-objective interestingness measures for a generative classifier
CN112766320A (zh) 一种分类模型训练方法及计算机设备
Zhang et al. Multi‐feature fusion of deep networks for mitosis segmentation in histological images
EP3444759B1 (en) Synthetic rare class generation by preserving morphological identity
Su et al. Sedimentary Environment Analysis by Grain‐Size Data Based on Mini Batch K‐Means Algorithm
CN115907954A (zh) 账户的识别方法、装置、计算机设备和存储介质
CN116861226A (zh) 一种数据处理的方法以及相关装置
Ramathilaga et al. Two novel fuzzy clustering methods for solving data clustering problems
Sengottuvelan et al. Object classification using substance based neural network
Osuna-Galán et al. Topology: A Theory of a Pseudometric‐Based Clustering Model and Its Application in Content‐Based Image Retrieval

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