CN111369003A - 一种量子比特读取信号保真度的确定方法、装置 - Google Patents
一种量子比特读取信号保真度的确定方法、装置 Download PDFInfo
- Publication number
- CN111369003A CN111369003A CN202010245081.7A CN202010245081A CN111369003A CN 111369003 A CN111369003 A CN 111369003A CN 202010245081 A CN202010245081 A CN 202010245081A CN 111369003 A CN111369003 A CN 111369003A
- Authority
- CN
- China
- Prior art keywords
- measurement data
- quantum
- quantum state
- model
- determining
- 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
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)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Radar Systems Or Details Thereof (AREA)
- Complex Calculations (AREA)
Abstract
本发明属于量子测控技术领域，特别是一种量子比特读取信号保真度的确定方法、装置，该方法包括：获得量子比特处于两个已知的、不同的量子态时的读取信号分别对应的测量数据；其中，所述测量数据是IQ坐标系的散点数据；基于二维混合高斯模型对所有所述测量数据进行处理，获得所述二维混合高斯模型所包含的两个二维高斯模型各自的参数值；根据所述参数值以及所述测量数据在IQ坐标系的空间分布特点，确定对应于各所述量子态的确定高斯模型；根据所述量子态的测量数据满足对应所述确定高斯模型的程度确定对应所述量子比特读取信号的保真度。本发明能够提高量子比特读取信号保真度确定的准确度，以为量子测控和量子计算提供更加精确的参考。
Description
技术领域
本发明属于量子测控技术领域，特别是一种量子比特读取信号保真度的确定方法、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：|0>态和|1>态，其可以处于|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量子态(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量子比特读取信号的保真度，保真度作为表征电子设备输出再现输入信号的相似程度的参数，在量子测控和量子计算领域，保真度越准确，可为量子测控和量子计算提供的参考性越强。
现有技术中，对量子态的测量数据处理获得保真度的时候，常借助量子比特处于两个已知的、不同的量子态时的量子比特读取信号对应的测量数据的空间分布特点去实现。但是数据处理过程中，往往因没有充分考虑两个已知的、不同的量子态的测量数据的真实分布情况，而导致所获得处理结果股不准确，进而影响保真度准确获得，降低保真度为量子测控和量子计算提供的参考性。
发明内容
本发明的目的是提供一种量子比特读取信号保真度的确定方法、装置，以解决现有技术中的不足，它能够提高量子比特读取信号保真度确定的准确度，以为量子测控和量子计算提供更加精确的参考。
本申请的一个实施例提供了一种量子比特读取信号保真度的确定方法，包括：
获得量子比特处于两个已知的、不同的量子态时的读取信号分别对应的测量数据；其中，所述测量数据是IQ坐标系的散点数据；
基于二维混合高斯模型对所有所述测量数据进行处理，获得所述二维混合高斯模型所包含的两个二维高斯模型各自的参数值；
根据所述参数值以及所述测量数据在IQ坐标系的空间分布特点，确定对应于各所述量子态的确定高斯模型；
根据所述量子态的测量数据满足对应所述确定高斯模型的程度确定对应所述量子比特读取信号的保真度。
如上所述的确定方法，其中，优选的是，所述获得量子比特处于两个已知的、不同的量子态时的读取信号分别对应的测量数据，包括：
分别获得量子比特处于两个已知的、不同的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。
如上所述的确定方法，其中，优选的是，所述参数值包括所述二维高斯模型的均值；
所述根据所述参数值以及所述测量数据在IQ坐标系的空间分布特点，确定对应于各所述量子态的确定高斯模型；包括：
确定落入一组所述测量数据分布空间的均值对应的二维高斯模型为对应所述量子态的确定高斯模型。
如上所述的确定方法，其中，优选的是，所述参数值包括所述二维高斯模型的权重、均值和协方差；
所述根据各所述量子态的测量数据满足对应所述确定高斯模型的程度确定对应所述量子比特读取信号的保真度，包括：
根据所述权重、所述均值和所述协方差确定各所述量子态的测量数据中满足对应所述确定高斯模型的测量数据为所述量子态的有效测量数据；
确定所述有效测量数据与对应所述测量数据的比值为所述量子比特读取信号的保真度。
如上所述的确定方法，其中，优选的是，所述确定方法还包括：
确定各所述量子态的测量数据中不满足对应所述确定高斯模型的测量数据为所述量子态的无效测量数据；
基于一所述量子态的有效测量数据和另一所述量子态的无效测量数据的结合确定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。
如上所述的确定方法，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。
如上所述的确定方法，其中，优选的是，所述确定方法还包括：
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。
本申请的另一实施例提供了一种量子比特读取信号保真度的确定装置，包括：
第一获得模块，用于获得量子比特处于两个已知的、不同的量子态时的读取信号分别对应的测量数据；其中，所述测量数据是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，获得所述二维混合高斯模型所包含的两个二维高斯模型各自的参数值；
第一确定模块，用于根据所述参数值以及所述测量数据在IQ坐标系的空间分布特点，确定对应于各所述量子态的确定高斯模型；
第二确定模块，用于根据各所述量子态的测量数据满足对应所述确定高斯模型的程度确定对应读取信号的保真度。
本申请的再一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，本申请由于两个已知的、不同的量子态时的读取信号分别对应的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，以保证对满足每一个二维高斯模型的数据的准确描述，进而提高数据处理结果，例如：每种基态对应的测量数据的分布中心、分布范围、空间分布特点，的准确性和合理性。数据处理结果的准确性和合理性反映在获得所述二维混合高斯模型所包含的两个二维高斯模型各自的参数值中，然后基于所述参数值以及所述测量数据在IQ坐标系的空间分布特点，确定对应于各所述量子态的确定高斯模型；根据所述量子态的测量数据满足对应所述确定高斯模型的程度确定对应所述量子比特读取信号的保真度。保真度的获取整体基于更科学合理的二维高斯模型的参数值进行，而二维高斯模型的参数值通过二维混合高斯模型处理所有测量数据获得，本身准确度是可以得到提高，所以整体提高了保真度的准确性和可参考性。
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比特读取信号保真度的确定方法的流程示意图；
图3是本申请的另一种实施例提供的一种量子比特读取信号保真度的确定方法的流程示意图；
图4是本申请的另一种实施例提供的一种种量子比特读取信号保真度的确定装置的结构示意图。
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，仅用于解释本发明，而不能解释为对本发明的限制。
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量子比特读取信号的保真度，保真度作为表征电子设备输出再现输入信号的相似程度的参数，在量子测控和量子计算领域，保真度越准确，可为量子测控和量子计算提供的参考性越强。
现有技术中，对量子态的测量数据处理获得保真度的时候，常借助量子比特处于两个已知的、不同的量子态(即基态)时的量子比特读取信号对应的测量数据的空间分布特点去实现。但是数据处理过程中，往往因没有充分考虑两个已知的、不同的量子态的测量数据的真实分布情况，而导致所获得的处理结果不准确，进而影响保真度准确获得，降低保真度为量子测控和量子计算提供的参考性。
理论上，二能级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|1>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，若直接采用上述的K-means均值聚类法或者常采用的额均值法、或直接对每组测量数据进行高斯拟合获得每组测量数据的中心点坐标，并基于中心点坐标获得用于测量数据分类的分割线，然后基于测量数据与分割线的关系确定保真度，将大大降低保真度的准确性和可靠性。
基于以上问题，参阅图2所示的量子比特读取信号保真度的确定方法的流程示意图，本申请的实施例提供了一种量子比特读取信号保真度的确定方法，包括：
步骤S1，获得量子比特处于两个已知的、不同的量子态时的读取信号分别对应的测量数据；其中，所述测量数据是IQ坐标系的散点数据。
需要说明的是，本实施例中，两个已知的、不同的量子态即二能级量子比特的两个基态。
步骤S2，基于二维混合高斯模型对所有所述测量数据进行处理，获得所述二维混合高斯模型所包含的两个二维高斯模型各自的参数值。
需要说明的是，二维混合高斯模型是通过一定的权重将两个二维高斯模型融合成一个模型，以保证对满足每一个二维高斯模型的数据的准确描述。在本申请中，基于二维混合高斯模型对所有所述测量数据进行处理，可以提高数据处理结果，例如：每种基态对应的测量数据的分布中心、分布范围、空间分布特点，的准确性和合理性。
基于二维混合高斯模型对所有所述测量数据进行处理可以通过构建二维混合高斯模型的概率密度函数，并求解该二维混合高斯模型的概率密度函数实现。
具体的，构建的二维混合高斯模型的概率密度函数可以如下：
其中，K代表基于所有测量数据的二维混合高斯模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表示所述任一测量数据，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：
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。
求解该二维混合高斯模型的概率密度函数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。
步骤S3，根据所述参数值以及所述测量数据在IQ坐标系的空间分布特点，确定对应于各所述量子态的确定高斯模型；
步骤S4，根据所述量子态的测量数据满足对应所述确定高斯模型的程度确定对应所述量子比特读取信号的保真度。
在步骤S1至步骤S4中，由于两个已知的、不同的量子态时的读取信号分别对应的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，以保证对满足每一个二维高斯模型的数据的准确描述，进而提高数据处理结果，例如：每种基态对应的测量数据的分布中心、分布范围、空间分布特点，的准确性和合理性。数据处理结果的准确性和合理性反映在获得所述二维混合高斯模型所包含的两个二维高斯模型各自的参数值中，然后基于所述参数值以及所述测量数据在IQ坐标系的空间分布特点，确定对应于各所述量子态的确定高斯模型；根据所述量子态的测量数据满足对应所述确定高斯模型的程度确定对应所述量子比特读取信号的保真度。保真度的获取整体基于更科学合理的二维高斯模型的参数值进行，而二维高斯模型的参数值通过二维混合高斯模型处理所有测量数据获得，本身准确度是可以得到提高的，所以整体提高了保真度的准确性和可参考性。
在本实施例实施的时候，其中，步骤S1中所述所述获得量子比特处于两个已知的、不同的量子态时的读取信号分别对应的测量数据，可以包括：
步骤S11，分别获得量子比特处于两个已知的、不同的量子态时的多个量子比特原始读取信号。
步骤S12，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：
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
积分过程为
积分结果信号即包含量子比特状态信息的复信号。
步骤S13，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：
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。
在本实施例实施的时候，所述参数值可以包括所述二维高斯模型的均值；此时步骤S3中所述根据所述参数值以及所述测量数据在IQ坐标系的空间分布特点，确定对应于各所述量子态的确定高斯模型；可以包括：
步骤S31，确定落入一组所述测量数据分布空间的均值对应的二维高斯模型为对应所述量子态的确定高斯模型。
具体的，所述测量数据在IQ坐标系具有一定的空间分布特点，均值作为一个数据，在IQ坐标系也呈现一定的空间分布，因此可以通过确定一均值在IQ坐标系中落入哪组测量数据所在的空间，来认定该均值对应的高斯模型为该组测量数据的确定高斯模型，该确定高斯模型即为产生该组测量数据的量子态对应的确定高斯模型，进而确定了量子态对应的高斯模型，该高斯模型是参数值确定的模型。
需要说明的是，当存在|2>态以及以上的高激发态，得到的二维混合高斯模型所包含的二维高斯模型的数量增多，可以根据每个二维高斯模型的均值和测量数据的空间分布特点，确定该均值所对应的二维高斯模型所对应的量子态。举例来说，制备在|0>态的量子比特的测量数据大部分分布在|0>态，其次一部分分布在|1>态，再其次一部分分布在|2>态，依次类推，分布比重应该是依次降低的，且分布位置是距离|0>态所对应的二维高斯模型的中心位置依次变远的。本实施例在保真度计算过程中虽然仅以不存在|2>态及以上高激发态的情况展开的，但是本领域技术人员人员可知道，存在|2>态及以上高激发态的情况亦可以通过本实施例进行实施。
在本实施例实施的时候，所述参数值也可以包括所述二维高斯模型的权重、均值和协方差；此时，步骤S4中所述根据各所述量子态的测量数据满足对应所述确定高斯模型的程度确定对应所述量子比特读取信号的保真度，可以包括：
步骤S41，根据所述权重、所述均值和所述协方差确定各所述量子态的测量数据中满足对应所述确定高斯模型的测量数据为所述量子态的有效测量数据。
具体的，二维高斯模型可以通过权重、均值和协方差来描述，周知的，高斯模型服从高斯分布，高斯分布又名正态分布，对一个随机变量如何检验其是否符合正态分布，网络公开多种方法，比如雅克-贝拉检验、Shaoiro-wi lk夏皮洛-威尔克检验等，这些方法的展开可以借助编程例如MATLAB编程等实现，是本领域技术人员能够实现的，在此不在赘述。
依次确定对应每一量子态的所有测量数据是否满足对应的确定高斯模型，如果满足，则确定该测量数据为有效测量数据，也可记录该有效测量数据为第一类量子态标签数据，第一类量子态标签数据所标指的量子态类型与产生该组测量数据制备的量子态类型一致。例如产生该组测量数据制备的量子态类型为|0>态，则第一类量子态标签数据所标指的量子态类型|0>态。
可以进一步，如果不满足，则确定该测量数据为无效测量数据，也可记录该无效测量数据为第二类量子态标签数据，第二类量子态标签数据所标指的量子态类型与产生该组测量数据制备的量子态类型不同。例如产生该组测量数据制备的量子态类型为|0>态，则第二类量子态标签数据所标指的量子态类型|1>态。
步骤S42，确定所述有效测量数据与对应所述测量数据的比值为所述量子比特读取信号的保真度。
示例性的，产生一组测量数据制备的量子态类型为|0>态，该组测量数据共1000组，通过确认得知，该组测量测量数据中标指为|0>态的测量数据共960组，该组测量测量数据中标指为|1>态的测量数据共40组，则所述量子比特读取信号的保真度为96％。
同样，对另一组测量数据也可以通过同样操作，获得其保真度，在此不在赘述。
参阅图3所示的本申请另一实施例提供的确定方法流程示意图，在该实施例中，该确定方法还可以包括：
步骤S5，确定各所述量子态的测量数据中不满足对应所述确定高斯模型的测量数据为所述量子态的无效测量数据。
具体的，依次确定对应每一量子态的所有测量数据是否满足对应的确定高斯模型，如果满足，则确定该测量数据为有效测量数据，也可记录该有效测量数据为第一类量子态标签数据，第一类量子态标签数据所标指的量子态类型与产生该组测量数据制备的量子态类型一致。例如产生该组测量数据制备的量子态类型为|0>态，则第一类量子态标签数据所标指的量子态类型|0>态。
可以进一步，如果不满足，则确定该测量数据为无效测量数据，也可记录该无效测量数据为第二类量子态标签数据，第二类量子态标签数据所标指的量子态类型与产生该组测量数据制备的量子态类型不同。例如产生该组测量数据制备的量子态类型为|0>态，则第二类量子态标签数据所标指的量子态类型|1>态。
步骤S6，基于一所述量子态的有效测量数据和另一所述量子态的无效测量数据的结合确定第一量子态标签数据和第二量子态标签数据。
具体的，把制备的量子态类型为|0>态的一组测量数据中的第一类量子态标签数据(即一所述量子态的有效测量数据)和制备的量子态类型为|0>态的一组测量数据中的第二类量子态标签数据(即另一所述量子态的无效测量数据)结合起来形成所有测量数据中标指|0>态的测量数据，并记为第一量子态标签数据。
同时，把制备的量子态类型为|0>态的一组测量数据中的第二类量子态标签数据(即一所述量子态的无效测量数据)和制备的量子态类型为|0>态的一组测量数据中的第一类量子态标签数据(即一所述量子态的有效测量数据)结合起来形成所有测量数据中标指|0>态的测量数据，并记为第二量子态标签数据。
步骤S7，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。
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。
而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，若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，可以提高量子态判断结果的准确性。
为了实现量子态判别模型的应用，继续参阅图3所示的本申请另一实施例提供的确定方法流程示意图，在该实施例中，该确定方法还可以包括：
步骤S8，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。该过程即量子态判别模型的应用过程，该判别模型的应用可以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。
本实施例由于两个已知的、不同的量子态时的读取信号分别对应的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，以保证对满足每一个二维高斯模型的数据的准确描述，进而提高数据处理结果，例如：每种基态对应的测量数据的分布中心、分布范围、空间分布特点，的准确性和合理性。
数据处理结果的准确性和合理性反映在获得所述二维混合高斯模型所包含的两个二维高斯模型各自的参数值中，然后基于所述参数值以及所述测量数据在IQ坐标系的空间分布特点，确定对应于各所述量子态的确定高斯模型；然后确定各所述量子态的测量数据中满足对应所述确定高斯模型的测量数据为所述量子态的有效测量数据。确定各所述量子态的测量数据中不满足对应所述确定高斯模型的测量数据为所述量子态的无效测量数据，通过有效测量数据和无效测量数据的确定，实现了测量数据的按标签分类，并得到第一量子态标签数据和第二量子态标签数据，然后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。
该过程通过有效测量数据和无效测量数据的确定，规范和准确了第一量子态标签数据和所述第二量子态标签数据的数据来源，即增加了第一量子态标签数据和所述第二量子态标签数据数据来源的准确性，基于此得到的判别模型准确度也得以提高。
如图4所示，本申请的另一种实施例提供了一种量子比特读取信号保真度的确定装置，包括：
第一获得模块11，用于获得量子比特处于两个已知的、不同的量子态时的读取信号分别对应的测量数据；其中，所述测量数据是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，获得所述二维混合高斯模型所包含的两个二维高斯模型各自的参数值；
第一确定模块13，用于根据所述参数值以及所述测量数据在IQ坐标系的空间分布特点，确定对应于各所述量子态的确定高斯模型；
第二确定模块14，用于根据各所述量子态的测量数据满足对应所述确定高斯模型的程度确定对应读取信号的保真度。
本实施例中，由于两个已知的、不同的量子态时的读取信号分别对应的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，以保证对满足每一个二维高斯模型的数据的准确描述，进而提高数据处理结果，例如：每种基态对应的测量数据的分布中心、分布范围、空间分布特点，的准确性和合理性。
数据处理结果的准确性和合理性反映在获得所述二维混合高斯模型所包含的两个二维高斯模型各自的参数值中，然后基于所述参数值以及所述测量数据在IQ坐标系的空间分布特点，确定对应于各所述量子态的确定高斯模型；根据所述量子态的测量数据满足对应所述确定高斯模型的程度确定对应所述量子比特读取信号的保真度。
保真度的获取整体基于更科学合理的二维高斯模型的参数值进行，而二维高斯模型的参数值通过二维混合高斯模型处理所有测量数据获得，本身准确度是可以得到提高的，所以整体提高了保真度的准确性和可参考性。
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所述下述的方法。
步骤S1，获得量子比特处于两个已知的、不同的量子态时的读取信号分别对应的测量数据；其中，所述测量数据是IQ坐标系的散点数据；
步骤S2，基于二维混合高斯模型对所有所述测量数据进行处理，获得所述二维混合高斯模型所包含的两个二维高斯模型各自的参数值；
步骤S3，根据所述参数值以及所述测量数据在IQ坐标系的空间分布特点，确定对应于各所述量子态的确定高斯模型；
步骤S4，根据所述量子态的测量数据满足对应所述确定高斯模型的程度确定对应所述量子比特读取信号的保真度。
本实施例中，由于两个已知的、不同的量子态时的读取信号分别对应的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，以保证对满足每一个二维高斯模型的数据的准确描述，进而提高数据处理结果，例如：每种基态对应的测量数据的分布中心、分布范围、空间分布特点，的准确性和合理性。数据处理结果的准确性和合理性反映在获得所述二维混合高斯模型所包含的两个二维高斯模型各自的参数值中，然后基于所述参数值以及所述测量数据在IQ坐标系的空间分布特点，确定对应于各所述量子态的确定高斯模型；根据所述量子态的测量数据满足对应所述确定高斯模型的程度确定对应所述量子比特读取信号的保真度。保真度的获取整体基于更科学合理的二维高斯模型的参数值进行，而二维高斯模型的参数值通过二维混合高斯模型处理所有测量数据获得，本身准确度是可以得到提高的，所以整体提高了保真度的准确性和可参考性。
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，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下述的方法。
步骤S1，获得量子比特处于两个已知的、不同的量子态时的读取信号分别对应的测量数据；其中，所述测量数据是IQ坐标系的散点数据；
步骤S2，基于二维混合高斯模型对所有所述测量数据进行处理，获得所述二维混合高斯模型所包含的两个二维高斯模型各自的参数值；
步骤S3，根据所述参数值以及所述测量数据在IQ坐标系的空间分布特点，确定对应于各所述量子态的确定高斯模型；
步骤S4，根据所述量子态的测量数据满足对应所述确定高斯模型的程度确定对应所述量子比特读取信号的保真度。
本实施例中，由于两个已知的、不同的量子态时的读取信号分别对应的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，以保证对满足每一个二维高斯模型的数据的准确描述，进而提高数据处理结果，例如：每种基态对应的测量数据的分布中心、分布范围、空间分布特点，的准确性和合理性。数据处理结果的准确性和合理性反映在获得所述二维混合高斯模型所包含的两个二维高斯模型各自的参数值中，然后基于所述参数值以及所述测量数据在IQ坐标系的空间分布特点，确定对应于各所述量子态的确定高斯模型；根据所述量子态的测量数据满足对应所述确定高斯模型的程度确定对应所述量子比特读取信号的保真度。保真度的获取整体基于更科学合理的二维高斯模型的参数值进行，而二维高斯模型的参数值通过二维混合高斯模型处理所有测量数据获得，本身准确度是可以得到保证的，所以整体提高了保真度的准确性和可参考性。
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发明的构造、特征及作用效果，以上所述仅为本发明的较佳实施例，但本发明不以图面所示限定实施范围，凡是依照本发明的构想所作的改变，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，均应在本发明的保护范围内。
Claims (10)
1.一种量子比特读取信号保真度的确定方法，其特征在于，包括：
获得量子比特处于两个已知的、不同的量子态时的读取信号分别对应的测量数据；其中，所述测量数据是IQ坐标系的散点数据；
基于二维混合高斯模型对所有所述测量数据进行处理，获得所述二维混合高斯模型所包含的两个二维高斯模型各自的参数值；
根据所述参数值以及所述测量数据在IQ坐标系的空间分布特点，确定对应于各所述量子态的确定高斯模型；
根据所述量子态的测量数据满足对应所述确定高斯模型的程度确定对应所述量子比特读取信号的保真度。
2.根据权利要求1所述的确定方法，其特征在于：所述获得量子比特处于两个已知的、不同的量子态时的读取信号分别对应的测量数据，包括：
分别获得量子比特处于两个已知的、不同的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所述的确定方法，其特征在于：所述参数值包括所述二维高斯模型的均值；
所述根据所述参数值以及所述测量数据在IQ坐标系的空间分布特点，确定对应于各所述量子态的确定高斯模型；包括：
确定落入一组所述测量数据分布空间的均值对应的二维高斯模型为对应所述量子态的确定高斯模型。
4.根据权利要求1所述的确定方法，其特征在于：所述参数值包括所述二维高斯模型的权重、均值和协方差；
所述根据各所述量子态的测量数据满足对应所述确定高斯模型的程度确定对应所述量子比特读取信号的保真度，包括：
根据所述权重、所述均值和所述协方差确定各所述量子态的测量数据中满足对应所述确定高斯模型的测量数据为所述量子态的有效测量数据；
确定所述有效测量数据与对应所述测量数据的比值为所述量子比特读取信号的保真度。
5.根据权利要求4所述的确定方法，其特征在于：所述确定方法还包括：
确定各所述量子态的测量数据中不满足对应所述确定高斯模型的测量数据为所述量子态的无效测量数据；
基于一所述量子态的有效测量数据和另一所述量子态的无效测量数据的结合确定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。
6.根据权利要求5所述的确定方法，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。
7.根据权利要求5所述的确定方法，其特征在于，所述确定方法还包括：
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。
8.一种量子比特读取信号保真度的确定装置，其特征在于，包括：
第一获得模块，用于获得量子比特处于两个已知的、不同的量子态时的读取信号分别对应的测量数据；其中，所述测量数据是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，获得所述二维混合高斯模型所包含的两个二维高斯模型各自的参数值；
第一确定模块，用于根据所述参数值以及所述测量数据在IQ坐标系的空间分布特点，确定对应于各所述量子态的确定高斯模型；
第二确定模块，用于根据各所述量子态的测量数据满足对应所述确定高斯模型的程度确定对应读取信号的保真度。
9.一种存储介质，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7任一项中所述的方法。
10.一种电子装置，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7任一项中所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010245081.7A CN111369003B (zh) | 2020-03-31 | 2020-03-31 | 一种量子比特读取信号保真度的确定方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010245081.7A CN111369003B (zh) | 2020-03-31 | 2020-03-31 | 一种量子比特读取信号保真度的确定方法、装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111369003A true CN111369003A (zh) | 2020-07-03 |
| CN111369003B CN111369003B (zh) | 2023-04-25 |
Family
ID=71212152
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010245081.7A Active CN111369003B (zh) | 2020-03-31 | 2020-03-31 | 一种量子比特读取信号保真度的确定方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111369003B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113052317A (zh) * | 2021-03-09 | 2021-06-29 | 合肥本源量子计算科技有限责任公司 | 量子态信息的获取方法和装置、量子测控系统和计算机 |
| CN115146781A (zh) * | 2022-09-01 | 2022-10-04 | 合肥本源量子计算科技有限责任公司 | 联合读取信号的参数获取方法、装置及量子控制系统 |
| CN115545204A (zh) * | 2021-06-30 | 2022-12-30 | 合肥本源量子计算科技有限责任公司 | 多量子比特测量结果的确定方法、确定装置及量子计算机 |
| CN115600678A (zh) * | 2021-07-09 | 2023-01-13 | 合肥本源量子计算科技有限责任公司（Cn） | 量子比特读取信号的优化方法、装置、以及量子计算机 |
| WO2023125216A1 (zh) * | 2021-12-27 | 2023-07-06 | 合肥本源量子计算科技有限责任公司 | 多量子比特测量结果的确定方法、确定装置及量子计算机 |
| CN117591947A (zh) * | 2024-01-18 | 2024-02-23 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种基于变分量子核的量子支持向量机的数据分类方法 |
| WO2024046115A1 (zh) * | 2022-08-31 | 2024-03-07 | 本源量子计算科技（合肥）股份有限公司 | 量子比特联合读取信号的优化方法、装置、量子控制系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104462850A (zh) * | 2014-12-25 | 2015-03-25 | 江南大学 | 基于模糊高斯混合模型的多阶段间歇过程软测量方法 |
| US20170286858A1 (en) * | 2016-03-31 | 2017-10-05 | Board Of Regents, The University Of Texas System | System and method for emulation of a quantum computer |
| US20180294961A1 (en) * | 2017-04-06 | 2018-10-11 | Shanxi University | One-dimensional modulation continuous-variable quantum key distribution method |
| CN108765350A (zh) * | 2018-05-31 | 2018-11-06 | 北京空间机电研究所 | 一种面向航天光学遥感图像量子化滤波方法 |
| 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 |
| 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 |
| CN110705711A (zh) * | 2019-09-17 | 2020-01-17 | 合肥本源量子计算科技有限责任公司 | 一种量子态信息降维编码方法及装置 |
-
2020
- 2020-03-31 CN CN202010245081.7A patent/CN111369003B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104462850A (zh) * | 2014-12-25 | 2015-03-25 | 江南大学 | 基于模糊高斯混合模型的多阶段间歇过程软测量方法 |
| US20170286858A1 (en) * | 2016-03-31 | 2017-10-05 | Board Of Regents, The University Of Texas System | System and method for emulation of a quantum computer |
| US20180294961A1 (en) * | 2017-04-06 | 2018-10-11 | Shanxi University | One-dimensional modulation continuous-variable quantum key distribution method |
| CN108765350A (zh) * | 2018-05-31 | 2018-11-06 | 北京空间机电研究所 | 一种面向航天光学遥感图像量子化滤波方法 |
| 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 |
| 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 |
| CN110705711A (zh) * | 2019-09-17 | 2020-01-17 | 合肥本源量子计算科技有限责任公司 | 一种量子态信息降维编码方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 张海龙;翟淑琴;刘奎;张俊香;郜江瑞;: "可用于实际测量的连续变量高斯混态保真度" * |
| 李生好;伍小兵;黄崇富;范奇恒;: "二维3态Potts量子系统的保真度与序参量" * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113052317A (zh) * | 2021-03-09 | 2021-06-29 | 合肥本源量子计算科技有限责任公司 | 量子态信息的获取方法和装置、量子测控系统和计算机 |
| CN113052317B (zh) * | 2021-03-09 | 2023-10-13 | 本源量子计算科技（合肥）股份有限公司 | 量子态信息的获取方法和装置、量子测控系统和计算机 |
| CN115545204A (zh) * | 2021-06-30 | 2022-12-30 | 合肥本源量子计算科技有限责任公司 | 多量子比特测量结果的确定方法、确定装置及量子计算机 |
| CN115545204B (zh) * | 2021-06-30 | 2023-12-12 | 本源量子计算科技（合肥）股份有限公司 | 多量子比特测量结果的确定方法、确定装置及量子计算机 |
| CN115600678A (zh) * | 2021-07-09 | 2023-01-13 | 合肥本源量子计算科技有限责任公司（Cn） | 量子比特读取信号的优化方法、装置、以及量子计算机 |
| CN115600678B (zh) * | 2021-07-09 | 2024-04-05 | 本源量子计算科技（合肥）股份有限公司 | 量子比特读取信号的优化方法、装置、以及量子计算机 |
| WO2023125216A1 (zh) * | 2021-12-27 | 2023-07-06 | 合肥本源量子计算科技有限责任公司 | 多量子比特测量结果的确定方法、确定装置及量子计算机 |
| WO2024046115A1 (zh) * | 2022-08-31 | 2024-03-07 | 本源量子计算科技（合肥）股份有限公司 | 量子比特联合读取信号的优化方法、装置、量子控制系统 |
| CN115146781A (zh) * | 2022-09-01 | 2022-10-04 | 合肥本源量子计算科技有限责任公司 | 联合读取信号的参数获取方法、装置及量子控制系统 |
| CN115146781B (zh) * | 2022-09-01 | 2022-12-06 | 合肥本源量子计算科技有限责任公司 | 联合读取信号的参数获取方法、装置及量子控制系统 |
| CN117591947A (zh) * | 2024-01-18 | 2024-02-23 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种基于变分量子核的量子支持向量机的数据分类方法 |
| CN117591947B (zh) * | 2024-01-18 | 2024-04-09 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种基于变分量子核的量子支持向量机的数据分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111369003B (zh) | 2023-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111369003A (zh) | 一种量子比特读取信号保真度的确定方法、装置 | |
| Chen et al. | Spectral methods for data science: A statistical perspective | |
| Lodha et al. | Aerial LiDAR data classification using support vector machines (SVM) | |
| CN111581046A (zh) | 数据异常检测方法、装置、电子设备及存储介质 | |
| CN111353607B (zh) | 一种量子态判别模型的获得方法、装置 | |
| CN110188763B (zh) | 一种基于改进图模型的图像显著性检测方法 | |
| CN111914903B (zh) | 一种基于外分布样本检测的广义零样本目标分类方法、装置及相关设备 | |
| Han et al. | DBSCAN optimization for improving marine trajectory clustering and anomaly detection | |
| CN111222638A (zh) | 一种基于神经网络的网络异常检测方法及装置 | |
| CN116132104A (zh) | 基于改进cnn-lstm的入侵检测方法、系统、设备及介质 | |
| Somanchi et al. | Discovering anomalous patterns in large digital pathology images | |
| CN112735536A (zh) | 一种基于子空间随机化单细胞集成聚类方法 | |
| CN116610831A (zh) | 语义细分及模态对齐推理学习跨模态检索方法及检索系统 | |
| Yuan et al. | Point cloud clustering and outlier detection based on spatial neighbor connected region labeling | |
| CN112418256A (zh) | 分类、模型训练、信息搜索方法、系统及设备 | |
| Fujiwara et al. | Fast similarity computation for t-SNE | |
| CN117710745A (zh) | 一种基于证据多视角核化的目标分类方法及装置 | |
| CN113822144A (zh) | 一种目标检测方法、装置、计算机设备和存储介质 | |
| Fisch et al. | In your interest-objective interestingness measures for a generative classifier | |
| Molina-Cabello et al. | Foreground object detection for video surveillance by fuzzy logic based estimation of pixel illumination states | |
| CN111428741B (zh) | 网络社区的发现方法、装置、电子设备及可读存储介质 | |
| Priam | Symmetric Generative Methods and tSNE: A Short Survey. | |
| Osuna-Galán et al. | Topology: A theory of a pseudometric-based clustering model and its application in content-based image retrieval | |
| Pedergnana et al. | A novel supervised feature selection technique based on genetic algorithms | |
| Zhang et al. | Image segmentation by selecting eigenvectors based on extended information entropy |
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 |