CN111369004A - 量子逻辑门的优化方法、存储介质和计算机设备 - Google Patents
量子逻辑门的优化方法、存储介质和计算机设备 Download PDFInfo
- Publication number
- CN111369004A CN111369004A CN202010304129.7A CN202010304129A CN111369004A CN 111369004 A CN111369004 A CN 111369004A CN 202010304129 A CN202010304129 A CN 202010304129A CN 111369004 A CN111369004 A CN 111369004A
- Authority
- CN
- China
- Prior art keywords
- signal data
- evaluation parameters
- signal
- logic gate
- evaluation
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000011156 evaluation Methods 0.000 claims abstract description 144
- 238000005070 sampling Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000008602 contraction Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 8
- 238000013139 quantization Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 239000002096 quantum dot Substances 0.000 description 2
- 230000005477 standard model Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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)
- Tests Of Electronic Circuits (AREA)
Abstract
本发明公开了一种量子逻辑门的优化方法、存储介质和计算机设备，优化方法包括以下步骤：获取在待优化量子逻辑门对应的控制波形的脉冲持续时间内的第一采样信号；根据第一采样信号生成N个第一模拟信号；对第一采样信号和各第一模拟信号共N+1个信号数据均进行性能评估，以获得各信号数据分别对应的N+1个评估参数；基于Neder‑Mead优化算法对N+1个信号数据和N+1个评估参数进行处理，以获得优化信号数据，并将优化信号数据作为优化后量子逻辑门对应的控制波形。该优化方法能够实现对控制波形脉冲幅度的优化，进而当优化后的控制波形用于量子芯片时，能够提高量子芯片的性能减少量子算法的控制复杂度。
Description
技术领域
本发明涉及量子技术领域，特别涉及一种量子逻辑门的优化方法、存储介质和计算机设备。
背景技术
在量子比特操控中，通过施加经过调制的脉冲信号实现量子逻辑门操作。为实现量子算法，每个量子比特都需要一组数量为M的脉冲信号，其中每个特定脉冲信号对应一种量子逻辑门操作。量子芯片的性能在很大程度上由脉冲信号决定，因此，如何对脉冲信号进行优化，以提高量子芯片的性能，很有研究意义。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的第一个目的在于提出一种量子逻辑门的优化方法，以实现对控制波形脉冲幅度的优化，提高量子芯片的性能，减少量子算法的控制复杂度。
本发明的第二个目的在于提出一种计算机可读存储介质。
本发明的第三个目的在于提出一种计算机设备。
为达到上述目的，本发明第一方面实施例提出了一种量子逻辑门的优化方法，其包括以下步骤：获取在待优化量子逻辑门对应的控制波形的脉冲持续时间内的第一采样信号；根据所述第一采样信号生成N个第一模拟信号，其中，所述第一模拟信号和所述第一采样信号具有同样的精度和幅度区间，N为所述第一采样信号的维度，且各所述第一模拟信号的维度也为N，N为正整数；对所述第一采样信号和各所述第一模拟信号共N+1个信号数据均进行性能评估，以获得各所述信号数据分别对应的N+1个评估参数；基于Neder-Mead优化算法对所述N+1个信号数据和所述N+1个评估参数进行处理，以获得优化信号数据，并将所述优化信号数据作为优化后量子逻辑门对应的控制波形。
根据本发明实施例的量子逻辑门的优化方法，首先基于在待优化量子逻辑门对应的控制波形的脉冲持续时间内的第一采样信号生成N个第一模拟信号，然后分别对所述第一采样信号和各所述第一模拟信号共N+1个信号数据均进行性能评估，以获得各所述信号数据分别对应的N+1个评估参数，进而基于Neder-Mead优化算法对所述N+1个信号数据和所述N+1个评估参数进行处理，以获得优化信号数据，并将所述优化信号数据作为优化后量子逻辑门对应的控制波形。该优化方法实现对控制波形脉冲幅度的优化，进而当优化后的控制波形用于量子芯片时，能够提高量子芯片的性能减少量子算法的控制复杂度。
根据本发明的一个实施例，根据所述第一采样信号生成第一模拟信号，包括：利用随机数生成模拟实际硬件线路的畸变影响的第一扰动信号，其中，所述第一扰动信号的维度为N，所述第一扰动信号的幅度与所述第一采样信号的精度具有相同量级；利用所述第一采样信号与所述第一扰动信号生成所述第一模拟信号。
根据本发明的一个实施例，在所述根据所述第一采样信号生成第一模拟信号之前，还包括：处理所述第一采样信号对应的信号数据，使其具有设定精度且其幅度位于设定区间，其中，所述设定精度和所述设定区间由所述实际硬件线路决定。
根据本发明的一个实施例，在所述利用所述第一采样信号与所述第一扰动信号生成所述第一模拟信号之后，还包括：判断所述第一模拟信号与所述第一采样信号是否具有同样的精度和幅度区间；若是，则继续返回执行利用随机数生成模拟所述实际硬件线路的畸变影响的第一扰动信号的步骤，以生成下一个所述第一模拟信号；若否，则继续返回执行利用随机数生成模拟所述实际硬件线路的畸变影响的第一扰动信号的步骤，以更新当前生成的所述第一模拟信号。
根据本发明的一个实施例，所述信号数据记为自变量xn，其中，n＝0,1,2,…,N，所述评估参数记为f(xn)，其中，基于Neder-Mead优化算法对N+1个自变量和所述N+1个评估参数进行优化处理，以获得优化信号数据，包括：
B1，判断所述N+1个评估参数中的最小值是否小于预设阈值；
B2，如果所述N+1个评估参数中的最小值大于或者等于所述预设阈值，则舍弃所述N+1个评估参数中的最大值及其对应的自变量，并计算剩余的N个自变量的平均值；
B3，根据所述平均值计算反射点信号数据xr，其中，xr＝xcenter+a*(xcenter-xm)，xcenter为所述平均值，xm为所述N+1个评估参数中的最大值对应的自变量，a为预设参数，且a＞0；
B4，对所述反射点信号数据xr进行性能评估，得到对应的评估参数f(xr)；
B5，判断f(xr)是否小于所述预设阈值；
B6，如果f(xr)小于所述预设阈值，则将所述反射点信号数据xr作为所述优化信号数据。
根据本发明的一个实施例，所述基于Neder-Mead优化算法对所述N+1个自变量和所述N+1个评估参数进行优化处理，以获得优化信号数据，还包括：
B7，如果f(xr)大于或者等于所述预设阈值，则判断f(xr)是否大于或者等于剩余的N个评估参数中的最小值，且小于剩余的N个评估参数中的最大值；
B8，如果f(xr)大于或者等于所述剩余的N个评估参数中的最小值，且小于所述剩余的N个评估参数中的最大值，则将所述反射点信号数据xr与所述剩余的N个自变量组成N+1个自变量，将f(xr)与所述剩余的N个评估参数组成N+1个评估参数，并返回步骤B1；
如果f(xr)小于所述剩余的N个评估参数中的最小值，则计算膨胀点信号数据xe，执行步骤B9，其中，xe＝xcenter+b*(xr-xcenter)，b为预设参数，且b＞1；
如果f(xr)大于或者等于所述剩余的N个评估参数中的最大值，则计算收缩点信号数据xc，执行步骤B12，其中，xc＝xcenter+b*(xr-xcenter)，c为预设参数，且0＜c≤0.5；
B9，对所述膨胀点信号数据xe进行性能评估，得到对应的评估参数f(xe)；
B10，判断f(xe)是否小于所述预设阈值；
B11，如果f(xe)小于所述预设阈值，则将所述膨胀点信号数据xe作为所述优化信号数据；
B12，对所述收缩点xc进行性能评估，得到对应的评估参数f(xc)；
B13，判断f(xc)是否小于所述预设阈值；
B14，如果f(xc)小于所述预设阈值，则将xc作为所述优化信号数据。
根据本发明的一个实施例，基于Neder-Mead优化算法对所述N+1个自变量和所述N+1个评估参数进行优化处理，以获得优化信号数据，还包括：如果f(xe)大于或者等于所述预设阈值，则判断f(xe)是否小于f(xr)；如果f(xe)小于f(xr)，则舍弃所述剩余的N个评估参数中的最大值及其对应的自变量，并将xe、xr与剩余的N-1个自变量组成N+1个自变量，将f(xe)、f(xr)与剩余的N-1个评估参数组成N+1个评估参数，并返回步骤B1，如果f(xe)大于或者等于f(xr)，则将xr与所述剩余的N个自变量组成N+1个自变量，将f(xr)与所述剩余的N个评估参数组成N+1个评估参数，并返回步骤B1。
根据本发明的一个实施例，基于Neder-Mead优化算法对所述N+1个自变量和所述N+1个评估参数进行优化处理，以获得优化信号数据，还包括：如果f(xc)大于或者等于所述预设阈值，则判断f(xc)是否小于初始的N+1个评估参数中的最大值；如果f(xc)小于初始的N+1个评估参数中的最大值，则将xc与所述剩余的N个自变量组成N+1个自变量，将f(xc)与所述剩余的N个评估参数组成N+1个评估参数，并返回步骤B1；如果f(xc)大于或者等于初始的N+1个评估参数中的最大值，则对原始的N+1个自变量中除初始自变量x0之外的N个自变量进行收缩处理，收缩处理公式为xn＝x0+d*(xn-x0)，得到收缩后的N个自变量，其中，d为预设参数，且0＜d≤0.5；对所述收缩后的N个自变量分别进行性能评估，得到对应的N个评估参数，将x0与所述收缩后的N个自变量组成N+1个自变量，将f(x0)与所述收缩后的N个自变量对应的N个评估参数组成N+1个评估参数，并返回步骤B1。
根据本发明的一个实施例，在对所述反射点信号数据xr、所述膨胀点信号数据xe、收缩点信号数据xc进行性能评估之前，还包括：对所述反射点信号数据xr、所述膨胀点信号数据xe、收缩点信号数据xc均进行处理，以使所述反射点信号数据xr、所述膨胀点信号数据xe、所述收缩点信号数据xc均和所述第一模拟信号具有同样的精度和幅度区间。
根据本发明的一个实施例，所述预设阈值依据量子芯片的保真度理想参数设定。
根据本发明的一个实施例，所述对信号数据进行性能评估，以获得所述信号数据对应的评估参数，具体包括：将所述信号数据对应的控制脉冲分别施加到量子芯片，获得所述量子芯片的保真度测试参数，得到各所述信号数据的评估参数，其中，所述评估参数＝1-所述量子芯片的保真度测试参数。
为达到上述目的，本发明第二方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述实施例的量子逻辑门的优化方法。
本发明实施例的计算机可读存储介质，在其上存储的与上述实施例的优化方法对应的计算机程序被处理器执行时，能够实现对控制波形脉冲幅度的优化，进而当优化后的控制波形用于量子芯片时，能够提高量子芯片的性能，减少量子算法的控制复杂度。
为达到上述目的，本发明第三方面实施例提出了一种计算机设备，其包括存储器、处理器和存储在所述存储器上的计算机程序，所述计算机程序被处理器执行时，实现上述实施例的量子逻辑门的优化方法。
本发明实施例的计算机设备，在其存储器上存储的与上述实施例的优化方法对应的计算机程序被处理器执行时，能够实现对控制波形脉冲幅度的优化，进而当优化后的控制波形用于量子芯片时，能够提高量子芯片的性能，减少量子算法的控制复杂度。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1是本发明实施例的量子逻辑门的优化方法的流程图；
图2是本发明一个具体实施例的量子逻辑门的优化方法的流程图。
具体实施方式
对于施加在量子芯片上的量子逻辑门对应的控制波形参数，虽然给其赋予了一系列的标准模型，但是经过实际线路后对波形造成的畸变影响会使得标准模型失效，此时可采用纯数值且无梯度运算的优化算法对控制波形进行优化。为此，本发明提出了一种量子逻辑门的优化方法，首先将控制波形去模型化，将其视为一个多维向量，再使用Nelder-Mead优化算法对该向量的所有分量实施优化。其中，Nelder-Mead优化算法，通常也被称为“下山算法”，其可以在具有局部有效极值或者局部有效最值的多维参数空间内，通过“下山”的方法，快速地获得能够达到局部极值或最值的多维参数组合。
下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的量子逻辑门的优化方法、存储介质和计算机设备。
图1是本发明实施例的量子逻辑门的优化方法的流程图。
如图1所示，该量子逻辑门的优化方法包括以下步骤：
S1，获取在待优化量子逻辑门对应的控制波形的脉冲持续时间内的第一采样信号。
具体地，经过基本的量子逻辑门优化后，会得到了一个控制波形，该控制波形能够实现某个量子逻辑门操作的效果。但该控制波形并不是最理想的，故需对其进行修正。
假设待优化量子逻辑门对应的控制波形的脉冲持续时间为Tns，采样率是1.6GS/s，可得该控制波形的数据为长度N＝1.6*T的数组(即第一采样信号)，其中，数组中数值的限制范围是[-1,1]，需要说明的是，所述数值-1和1是根据所述控制波形的脉冲幅度设定。例如，单量子逻辑门控制波形结构为5ns pause time(停止时间)+30ns operation time(运行时间)+5ns pause time(停止时间)，一共40ns，则待优化的控制波形空间为1.6×40＝64维，即第一采样信号包括64维向量。
S2，根据第一采样信号生成N个第一模拟信号。
其中，第一模拟信号和第一采样信号具有同样的精度和幅度区间，N为第一采样信号的维度，且各第一模拟信号的维度也为N，N为正整数。
作为一个示例，根据第一采样信号生成第一模拟信号，可包括：利用随机数生成模拟实际硬件线路的畸变影响的第一扰动信号，其中，第一扰动信号的维度为N，第一扰动信号的幅度与第一采样信号的精度具有相同量级；利用第一采样信号与第一扰动信号生成第一模拟信号。
进一步地，在利用第一采样信号与第一扰动信号生成第一模拟信号之后，还可包括：判断第一模拟信号与第一采样信号是否具有同样的精度和幅度区间；若是，则继续返回执行利用随机数生成模拟实际硬件线路的畸变影响的第一扰动信号的步骤，以生成下一个第一模拟信号；若否，则继续返回执行利用随机数生成模拟实际硬件线路的畸变影响的第一扰动信号的步骤，以更新当前生成的第一模拟信号。
作为一个示例，在根据第一采样信号生成第一模拟信号之前，还可包括：处理第一采样信号对应的信号数据，使其具有设定精度且其幅度位于设定区间，其中，设定精度和设定区间由实际硬件线路决定。
在一个具体示例中，上述步骤S2可包括如下步骤A1～A6：
A1，对第一采样信号对应的信号数据进行量化处理，以使信号数据中所有所有量化处理后的数值均处于[-C,C-LSB]范围(即上述的设定区间)内，且具有最小量化间隔LSB(即上述的设定精度)，并将所有量化处理后的采样数值作为初始信号数据，可记为初始自变量x0，其中，C、LSB均为预设参数。
其中，直接采样得到的数值限制范围为[-1,1]，为了获取较好的优化效果，本发明进一步对第一采样信号中数值进行约束，具体限制范围是[-C,C-LSB]，且每个数值具有最小量化间隔LSB，C、LSB均为预设参数，其取值与产生控制波形的信号源的硬件精度有关，可为C＝1-2-5，LSB＝2-13。
根据Nelder-Mead优化算法要求，针对N维向量空间的优化，需要设置N+1个信号数据。基于步骤A1的处理，可得到一个自变量即初始自变量x0，剩余的N个信号数据可在该初始自变量基础上生成，具体方法为如下步骤A2～A6。
A2，令n＝1。
A3，生成N维随机变量(即第一扰动信号)yn＝2-13*(Mn1，Mn2，…，MnN)，其中，Mn1～MnN为[-M,M]范围内的随机数，M为预设参数。
其中，M的取值与产生控制波形的信号源的硬件精度有关，对应上述的C和LSB，M的取值可为M＝27。
A4，根据公式xn＝x0+yn得到xn(即第一模拟信号)，并判断xn中的数值是否均处于[-C,C-LSB]范围内，且具有最小量化间隔LSB，若是，则将xn作为N+1个信号数据中的一个，并执行步骤A5，若否，则返回步骤A3。
A5，n＝n+1。
A6，判断n是否大于N，若否，则返回步骤A3，若是，则得到N+1个信号数据。
S3，对第一采样信号和各第一模拟信号共N+1个信号数据均进行性能评估，以获得各信号数据分别对应的N+1个评估参数。
具体地，对信号数据进行性能评估，以获得信号数据对应的评估参数，可包括：将信号数据对应的控制脉冲分别施加到量子芯片，获得量子芯片的保真度测试参数，得到各信号数据的评估参数，其中，评估参数＝1-量子芯片的保真度测试参数。
具体而言，回到控制波形的视角，可利用已有或者新设计的量子芯片逻辑门优化与表征实验流程，对各信号数据进行性能评估。例如，信号数据记为自变量xn，将自变量xn对应的控制脉冲施加到已有量子芯片，测试量子芯片的保真度参数，即得到对应的评估参数f(xn)，其中，n＝0,1,…,N。可选地，可采用interleved RB(interleaved RandomizedBenchmarking，交叉随机基准)实验评估。
需要说明的是，量子芯片的保真度测试参数的取值越大，说明其量子芯片的性能越好，量子芯片的保真度测试参数的理想取值为1，此时，量子芯片的性能最佳，对应的评估参数为0，基于此，评估参数越小，说明量子芯片的性能越好。
S4，基于Neder-Mead优化算法对N+1个信号数据和N+1个评估参数进行优化处理，以获得优化信号数据，并将优化信号数据作为优化后量子逻辑门对应的控制波形。
具体地，如图2所示，基于Neder-Mead优化算法对N+1个自变量和N+1个评估参数进行优化处理，以获得优化信号数据，可包括如下步骤：
B1，判断N+1个评估参数中的最小值是否小于预设阈值。
具体而言，对N+1个评估参数按照大小关系进行排序，例如，从小到大进行排序，排序结果可记为f(X0)≤f(X1)≤…≤f(Xn)≤…≤f(XN)，对应的记N+1自变量依次为(X0,X1,…,Xn,…,XN)，进而判断最小值f(X0)是否小于预设阈值F。其中，预设阈值F可依据量子芯片的保真度理想参数设定。
B2，如果N+1个评估参数中的最小值大于或者等于预设阈值，则舍弃N+1个评估参数中的最大值及其对应的自变量，并计算剩余的N个自变量的平均值。
即言，如果f(X0)≥F，则说明最大值f(XN)性能最差，将f(XN)及其对应的自变量XN舍弃，并计算(X0,X1,…,Xn,…,X(N-1))的平均值xcenter，xcenter＝ave(X0,X1,…,Xn，…,X(N-1))。由于X0,X1,…,Xn，…,X(N-1)中各数组中的数值之前已将其限定在范围[-C,C-LSB]，且具有最小量化间隔LSB，因此，xcenter必然也应该在[-C,C-LSB]范围内，且具有最小量化间隔LSB。当然，为保险起见，也可对xcenter进行量化处理，以更好的保证xcenter在[-C,C-LSB]范围内，且具有最小量化间隔LSB。
其中，如果f(X0)＜F，则说明自变量X0满足优化需求，将其作为优化信号数据即可。
B3，根据平均值计算反射点信号数据xr，其中，xr＝xcenter+a*(xcenter-xm)，xcenter为平均值，xm为N+1个评估参数中的最大值对应的自变量，a为预设参数，且a＞0，例如a＝1。
B4，对反射点信号数据xr进行性能评估，得到对应的评估参数f(xr)。
其中，对xr的性能评估方式于上述对各自变量的性能评估方式相同，此处不做赘述。
B5，判断f(xr)是否小于预设阈值F。
B6，如果f(xr)小于预设阈值F，则将反射点信号数据xr作为优化信号数据。
B7，如果f(xr)大于或者等于预设阈值F，则判断f(xr)是否大于或者等于剩余的N个评估参数中的最小值F(X0)，且小于剩余的N个评估参数中的最大值F(X(N-1))。
B8，如果f(xr)大于或者等于剩余的N个评估参数中的最小值F(X0)，且小于剩余的N个评估参数中的最大值F(X(N-1))，则将反射点信号数据xr与剩余的N个自变量组成N+1个自变量，将f(xr)与剩余的N个评估参数组成N+1个评估参数，并返回步骤B1；
如果f(xr)小于剩余的N个评估参数中的最小值F(X0)，则计算膨胀点信号数据xe执行步骤B9，其中，xe＝xcenter+b*(xr-xcenter)，b为预设参数，且b＞1，例如b＝2；
如果f(xr)大于或者等于剩余的N个评估参数中的最大值F(X(N-1))，则计算收缩点信号数据xc，执行步骤B12，其中，xc＝xcenter+c*(xr-xcenter)，c为预设参数，且0＜c≤0.5.例如c＝0.5。
B9，对膨胀点信号数据xe进行性能评估，得到对应的评估参数f(xe)。
B10，判断f(xe)是否小于预设阈值F。
B11，如果f(xe)小于预设阈值，则将膨胀点信号数据xe作为优化信号数据。
B12，对收缩点信号数据xc进行性能评估，得到对应的评估参数f(xc)。
B13，判断f(xc)是否小于预设阈值F。
B14，如果f(xc)小于预设阈值F，则将xc作为优化信号数据。
B15，如果f(xe)大于或者等于预设阈值F，则判断f(xe)是否小于f(xr)。
B16，如果f(xe)小于f(xr)，则舍弃剩余的N个评估参数中的最大值F(X(N-1))及其对应的自变量FX(N-1)，并将xe、xr与剩余的N-1个自变量组成N+1个自变量，将f(xe)、f(xr)与剩余的N-1个评估参数组成N+1个评估参数，并返回步骤B1；
如果f(xe)大于或者等于f(xr)，则将xr与剩余的N个自变量组成N+1个自变量，将f(xr)与剩余的N个评估参数组成N+1个评估参数，并返回步骤B1。
B17，如果f(xc)大于或者等于预设阈值F，则判断f(xc)是否小于初始的N+1个评估参数中的最大值f(XN)。
B18，如果f(xc)小于初始的N+1个评估参数中的最大值f(XN)，则将xc与剩余的N个自变量组成N+1个自变量，将f(xc)与剩余的N个评估参数组成N+1个评估参数，并返回步骤B1；
如果f(xc)大于或者等于初始的N+1个评估参数中的最大值f(XN)，则对原始的N+1个自变量中除初始自变量x0之外的N个自变量进行收缩处理，收缩处理公式为xn＝x0+d*(xn-x0)，得到收缩后的N个自变量，其中，d为预设参数，且0＜d≤0.5，例如d＝0.5。
B19，对收缩后的N个自变量分别进行性能评估，得到对应的N个评估参数，将x0与收缩后的N个自变量组成N+1个自变量，将f(x0)与收缩后的N个自变量对应的N个评估参数组成N+1个评估参数，并返回步骤B1。
如此，循环往复，直至得到优化信号数据。
需要说明的是，在对反射点信号数据xr、膨胀点信号数据xe、收缩点信号数据xc进行性能评估之前，还包括：对反射点信号数据xr、膨胀点信号数据xe、收缩点信号数据xc均进行处理，以使反射点信号数据xr、膨胀点信号数据xe、收缩点信号数据xc均和第一模拟信号具有同样的精度和幅度区间，优选为各信号数据中的数值均处于[-C,C-LSB]范围内，且具有最小量化间隔LSB，以保证优化效果。
综上，本发明实施例的量子逻辑门的优化方法，基于Nelder-Mead优化算法对控制波形进行优化，且在优化过程中，对数值进行约束处理，由此，能够实现对控制波形脉冲幅度的优化，进而当优化后的控制波形用于量子芯片时，能够提高量子芯片的性能，减少量子算法的控制复杂度。
基于上述实施例的量子逻辑门的优化方法，本发明提出了一种计算机可读存储介质。
在该实施例中，计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现上述实施例的量子逻辑门的优化方法。
本发明实施例的计算机可读存储介质，在其上存储的与上述实施例的优化方法对应的计算机程序被处理器执行时，能够实现对控制波形脉冲幅度的优化，进而当优化后的控制波形用于量子芯片时，能够提高量子芯片的性能，减少量子算法的控制复杂度。
基于上述实施例的量子逻辑门的优化方法，本发明还提出了一种计算机设备。
在该实施例中，计算机设备包括存储器、处理器和存储在所述存储器上的计算机程序，所述计算机程序被处理器执行时，实现上述实施例的量子逻辑门的优化方法。
本发明实施例的计算机设备，在其存储器上存储的与上述实施例的优化方法对应的计算机程序被处理器执行时，能够实现对控制波形脉冲幅度的优化，进而当优化后的控制波形用于量子芯片时，能够提高量子芯片的性能，减少量子算法的控制复杂度。
需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (13)
1.一种量子逻辑门的优化方法，其特征在于，包括以下步骤：
获取在待优化量子逻辑门对应的控制波形的脉冲持续时间内的第一采样信号；
根据所述第一采样信号生成N个第一模拟信号，其中，所述第一模拟信号和所述第一采样信号具有同样的精度和幅度区间，N为所述第一采样信号的维度，且各所述第一模拟信号的维度也为N，N为正整数；
对所述第一采样信号和各所述第一模拟信号共N+1个信号数据均进行性能评估，以获得各所述信号数据分别对应的N+1个评估参数；
基于Neder-Mead优化算法对所述N+1个信号数据和所述N+1个评估参数进行处理，以获得优化信号数据，并将所述优化信号数据作为优化后量子逻辑门对应的控制波形。
2.根据权利要求1所述量子逻辑门的优化方法，其特征在于，根据所述第一采样信号生成第一模拟信号，包括：
利用随机数生成模拟实际硬件线路的畸变影响的第一扰动信号，其中，所述第一扰动信号的维度为N，所述第一扰动信号的幅度与所述第一采样信号的精度具有相同量级；
利用所述第一采样信号与所述第一扰动信号生成所述第一模拟信号。
3.根据权利要求2所述量子逻辑门的优化方法，其特征在于，在所述根据所述第一采样信号生成第一模拟信号之前，还包括：
处理所述第一采样信号对应的信号数据，使其具有设定精度且其幅度位于设定区间，其中，所述设定精度和所述设定区间由所述实际硬件线路决定。
4.根据权利要求2所述量子逻辑门的优化方法，其特征在于，在所述利用所述第一采样信号与所述第一扰动信号生成所述第一模拟信号之后，还包括：
判断所述第一模拟信号与所述第一采样信号是否具有同样的精度和幅度区间；
若是，则继续返回执行利用随机数生成模拟所述实际硬件线路的畸变影响的第一扰动信号的步骤，以生成下一个所述第一模拟信号；
若否，则继续返回执行利用随机数生成模拟所述实际硬件线路的畸变影响的第一扰动信号的步骤，以更新当前生成的所述第一模拟信号。
5.根据权利要求1所述量子逻辑门的优化方法，其特征在于，所述信号数据记为自变量xn，其中，n＝0,1,2,…,N，所述评估参数记为f(xn)，其中，基于Neder-Mead优化算法对N+1个自变量和所述N+1个评估参数进行优化处理，以获得优化信号数据，包括：
B1，判断所述N+1个评估参数中的最小值是否小于预设阈值；
B2，如果所述N+1个评估参数中的最小值大于或者等于所述预设阈值，则舍弃所述N+1个评估参数中的最大值及其对应的自变量，并计算剩余的N个自变量的平均值；
B3，根据所述平均值计算反射点信号数据xr，其中，xr＝xcenter+a*(xcenter-xm)，xcenter为所述平均值，xm为所述N+1个评估参数中的最大值对应的自变量，a为预设参数，且a＞0；
B4，对所述反射点信号数据xr进行性能评估，得到对应的评估参数f(xr)；
B5，判断f(xr)是否小于所述预设阈值；
B6，如果f(xr)小于所述预设阈值，则将所述反射点信号数据xr作为所述优化信号数据。
6.根据权利要求5所述量子逻辑门的优化方法，其特征在于，所述基于Neder-Mead优化算法对所述N+1个自变量和所述N+1个评估参数进行优化处理，以获得优化信号数据，还包括：
B7，如果f(xr)大于或者等于所述预设阈值，则判断f(xr)是否大于或者等于剩余的N个评估参数中的最小值，且小于剩余的N个评估参数中的最大值；
B8，如果f(xr)大于或者等于所述剩余的N个评估参数中的最小值，且小于所述剩余的N个评估参数中的最大值，则将所述反射点信号数据xr与所述剩余的N个自变量组成N+1个自变量，将f(xr)与所述剩余的N个评估参数组成N+1个评估参数，并返回步骤B1；
如果f(xr)小于所述剩余的N个评估参数中的最小值，则计算膨胀点信号数据xe，执行步骤B9，其中，xe＝xcenter+b*(xr-xcenter)，b为预设参数，且b＞1；
如果f(xr)大于或者等于所述剩余的N个评估参数中的最大值，则计算收缩点信号数据xc，执行步骤B12，其中，xc＝xcenter+b*(xr-xcenter)，c为预设参数，且0＜c≤0.5；
B9，对所述膨胀点信号数据xe进行性能评估，得到对应的评估参数f(xe)；
B10，判断f(xe)是否小于所述预设阈值；
B11，如果f(xe)小于所述预设阈值，则将所述膨胀点信号数据xe作为所述优化信号数据；
B12，对所述收缩点信号数据xc进行性能评估，得到对应的评估参数f(xc)；
B13，判断f(xc)是否小于所述预设阈值；
B14，如果f(xc)小于所述预设阈值，则将xc作为所述优化信号数据。
7.根据权利要求6所述量子逻辑门的优化方法，其特征在于，基于Neder-Mead优化算法对所述N+1个自变量和所述N+1个评估参数进行优化处理，以获得优化信号数据，还包括：
如果f(xe)大于或者等于所述预设阈值，则判断f(xe)是否小于f(xr)；
如果f(xe)小于f(xr)，则舍弃所述剩余的N个评估参数中的最大值及其对应的自变量，并将xe、xr与剩余的N-1个自变量组成N+1个自变量，将f(xe)、f(xr)与剩余的N-1个评估参数组成N+1个评估参数，并返回步骤B1，
如果f(xe)大于或者等于f(xr)，则将xr与所述剩余的N个自变量组成N+1个自变量，将f(xr)与所述剩余的N个评估参数组成N+1个评估参数，并返回步骤B1。
8.根据权利要求6所述量子逻辑门的优化方法，其特征在于，基于Neder-Mead优化算法对所述N+1个自变量和所述N+1个评估参数进行优化处理，以获得优化信号数据，还包括：
如果f(xc)大于或者等于所述预设阈值，则判断f(xc)是否小于初始的N+1个评估参数中的最大值；
如果f(xc)小于初始的N+1个评估参数中的最大值，则将xc与所述剩余的N个自变量组成N+1个自变量，将f(xc)与所述剩余的N个评估参数组成N+1个评估参数，并返回步骤B1；
如果f(xc)大于或者等于初始的N+1个评估参数中的最大值，则对原始的N+1个自变量中除初始自变量x0之外的N个自变量进行收缩处理，收缩处理公式为xn＝x0+d*(xn-x0)，得到收缩后的N个自变量，其中，d为预设参数，且0＜d≤0.5；
对所述收缩后的N个自变量分别进行性能评估，得到对应的N个评估参数，将x0与所述收缩后的N个自变量组成N+1个自变量，将f(x0)与所述收缩后的N个自变量对应的N个评估参数组成N+1个评估参数，并返回步骤B1。
9.根据权利要求6所述量子逻辑门的优化方法，其特征在于，在对所述反射点信号数据xr、所述膨胀点信号数据xe、收缩点信号数据xc进行性能评估之前，还包括：
对所述反射点信号数据xr、所述膨胀点信号数据xe、收缩点信号数据xc均进行处理，以使所述反射点信号数据xr、所述膨胀点信号数据xe、所述收缩点信号数据xc均和所述第一模拟信号具有同样的精度和幅度区间。
10.根据权利要求5-9中任一项所述量子逻辑门的优化方法，其特征在于，所述预设阈值依据量子芯片的保真度理想参数设定。
11.根据权利要求1-9中任一项所述量子逻辑门的优化方法，其特征在于，对信号数据进行性能评估，以获得所述信号数据对应的评估参数，具体包括：
将所述信号数据对应的控制脉冲分别施加到量子芯片，获得所述量子芯片的保真度测试参数，得到各所述信号数据的评估参数，其中，所述评估参数＝1-所述量子芯片的保真度测试参数。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-11中任一项所述的量子逻辑门的优化方法。
13.一种计算机设备，其特征在于，包括存储器、处理器和存储在所述存储器上的计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-11中任一项所述的量子逻辑门的优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010304129.7A CN111369004B (zh) | 2020-04-17 | 2020-04-17 | 量子逻辑门的优化方法、存储介质和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010304129.7A CN111369004B (zh) | 2020-04-17 | 2020-04-17 | 量子逻辑门的优化方法、存储介质和计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111369004A true CN111369004A (zh) | 2020-07-03 |
| CN111369004B CN111369004B (zh) | 2024-02-23 |
Family
ID=71210866
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010304129.7A Active CN111369004B (zh) | 2020-04-17 | 2020-04-17 | 量子逻辑门的优化方法、存储介质和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111369004B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112668242A (zh) * | 2021-01-05 | 2021-04-16 | 南方科技大学 | 量子控制波形的优化方法、装置、计算机设备及存储介质 |
| CN112819169A (zh) * | 2021-01-22 | 2021-05-18 | 北京百度网讯科技有限公司 | 量子控制脉冲生成方法、装置、设备及存储介质 |
| CN113516248A (zh) * | 2021-07-12 | 2021-10-19 | 北京百度网讯科技有限公司 | 一种量子门测试方法、装置及电子设备 |
| CN114077897A (zh) * | 2020-08-14 | 2022-02-22 | 合肥本源量子计算科技有限责任公司 | 一种量子芯片耦合结构优化方法 |
| WO2022217854A1 (zh) * | 2021-04-15 | 2022-10-20 | 深圳市腾讯计算机系统有限公司 | 量子门的优化方法、装置、设备及存储介质 |
| WO2022271090A3 (en) * | 2021-05-11 | 2023-03-02 | Alibaba Singapore Holding Private Limited | Methods and apparatuses for parameter optimization and quantum chip control |
| CN116167315A (zh) * | 2021-11-25 | 2023-05-26 | 合肥本源量子计算科技有限责任公司 | 一种量子芯片参数的优化方法、存储介质及计算机设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180123597A1 (en) * | 2016-10-27 | 2018-05-03 | Rigetti & Co., Inc. | Analyzing control signals for quantum logic operations in superconducting quantum circuits |
| CN109165744A (zh) * | 2018-08-15 | 2019-01-08 | 合肥本源量子计算科技有限责任公司 | 一种量子逻辑门操作优化方法 |
| US10325218B1 (en) * | 2016-03-10 | 2019-06-18 | Rigetti & Co, Inc. | Constructing quantum process for quantum processors |
-
2020
- 2020-04-17 CN CN202010304129.7A patent/CN111369004B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10325218B1 (en) * | 2016-03-10 | 2019-06-18 | Rigetti & Co, Inc. | Constructing quantum process for quantum processors |
| US20180123597A1 (en) * | 2016-10-27 | 2018-05-03 | Rigetti & Co., Inc. | Analyzing control signals for quantum logic operations in superconducting quantum circuits |
| CN109165744A (zh) * | 2018-08-15 | 2019-01-08 | 合肥本源量子计算科技有限责任公司 | 一种量子逻辑门操作优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张建军;王仲生;: "基于改进粒子群算法的匹配追踪分解优化研究" * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114077897A (zh) * | 2020-08-14 | 2022-02-22 | 合肥本源量子计算科技有限责任公司 | 一种量子芯片耦合结构优化方法 |
| CN114077897B (zh) * | 2020-08-14 | 2023-11-03 | 本源量子计算科技（合肥）股份有限公司 | 一种量子芯片耦合结构优化方法 |
| CN112668242A (zh) * | 2021-01-05 | 2021-04-16 | 南方科技大学 | 量子控制波形的优化方法、装置、计算机设备及存储介质 |
| CN112668242B (zh) * | 2021-01-05 | 2023-01-24 | 南方科技大学 | 量子控制波形的优化方法、装置、计算机设备及存储介质 |
| CN112819169A (zh) * | 2021-01-22 | 2021-05-18 | 北京百度网讯科技有限公司 | 量子控制脉冲生成方法、装置、设备及存储介质 |
| CN112819169B (zh) * | 2021-01-22 | 2021-11-23 | 北京百度网讯科技有限公司 | 量子控制脉冲生成方法、装置、设备及存储介质 |
| WO2022217854A1 (zh) * | 2021-04-15 | 2022-10-20 | 深圳市腾讯计算机系统有限公司 | 量子门的优化方法、装置、设备及存储介质 |
| WO2022271090A3 (en) * | 2021-05-11 | 2023-03-02 | Alibaba Singapore Holding Private Limited | Methods and apparatuses for parameter optimization and quantum chip control |
| CN113516248A (zh) * | 2021-07-12 | 2021-10-19 | 北京百度网讯科技有限公司 | 一种量子门测试方法、装置及电子设备 |
| CN113516248B (zh) * | 2021-07-12 | 2022-04-12 | 北京百度网讯科技有限公司 | 一种量子门测试方法、装置及电子设备 |
| CN116167315A (zh) * | 2021-11-25 | 2023-05-26 | 合肥本源量子计算科技有限责任公司 | 一种量子芯片参数的优化方法、存储介质及计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111369004B (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111369004A (zh) | 量子逻辑门的优化方法、存储介质和计算机设备 | |
| JP2021504805A5 (zh) | ||
| GB2582515A (en) | Cost function deformation in quantum approximate optimization | |
| US20140046885A1 (en) | Method and apparatus for optimized representation of variables in neural systems | |
| US10627470B2 (en) | System and method for learning based magnetic resonance fingerprinting | |
| JP2007518375A (ja) | 合同非線形デルタシグマ変調器 | |
| DE102020113541A1 (de) | Verfahren und vorrichtungen zur optimierung der ausführung eines modells für maschinelles lernen | |
| AU2019454816A1 (en) | Measuring quantum state purity | |
| CN109961150A (zh) | 一种应对退相干的量子程序变换方法及系统 | |
| CN110427978B (zh) | 面向小样本学习的变分自编码器网络模型和装置 | |
| JP2017198620A (ja) | 異常診断装置および異常診断方法 | |
| Hu et al. | Identification for Wiener systems with RTF subsystems | |
| US6385607B1 (en) | Generating regression trees with oblique hyperplanes | |
| Loskutov et al. | Markov chain Monte Carlo method in Bayesian reconstruction of dynamical systems from noisy chaotic time series | |
| Greblicki et al. | Analysis of the properties of the harmony search algorithm carried out on the one dimensional binary knapsack problem | |
| CA3240043A1 (en) | Error corrected variational algorithms | |
| Wang et al. | Memory-efficient differentiable programming for quantum optimal control of discrete lattices | |
| US20210117193A1 (en) | Electronic devices generating verification vector for verifying semiconductor circuit and methods of operating the same | |
| EP4256695A1 (de) | Verfahren zur geräuschoptimierung einer maschinellen vorrichtung, die eine elektrische maschine umfasst | |
| CN110457863B (zh) | 基于椭球收缩滤波的风力发电机桨距子系统参数估计方法 | |
| Kohler et al. | Estimation of extreme quantiles in a simulation model | |
| de Oliveira et al. | Artificial neural networks for dictionary selection in adaptive greedy decomposition algorithms with reduced complexity | |
| WO2023119522A1 (ja) | スパース化対象層決定装置、スパース化対象層決定方法及び、プログラム | |
| US20240177066A1 (en) | Intelligent ai architecture selection | |
| CN116681137A (zh) | 量子比特高能态调控信号的确定方法、装置和量子计算机 |
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 |