CN111563186B - 量子数据存储方法、读取方法、装置及计算设备 - Google Patents
量子数据存储方法、读取方法、装置及计算设备 Download PDFInfo
- Publication number
- CN111563186B CN111563186B CN202010367671.7A CN202010367671A CN111563186B CN 111563186 B CN111563186 B CN 111563186B CN 202010367671 A CN202010367671 A CN 202010367671A CN 111563186 B CN111563186 B CN 111563186B
- Authority
- CN
- China
- Prior art keywords
- quantum
- state
- neural network
- output
- loss function
- 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 80
- 238000013500 data storage Methods 0.000 title claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 129
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims description 68
- 230000015654 memory Effects 0.000 claims description 28
- 239000002131 composite material Substances 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004587 chromatography analysis Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 239000002096 quantum dot Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了量子数据存储方法、读取方法、装置及计算设备,涉及量子计算机领域。该量子数据存储方法包括:将第一量子神经网络作用在初始态上,获得输出的量子态;基于目标量子态和所述第一量子神经网络输出的量子态计算损失函数,其中所述第一量子神经网络的维度与所述目标量子态的维度相关,所述损失函数对应于所述目标量子态与所述第一量子神经网络输出的量子态之间的距离;根据所述损失函数调整所述第一量子神经网络的参数,以对所述第一量子神经网络进行迭代训练,直至达到预设的迭代停止条件;将训练后的第一量子神经网络的参数保存在硬件设备中。利用本申请实施例能够实现量子数据的存储。
Description
技术领域
本申请涉及量子计算机技术领域,尤其涉及量子数据的存取技术,具体涉及一种量子数据存储方法、读取方法、装置及计算设备。
背景技术
量子计算机技术正在飞速地发展,量子计算中会用到量子数据或者说量子态(quantum state)的存储与读取技术,此技术的重要性与经典计算机中将数据存储在硬盘中、计算时再从硬盘中读出一样,是建造量子计算机必不可少的功能之一。
目前,量子数据的存储和读取仍然存在较大的技术缺口。由于量子态通过量子计算机直接操作时是不可以被复制的,因此需通过间接方式实现量子态的重现。举例来说,可通过量子层析(quantum tomography)处理获取目标量子态的密度矩阵,可将密度矩阵存储在经典计算机上,该密度矩阵可完整刻画目标量子态的信息;读取时,需通过分析该密度矩阵,计算出从一个给定初始态生成该密度矩阵所需要完成的量子操作,基于该量子操作进行量子电路的设计和编译,然后将该量子电路作用在初始态上,可得到该目标量子态,由此实现对目标量子态的存储和读取。
但是,量子层析处理需要消耗巨大的资源,获得量子态的密度矩阵所需消耗的资源会随着量子位(也称量子比特)的增加而指数增长;而且,即使获得量子态的密度矩阵,还需通过复杂的处理才能设计对应的量子电路,并需进一步编译成量子硬件适用的基础电路,上述过程将消耗大量的人力和时间资源,成本高昂。
发明内容
有鉴于此,本申请实施例提出一种量子数据存储方法、读取方法、装置、计算设备和存储介质,能够实现量子数据的存储,供需要时读取使用。
本申请实施例提供一种量子数据存储方法,包括:
将第一量子神经网络作用在初始态上,获得输出的量子态;
基于目标量子态和第一量子神经网络输出的量子态计算损失函数,其中第一量子神经网络的维度与目标量子态的维度相关,损失函数对应于目标量子态与第一量子神经网络输出的量子态之间的距离;
根据损失函数调整第一量子神经网络的参数,以对第一量子神经网络进行迭代训练,直至达到预设的迭代停止条件;
将训练后的第一量子神经网络的参数保存在硬件设备中。
本申请实施例提供一种量子数据读取方法,包括:
读取保存在硬件设备中的参数;
将参数代入对应的第一量子神经网络;
将第一量子神经网络作用在初始态上,获得输出的量子态。
本申请实施例提供一种量子数据存储装置,包括:
获取模块,用于将第一量子神经网络作用在初始态上,获得输出的量子态;
计算模块,用于基于目标量子态和第一量子神经网络输出的量子态计算损失函数,其中第一量子神经网络的维度与目标量子态的维度相关,损失函数对应于目标量子态与第一量子神经网络输出的量子态之间的距离;
调整模块,用于根据损失函数调整第一量子神经网络的参数,以对第一量子神经网络进行迭代训练,直至达到预设的迭代停止条件;
保存模块,用于将训练后的第一量子神经网络的参数保存在硬件设备中。
本申请实施例提供一种量子数据读取装置,包括:
读取模块,用于读取保存在硬件设备中的参数;
计算模块,用于将参数代入对应的第一量子神经网络;
获取模块,用于将第一量子神经网络作用在初始态上,获得输出的量子态。
本申请实施例提供一种计算设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如上的方法。
本申请实施例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,计算机指令用于使计算机执行如上的方法。
本申请实施例提供一种量子计算机,包括:存储器、经典处理器、量子处理器以及存储于存储器并可在经典处理器及量子处理器上运行的程序,经典处理器结合量子处理器运行该程序时执行如上的方法。
本申请实施例提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上的方法。
上述申请中的一个实施例具有如下优点或有益效果:本申请实施例通过训练量子神经网络学习量子数据,基于设计的损失函数调整量子神经网络的参数,使参数携带量子数据信息,可以实现量子数据的存储。
上述可选方式的其他效果将在下文中结合具体实施例加以说明。
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是本申请实施例的量子数据存储方法的流程框图;
图2是本申请实施例的量子数据读取方法的流程框图;
图3是本申请实施例的基于AR复合量子系统的参数化量子电路的结构示意图;
图4是本申请实施例的量子数据存储方法的操作过程示意图;
图5是本申请实施例的量子数据的存储和读取过程示意图;
图6是根据本申请实施例读取量子数据的过程示意图;
图7是基于图3实施例的训练好的参数化量子电路的结构示意图;
图8是本申请实施例的量子数据存储装置的结构框图;
图9是本申请实施例的量子数据读取装置的结构框图;
图10是用来实现本申请实施例的计算设备的框图。
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。
本申请实施例提出一种全新的量子数据存储和读取的理论框架,并建立了相适应的具体算法实现该理论框架。首先对原理思想描述如下,本申请实施例提出通过对量子神经网络(或者说参数化量子电路,parameterized quantum circuits)进行训练,使其对待存储的目标量子数据的信息进行学习,并通过设计合适的损失函数,使得训练后的量子神经网络的参数(或参数组)的值即能够表征所述目标量子数据的信息。如此,训练完成后,只需要将训练好的量子神经网络的参数值保存下来,就相当于保存了目标量子数据的信息。当需要读取该目标量子数据时,可将之前保存的参数值带入该量子神经网络,然后将量子神经网络作用在初始态上,则输出的量子态即可认为是所述的目标量子数据。以此实现对量子态的存储和读取。
在本申请实施例中,术语“量子态”包含本领域通常理解的含义,例如:量子态是通过多个量子数描述的微观粒子的运动状态;术语“量子数据”是用来描述量子态的信息数据,两者具有对应关系。可以理解,在本申请实施例的下述描述中,术语“量子态”和术语“量子数据”两者有时是可以互换使用的,不会带来理解歧义。
以下详细描述本申请实施例的实现方式和取得的优势。
图1示出了本申请实施例的量子数据存储方法的流程框图,包括:
S101,将第一量子神经网络作用在初始态上,获得输出的量子态;
S102,基于输出的量子态和目标量子态,计算损失函数,其中损失函数对应于输出的量子态与目标量子态之间的距离,第一量子神经网络的维度与目标量子态的维度相关;
S103,根据损失函数调整第一量子神经网络的参数,以对第一量子神经网络进行迭代训练,直至达到预设的迭代停止条件;
S104,将训练后的第一量子神经网络的参数保存在硬件设备中。
根据本申请的实施例,将待训练的量子神经网络作用在初始态上,可获得量子神经网络输出的量子态,基于输出的量子态以及待存储的目标量子态可计算损失函数,基于损失函数可调整该量子神经网络的参数,这里,由于本申请实施例的损失函数表征该量子神经网络输出的量子态与目标量子态之间的距离,因此随着迭代训练的加深,损失函数越来越小,该量子神经网络输出的量子态与目标量子态之间的距离也越来越小,当满足迭代停止条件时,例如损失函数足够小时,该量子神经网络输出的量子态与目标量子态之间的差别也非常小,可认为两者趋于相同,这时可认为量子神经网络经训练完成了对目标量子数据的学习,将训练后的(或者说训练好的)该量子神经网络的参数存储下来,供需要读取该目标量子态时使用。
关于数据的存储方式,由于存储的对象是训练后的量子神经网络的参数的值,参数的值为经典的数值(例如常数、三角函数),而非量子数,例如,当量子神经网络包含的参数有多个时,存储对象是多个参数的常数值形成的向量、数组或者说参数的集合,它们可以方便地写入常规的硬件设备中,例如经典计算机的磁盘或内存中、可移动存储介质例如U盘中等等。
相对应地,本申请实施例还提供一种量子数据读取方法,图2示出了该量子数据读取方法的流程框图,包括:
S201,读取保存在硬件设备中的参数;
S202,将参数代入对应的第一量子神经网络;
S202,将第一量子神经网络作用在初始态上,获得输出的量子态。
根据上述实施例的方法,在需要读取已存储参数对应的量子数据时,首先将存储在硬件设备中的参数读取出来,然后将参数带入其对应的量子神经网络中,将具备该参数的量子神经网络作用在初始态上,得到输出的量子态,也就得到了目标量子数据。
本申请的实施例能够方便地实现量子数据的存储以及读取,不需要经过复杂艰难的量子操作(比如量子电路的编译、运算或逆运算),原因在于,本申请实施例巧妙地定义损失函数,从而对量子神经网络进行训练,训练的过程使损失函数尽可能小,就是使量子神经网络输出的量子态与目标量子态的距离或者说差别尽可能小,因而量子神经网络能够学习目标量子态或者说目标量子数据的信息,这样,训练完成后,只需要存储和读取量子神经网络的参数值,就能达到存储和读取量子数据的目的,具有实用、高效且容易实现的显著优势。
在应用中,可灵活地选取不同类型的量子神经网络实现上述处理,可在量子设备上基于目标量子态和量子神经网络输出的量子态计算损失函数,再利用经典设备使用常规的优化算法最小化损失函数,从而优化调整量子神经网络的参数,训练完成后将经过调优的参数存储在经典设备中,相当于将量子数据的信息提取出来进行存储。之后每次读取时,将调优的参数输入到量子设备上读取量子数据,也就是将量子数据信息输入到对应的量子神经网络中,其可以以较高的准确度输出、导出或者说读取出原始的目标量子数据,实际上达到了复制量子数据的效果,相比之下,在量子计算机中直接复制量子数据是不可行的,原因是“量子不可克隆定理”。因此,可认为本申请实施例是绕过该定理而实现了对量子态的反复多次利用,使量子态存储和读取技术的应用便捷程度得到大幅提升。
以下通过多个实施例或多种实现方式,描述本申请实施例的具体实现过程。
在本申请的实施例中,第一量子神经网络包括参数化量子电路(parameterizedquantum circuits),根据损失函数调整第一量子神经网络的参数包括:根据损失函数调整参数化量子电路的参数的值。
本申请实施例采用参数化量子电路作为被训练的量子神经网络,可在训练过程中对参数化量子电路中的参数(例如多个旋转角度组成的向量)进行优化调整,从而达到学习目标量子数据的目的。
在本申请的一种实施方式中,第一量子神经网络包括基于AR复合量子系统的参数化量子电路,AR复合量子系统是A系统和R系统的纠缠系统,其中,A系统为n维的量子系统,R系统为m维的量子系统,m≤n,m和n均为正整数。
举例说明,图3示出了本申请实施例中的一种基于AR复合量子系统的参数化量子电路,可将该参数化量子电路记为U(θ),该参数化量子电路U(θ)的参数θ包括参数θ1、θ2和θ3,参数θ可为θ1、θ2和θ3构成的向量、数组或称集合,例如是三个旋转角度组成的向量。在本实施例中,调整第一量子神经网络的参数也就是调整参数化量子电路U(θ)中的参数θ1、参数θ2和参数θ3的取值。
进一步举例说明,训练开始前可使用随机数对参数化量子电路U(θ)进行初始化,训练时,将U(θ)作用在初始态|00>AR上,计算(或更新)损失函数,根据更新的损失函数调整参数θ1、θ2和θ3,将更新后的参数θ1、θ2和θ3带入U(θ),再次作用在初始态|00>AR上,更新损失函数;由此不断迭代,学习目标量子态,训练完成后,参数θ1、θ2和θ3的取值也随之确定,为描述方便,将训练完成后确定的参数值记为参数θ1 *、θ2 *和θ3 *,三者构成向量θ*,则可容易地将参数θ1 *、θ2 *和θ3 *或者参数θ*写入常用的硬盘或磁盘等存储介质进行保存,也即实现了量子态的存储。
进一步地,由于参数θ*中的参数θ1 *、θ2 *和θ3 *的取值与该参数化量子电路U(θ)学习到的目标量子态的信息具有对应关系,因此,当将U(θ*)作用在初始态上时,其可输出该目标量子态,也即实现了量子态的读取。
可见,利用本申请实施例的方法存储的量子数据,在读取、导出或称恢复量子数据时,不需要制备其他量子态,也不需要进行量子电路的编译处理或逆操作等,可适用于各类型的量子数据,应用面较广。
在本申请的实施例中,所选取的第一量子神经网络的维度应与希望存储的目标量子态的维度相关。以第一量子神经网络取基于AR复合量子系统的参数化量子电路U(θ)为例,假设将U(θ)作用在初始态|00>AR上,其在A系统上和R系统上都可输出量子态,本申请实施例使用A系统上输出的量子态,对R系统上的输出可不予处理或丢弃。那么输出的量子态的维度也就是A系统的维度,如前,A系统为例如n维的量子系统,因此目标量子态的维度也应是n维,第一量子神经网络的维度与希望存储的目标量子态的维度相关,便于为训练时计算损失函数做好准备。
在本申请的一种实施方式中,所使用的损失函数是基于目标量子态与第一量子神经网络输出的量子态的重合度确定的,该重合度越大,目标量子态与第一量子神经网络输出的量子态之间的距离越小,说明两者越接近,第一量子神经网络对目标量子态的学习效果越好。
在本申请的一种实施方式中,所使用的损失函数包括第一子函数和第二子函数,其中,第一子函数对应于第一量子态与第二量子态的重合度,第二子函数对应于第三量子态与目标量子态的重合度,并且,第一量子态是第一量子神经网络作用在第一初始态上输出的量子态;第二量子态是第一量子神经网络作用在第二初始态上输出的量子态;第三量子态是第一量子神经网络作用在第三初始态上输出的量子态。
上述实施方式中的损失函数是基于弗罗贝尼乌斯范数(Frobenius Norm)而设计的,其中以两个量子态的迹运算(trace operator)表示两者的重合度,处理时,可利用量子计算中的交换测试(Swap test)并通过量子设备有效地计算出量子态的重合度。
以下描述本申请实施例中的一种损失函数的具体计算方式。
在本申请实施例中,损失函数L可以包括第一子函数L1和第二子函数L2,如下:
L=L1+L2
其中,第一子函数L1和第二子函数L2分别如下:
其中,表示第一量子神经网络作用在第一初始态上输出的量子态,表示第一量子神经网络作用在第二初始态上输出的量子态,表示第一量子神经网络作用在第三初始态上输出的量子态,ρA表示目标量子态,tr()表示矩阵的迹,其中,目标量子态ρA的维度、第一量子态的维度、第二量子态的维度以及第三量子态的维度相同。
采用上述实施例的损失函数,通过训练量子神经网络来使得损失函数最小,可以进而使得训练得到的输出的量子态σA与目标量子态ρA的距离或者说差别尽可能小。特别的,如果量子神经网络足够好以及训练过程合理,其两者之间的差别可以趋于无差别,即两者趋于相等。基于此,最小化损失函数L可以使量子神经网络输出与目标量子态高度近似的量子态。训练完成后,只需要存储和读取量子神经网络中的参数就可以达到存储和读取量子态的目的。
图4和图5示意性地示出了本申请实施例的量子数据存储方法的操作过程示意图。以下结合图4和图5描述本申请实施例的量子数据存储方法的操作过程,包括如下步骤:
S601,准备一个可调节参数的量子神经网络,具体为基于AR复合量子系统的参数化量子电路U(θ);
S605,通过求和得到总的损失函数L=L1+L2;
S606,通过优化算法例如梯度下降法,最小化损失函数L,得到一组新的参数θ;以更新后的参数θ返回步骤S602;
重复步骤S602至S606,直到相邻两次计算出的损失函数的差值的绝对值小于一个预设的收敛参数,例如收敛参数可设置为0.001,则停止迭代,训练完成,得到最优的参数记为θ*。可选地,θ*为最后一次迭代得到的参数。可选地,θ*为最小的损失函数值对应的参数。
参考图4,上述处理过程中,步骤S602至S605可在量子设备上实施,步骤S606可在经典设备上实施例。实际中,由于量子计算离不开量子数据(量子态)的存储,鉴于量子内存(quantum memory)的技术瓶颈,本申请实施例通过经典计算机来存储量子数据,是行之有效的解决方案,且具备容易实现和资源节约的优势。
S607,将该参数θ*存储至经典计算机上,相当于将隐含有量子数据ρA信息的数据存储在经典硬件设备上。
S608,参考图6,读取时,从经典计算机读出参数θ*,在量子计算机上将U(θ*)作用在初始态|00>AR上,其在A系统上输出的量子态σA即为读取的或者说导出的目标量子态,该σA与前期训练时的目标量子态ρA之间的差别足够小。
结合图5来看,上述的步骤S602至S606可实现“训练量子神经网络学习量子数据”,该过程属于量子计算与经典计算混合处理的过程;训练后,步骤S607可实现“存储量子神经网络的参数”,其属于经典的数据存储,步骤S608可实现“读取参数并利用量子神经网络读取量子数据”,其属于经典数据读取与量子计算的混合处理过程。
实际中,量子数据(量子态)通过量子计算机直接操作时是不可以被复制的,本申请实施例的上述处理可实现对量子数据进行信息提取,并存储到经典计算机上,之后每次使用都只需要通过对应的操作,基于存储的参数内容在量子设备上读取量子数据,这样实际上实现了对一个量子态的反复多次利用。
在本申请的实施例中,对于额外的量子系统R系统的维数(或称维度),可默认为取与目标量子数据相同的维数,例如ρA以及A系统的维数均为n维,R系统的维数也为n维。进一步地,本申请实施例还可以根据量子数据的性质进行改进,例如,如果已获取量子数据ρA的先验信息,例如已知ρA的秩(rank)为k,那么R系统的维数只需要取k维即可,可以进一步减小本申请实施例训练量子神经网络所需要的成本。
为了验证本申请实施例在存储和读取量子数据过程中的保真度,可以图3实施例为例,对图3所示的量子神经网络也即参数化量子电路U(θ)进行训练,U(θ)的参数θ包括参数θ1、θ2和θ3,考虑存储一个单量子位的量子状态:
也就是说,采用图3所示的带参数的量子电路U(θ)学习量子数据通过本申请前述的至少一个实施例来训练U(θ),对损失函数的优化算法采用梯度下降算法,收敛参数设置为0.0015,训练完成后最终得到的一组参数是:θ1=0.8905、θ2=3.5335和θ3=2.1018,可存储在常规硬件设备中。
本申请实施例可以有效地存储目标量子态,并能通过存储的内容以高保真度输出目标量子态,具有很好的实用性和高效性。
此外,在量子数据的读取过程中,可以产生量子数据的纯化形式或称纯化态(purification),纯化的量子数据可以用于计算不同量子数据的近似程度,比如保真度(fidelity),保真度是衡量量子数据相似程度的度量。在本申请实施例的读取环节,亦可读取出量子数据的纯化态,可用于计算导出的量子数据与其他量子数据的保真度,将有助于探索量子数据的其他性质。
与上述至少一个实施例的量子数据存储方法相对应地,本申请实施例还提供一种量子数据存储装置100,参考图8,其包括:
获取模块110,用于将第一量子神经网络作用在初始态上,获得输出的量子态;
计算模块120,用于基于目标量子态和第一量子神经网络输出的量子态计算损失函数,第一量子神经网络的维度与目标量子态的维度相关,损失函数对应于目标量子态与第一量子神经网络输出的量子态之间的距离;
调整模块130,用于根据损失函数调整第一量子神经网络的参数,以对第一量子神经网络进行迭代训练,直至达到预设的迭代停止条件;
保存模块140,用于将训练后的第一量子神经网络的参数保存在硬件设备中。
与上述至少一个实施例的量子数据读取方法相对应地,本申请实施例还提供一种量子数据读取装置,其特征在于,包括:
读取模块210,用于读取保存在硬件设备中的参数;
计算模块220,用于将参数代入对应的第一量子神经网络;
获取模块230,用于将第一量子神经网络作用在初始态上,获得输出的量子态。
本申请实施例各装置中的各模块的功能可以参见上述方法中的对应描述,在此不再赘述。
根据本申请的实施例,本申请还提供了一种计算设备和一种可读存储介质和一种计算机程序产品。如图10所示,是根据本申请实施例的量子数据存储方法或量子数据读取方法的计算设备的框图。计算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。计算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,该计算设备包括: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。处理器可以对在计算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)上显示图形用户界面(Graphical User Interface,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,可以连接多个计算设备,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,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的搜索结果的分析处理方法。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搜索结果的分析处理方法。
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搜索结果的分析处理方法对应的程序指令/模块(例如,附图8所示的获取模块110、计算模块120、调整模块130和保存模块140)。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搜索结果的分析处理方法。
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搜索结果的分析处理计算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搜索结果的分析处理计算设备。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。
搜索结果的分析处理方法的计算设备还可以包括: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,以及产生与搜索结果的分析处理计算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(Liquid Crystal Display,LCD)、发光二极管(Light EmittingDiode,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、专用集成电路(Application Specific Integrated Circuits,ASIC)、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(programmable logic device,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(Cathode Ray Tube,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(Local Area Network,LAN)、广域网(Wide Area Network,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。
本申请实施例还提供一种量子计算机,其包括:存储器、经典处理器、量子处理器以及存储于存储器并可在所述经典处理器及所述量子处理器上运行的程序,所述经典处理器结合所述量子处理器运行该程序时执行本申请实施例的量子数据存储方法或者量子数据读取方法。
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 (17)
1.一种量子数据存储方法,其特征在于,包括:
将第一量子神经网络作用在初始态上,获得输出的量子态;
基于目标量子态和所述第一量子神经网络输出的量子态计算损失函数,其中所述第一量子神经网络的维度与所述目标量子态的维度相关,所述损失函数对应于所述目标量子态与所述第一量子神经网络输出的量子态之间的距离;
根据所述损失函数调整所述第一量子神经网络的参数,以对所述第一量子神经网络进行迭代训练,直至达到预设的迭代停止条件;
将训练后的第一量子神经网络的参数保存在硬件设备中,其中,所述训练后的第一量子神经网络的参数的值能够表征量子数据的信息。
2.根据权利要求1所述的方法,其特征在于,其中,
所述第一量子神经网络包括参数化量子电路;
所述根据所述损失函数调整所述第一量子神经网络的参数,包括:根据所述损失函数调整所述参数化量子电路的参数的值。
3.根据权利要求1所述的方法,其特征在于,其中,
所述目标量子态为n维的量子态;
所述第一量子神经网络包括基于AR复合量子系统的参数化量子电路,所述AR复合量子系统是A系统和R系统的纠缠系统,其中,A系统为n维的量子系统,R系统为m维的量子系统,m≤n,m和n均为正整数。
4.根据权利要求1至3中任一项所述的方法,其特征在于,其中,
所述损失函数是基于所述目标量子态与所述第一量子神经网络输出的量子态的重合度确定的。
5.根据权利要求4所述的方法,其特征在于,其中,
所述损失函数包括第一子函数和第二子函数,
所述第一子函数对应于第一量子态与第二量子态的重合度,
所述第二子函数对应于第三量子态与所述目标量子态的重合度,其中,
所述第一量子态是所述第一量子神经网络作用在第一初始态上输出的量子态;
所述第二量子态是所述第一量子神经网络作用在第二初始态上输出的量子态;
所述第三量子态是所述第一量子神经网络作用在第三初始态上输出的量子态。
8.根据权利要求1至3以及5至7中任一项所述的方法,其特征在于,其中,所述第一量子神经网络包括参数化量子电路U(θ);
所述将第一量子神经网络作用在初始态上,获得输出的量子态;基于目标量子态和所述第一量子神经网络输出的量子态计算损失函数;根据所述损失函数调整所述第一量子神经网络的参数,以对所述第一量子神经网络进行迭代训练,直至达到预设的迭代停止条件,包括:
S20,按照下式计算损失函数L:
L=L1+L2,
其中,ρA表示所述目标量子态,tr()表示矩阵的迹;
S30,通过对损失函数L进行最小化,更新参数θ的值,并以更新后的参数θ返回S10;
重复S10-S30,对损失函数L和参数θ进行迭代更新,当相邻两次迭代中得到的损失函数的差的绝对值小于或等于预定门限值时,停止迭代。
9.根据权利要求8所述的方法,其特征在于,其中,所述将训练后的第一量子神经网络的参数保存在硬件设备中,包括:
将最后一次迭代得到的参数θ*保存在硬件设备中;或者,
将最小的损失函数值对应的参数θ*保存在硬件设备中。
10.根据权利要求3或7所述的方法,其特征在于,其中,
如果所述目标量子态的秩为k,则所述R系统的维数m=k。
11.一种量子数据读取方法,其特征在于,
读取如权利要求1-10任一项中所述的方法保存在硬件设备中的参数;
将所述参数代入对应的第一量子神经网络;
将所述第一量子神经网络作用在初始态上,获得输出的量子态。
12.根据权利要求11所述的方法,其特征在于,其中,
所述第一量子神经网络是基于AR复合量子系统的参数化量子电路,其中,所述AR复合量子系统是A系统和R系统的纠缠系统,A系统为n维的量子系统,R系统为m维的量子系统,m≤n,m和n均为正整数;
所述输出的量子态是在A系统上输出的量子态。
13.一种量子数据存储装置,其特征在于,包括:
获取模块,用于将第一量子神经网络作用在初始态上,获得输出的量子态;
计算模块,用于基于目标量子态和所述第一量子神经网络输出的量子态计算损失函数,其中所述第一量子神经网络的维度与所述目标量子态的维度相关,所述损失函数对应于所述目标量子态与所述第一量子神经网络输出的量子态之间的距离;
调整模块,用于根据所述损失函数调整所述第一量子神经网络的参数,以对所述第一量子神经网络进行迭代训练,直至达到预设的迭代停止条件;
保存模块,用于将训练后的第一量子神经网络的参数保存在硬件设备中,其中,所述训练后的第一量子神经网络的参数的值能够表征量子数据的信息。
14.一种量子数据读取装置,其特征在于,包括:
读取模块,用于读取如权利要求1-10任一项中所述的方法保存在硬件设备中的参数;
计算模块,用于将所述参数代入对应的第一量子神经网络;
获取模块,用于将所述第一量子神经网络作用在初始态上,获得输出的量子态。
15.一种计算设备,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如权利要求1至10中任一项所述的量子数据存储方法或者执行如权利要求11至12中任一项所述的量子数据读取方法。
16.一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如权利要求1至10中任一项所述的量子数据存储方法或者执行如权利要求11至12中任一项所述的量子数据读取方法。
17.一种量子计算机,其特征在于,包括:存储器、经典处理器、量子处理器以及存储于存储器并可在所述经典处理器及所述量子处理器上运行的程序,所述经典处理器结合所述量子处理器运行该程序时执行如权利要求1至10中任一项所述的量子数据存储方法或者执行如权利要求11至12中任一项所述的量子数据读取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010367671.7A CN111563186B (zh) | 2020-04-30 | 2020-04-30 | 量子数据存储方法、读取方法、装置及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010367671.7A CN111563186B (zh) | 2020-04-30 | 2020-04-30 | 量子数据存储方法、读取方法、装置及计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111563186A CN111563186A (zh) | 2020-08-21 |
CN111563186B true CN111563186B (zh) | 2021-09-24 |
Family
ID=72068971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010367671.7A Active CN111563186B (zh) | 2020-04-30 | 2020-04-30 | 量子数据存储方法、读取方法、装置及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563186B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381233A (zh) * | 2020-11-20 | 2021-02-19 | 北京百度网讯科技有限公司 | 数据压缩方法、装置、电子设备和存储介质 |
CN112633510B (zh) * | 2020-12-08 | 2021-07-13 | 北京百度网讯科技有限公司 | 量子数据间距离的确定方法及量子设备 |
CN112529196B (zh) * | 2020-12-10 | 2021-11-23 | 北京百度网讯科技有限公司 | 量子纠缠探测方法、装置、电子设备及存储介质 |
CN112541590B (zh) * | 2020-12-10 | 2021-09-14 | 北京百度网讯科技有限公司 | 量子纠缠探测方法、装置、电子设备及存储介质 |
CN112529197A (zh) * | 2020-12-22 | 2021-03-19 | 北京百度网讯科技有限公司 | 量子态保真度确定方法、装置、设备和存储介质 |
CN112561069B (zh) * | 2020-12-23 | 2021-09-21 | 北京百度网讯科技有限公司 | 模型处理方法、装置、设备及存储介质 |
CN112529203B (zh) * | 2020-12-23 | 2021-09-07 | 北京百度网讯科技有限公司 | 纠缠量子态分辨方法、装置、设备及存储介质 |
CN112801274B (zh) * | 2021-01-29 | 2022-12-06 | 清华大学 | 人工智能处理装置、权重参数读写方法及装置 |
CN113159324B (zh) * | 2021-02-26 | 2023-11-07 | 山东英信计算机技术有限公司 | 一种量子设备校准方法、装置、设备及介质 |
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 |
CN113098802B (zh) * | 2021-03-25 | 2021-10-26 | 北京百度网讯科技有限公司 | 量子噪声信道的逆映射分解方法及装置、电子设备和介质 |
CN113449778B (zh) * | 2021-06-10 | 2023-04-21 | 北京百度网讯科技有限公司 | 用于量子数据分类的模型训练方法以及量子数据分类方法 |
CN113283607B (zh) * | 2021-06-15 | 2023-11-07 | 京东科技信息技术有限公司 | 用于估计量子态保真度的方法、装置、电子设备和介质 |
CN114065939B (zh) * | 2021-11-22 | 2022-10-11 | 北京百度网讯科技有限公司 | 量子芯片设计模型的训练方法、装置、设备及存储介质 |
CN118430723A (zh) * | 2024-07-03 | 2024-08-02 | 国开启科量子技术(安徽)有限公司 | 基于量子神经网络模拟材料的方法、装置、设备和介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214511A (zh) * | 2018-08-15 | 2019-01-15 | 算丰科技(北京)有限公司 | 数据处理方法、数据处理装置以及电子设备 |
CN110703994A (zh) * | 2019-09-20 | 2020-01-17 | 上海新储集成电路有限公司 | 一种神经网络模型的数据存储系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8965819B2 (en) * | 2010-08-16 | 2015-02-24 | Oracle International Corporation | System and method for effective caching using neural networks |
-
2020
- 2020-04-30 CN CN202010367671.7A patent/CN111563186B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214511A (zh) * | 2018-08-15 | 2019-01-15 | 算丰科技(北京)有限公司 | 数据处理方法、数据处理装置以及电子设备 |
CN110703994A (zh) * | 2019-09-20 | 2020-01-17 | 上海新储集成电路有限公司 | 一种神经网络模型的数据存储系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111563186A (zh) | 2020-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563186B (zh) | 量子数据存储方法、读取方法、装置及计算设备 | |
CN110738321B (zh) | 一种量子信号处理方法及装置 | |
CN111639710B (zh) | 图像识别模型训练方法、装置、设备以及存储介质 | |
US20230022550A1 (en) | Image processing method, method for training image processing model devices and storage medium | |
He et al. | Fast large-scale spectral clustering via explicit feature mapping | |
CN111598247B (zh) | 量子吉布斯态生成方法、装置及电子设备 | |
US20220004716A1 (en) | Method and apparatus for training semantic representation model, device and computer storage medium | |
CN111737996B (zh) | 基于语言模型获取词向量的方法、装置、设备及存储介质 | |
CN111598249B (zh) | 确定近似量子门的方法、装置、经典计算机和存储介质 | |
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 | |
CN111008280A (zh) | 一种视频分类方法、装置、设备和存储介质 | |
CN111598246B (zh) | 量子吉布斯态生成方法、装置及电子设备 | |
Wang et al. | Large-scale affine matrix rank minimization with a novel nonconvex regularizer | |
CN112270711B (zh) | 模型训练以及姿态预测方法、装置、设备以及存储介质 | |
CN112381233A (zh) | 数据压缩方法、装置、电子设备和存储介质 | |
CN110991648A (zh) | 一种高斯分布量子态确定方法、装置以及电子设备 | |
CN112288483A (zh) | 用于训练模型的方法和装置、用于生成信息的方法和装置 | |
AU2020237590B2 (en) | Compilation of quantum algorithms | |
US20220357923A1 (en) | Method for implementing dot product operation, electronic device and storage medium | |
AU2020233743B2 (en) | Quantum pulse determining method, apparatus, device and readable storage medium | |
CN111311000B (zh) | 用户消费行为预测模型训练方法、装置、设备及存储介质 | |
de Vazelhes et al. | Zeroth-order hard-thresholding: gradient error vs. expansivity | |
CN111709514A (zh) | 神经网络模型的处理方法和装置 | |
US20220075026A1 (en) | Lidar map-based loop detection method, device, and medium | |
CN115577786A (zh) | 量子熵确定方法、装置、设备及存储介质 |
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 |