CN111612151B - 一种量子计算机的控制方法、系统及相关组件 - Google Patents

一种量子计算机的控制方法、系统及相关组件 Download PDF

Info

Publication number
CN111612151B
CN111612151B CN202010461803.2A CN202010461803A CN111612151B CN 111612151 B CN111612151 B CN 111612151B CN 202010461803 A CN202010461803 A CN 202010461803A CN 111612151 B CN111612151 B CN 111612151B
Authority
CN
China
Prior art keywords
quantum
qubit
control
control signal
computer
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
Application number
CN202010461803.2A
Other languages
English (en)
Other versions
CN111612151A (zh
Inventor
孙善宝
罗清彩
于晓艳
金长新
刘幼航
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.)
Shandong Inspur Scientific Research Institute Co Ltd
Original Assignee
Shandong Inspur Scientific Research Institute 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 Shandong Inspur Scientific Research Institute Co Ltd filed Critical Shandong Inspur Scientific Research Institute Co Ltd
Priority to CN202010461803.2A priority Critical patent/CN111612151B/zh
Publication of CN111612151A publication Critical patent/CN111612151A/zh
Application granted granted Critical
Publication of CN111612151B publication Critical patent/CN111612151B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Superconductor Devices And Manufacturing Methods Thereof (AREA)

Abstract

本申请公开了一种量子计算机的控制方法、系统及相关组件，包括：对量子计算机进行初始化设置，并获取单个量子位的最佳控制信号；将量子计算应用程序指令和最佳控制信号输入量子位控制模型，得到对应的微波控制信号，以通过量子测控系统完成量子位的操作；量子位控制模型具体为根据量子位布局、量子位个数、量子退相干时间和量子位操作时序确定结构，并通过量子计算机的初始训练数据进行训练优化得到的神经网络模型。本发明通过训练优化得到的神经网络模型，也即量子位控制模型，能够输出远比现有技术更为准确的微波控制信号，排除量子计算机运行过程中的各类误差，提高量子计算应用程序指令的执行效率。

Description

一种量子计算机的控制方法、系统及相关组件
技术领域
本发明涉及量子计算机控制领域，特别涉及一种量子计算机的控制方法、系统及相关组件。
背景技术
近年来，量子计算技术发展迅速，几乎所有的基础问题已经在理论上得到了解决。超导量子计算机的系统工作在超低温环境下，其核心是超导量子芯片，通过在微波频率上施加脉冲波形来实现对量子位的操控，并且在微波电子器件的制作上可以利用现有的半导体微加工工艺，成为目前比较可靠的实现量子计算的物理系统之一。
超导量子计算机的核心是量子芯片和量子测控系统，通过量子测控系统将设计好的量子电路转换成相应的量子控制脉冲信号，模拟信号以电磁场的形式耦合到其中嵌入了量子比特的物理基底，进而实现操控量子计算机运作。但在运作过程中，控制电子设备精密仪器本身的缺陷产生的噪声、来自外部辐射的干扰、以及数字信号转模拟信号过程中产生的控制误差，会影响量子计算的保真度，降低量子计算的性能。在这种情况下，如何产生更加合理的控制信号，实现超导量子计算机环境下量子计算应用程序的高效准确执行成为亟需解决的问题。
发明内容
有鉴于此，本发明的目的在于提供一种准确高效的量子计算机的控制方法、系统及相关组件。其具体方案如下：
一种量子计算机的控制方法，包括：
对量子计算机进行初始化设置，并获取单个量子位的最佳控制信号；
将量子计算应用程序指令和所述最佳控制信号输入量子位控制模型，得到对应的微波控制信号，以通过量子测控系统完成量子位的操作；
所述量子位控制模型具体为根据量子位布局、量子位个数、量子退相干时间和量子位操作时序确定结构，并通过所述量子计算机的初始训练数据进行训练优化得到的神经网络模型；
所述初始训练数据为无所述量子位控制模型时，所述量子计算机在所述量子计算应用程序指令下的初始控制信号和对应的初始测量数据。
优选的，所述量子位控制模型包括：
根据所述初始训练数据学习不同量子位之间的关联关系、并生成量子位关系矩阵的量子位关系生成器；
根据所述量子计算应用程序指令、所述最佳控制信号和所述量子位关系矩阵，生成微波控制信号的量子位控制生成器。
优选的，所述量子位控制生成器具体包括门控循环单元网络和注意力机制。
优选的，所述量子位控制模型具体为：
利用梯度下降优化法，通过所述量子计算机的初始训练数据进行训练优化得到的神经网络模型。
优选的，所述对量子计算机进行初始化设置，并获取单个量子位的最佳控制信号的过程，具体包括：
测量量子计算机的谐振腔频率，并通过调整微波源频率，测量得到人造量子频率；
根据量子位个数、所述谐振腔频率、所述微波源频率、所述人造量子频率，设定所述量子计算机的初始参数；
利用扫描频率频段，通过量子测控系统改编微波源频率，得到测量结果；
根据所述测量结果确定单个量子位的最佳控制信号。
优选的，所述控制方法还包括：
循环执行优化所述量子位控制模型的步骤，直至循环次数达到预设数值；
所述优化所述量子位控制模型的步骤包括：
获取所述微波控制信号对应的第二测量数据；
将所述微波控制信号和所述第二测量数据作为第二训练数据，对所述量子位控制模型进行训练优化。
相应的，本发明还公开了一种量子计算机的控制系统，包括：
初始化模块，用于对量子计算机进行初始化设置，并获取单个量子位的最佳控制信号；
信号输出模块，用于将量子计算应用程序指令和所述最佳控制信号输入量子位控制模型，得到对应的微波控制信号，以通过量子测控系统完成量子位的操作；
所述量子位控制模型具体为根据量子位布局、量子位个数、量子退相干时间和量子位操作时序确定结构，并通过所述量子计算机的初始训练数据进行训练优化得到的神经网络模型；
所述初始训练数据为无所述量子位控制模型时，所述量子计算机在所述量子计算应用程序指令下的初始控制信号和对应的初始测量数据。
相应的，本发明还公开了一种量子计算机的控制装置，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上文任一项所述量子计算机的控制方法的步骤。
相应的，本发明还公开了一种可读存储介质，所述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如上文任一项所述量子计算机的控制方法的步骤。
本发明公开了一种量子计算机的控制方法，包括：对量子计算机进行初始化设置，并获取单个量子位的最佳控制信号；将量子计算应用程序指令和所述最佳控制信号输入量子位控制模型，得到对应的微波控制信号，以通过量子测控系统完成量子位的操作；所述量子位控制模型具体为根据量子位布局、量子位个数、量子退相干时间和量子位操作时序确定结构，并通过所述量子计算机的初始训练数据进行训练优化得到的神经网络模型；所述初始训练数据为无所述量子位控制模型时，所述量子计算机在所述量子计算应用程序指令下的初始控制信号和对应的初始测量数据。本发明通过训练优化得到的神经网络模型，也即量子位控制模型，能够输出远比现有技术更为准确的微波控制信号，排除量子计算机运行过程中的各类误差，提高量子计算应用程序指令的执行效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例中一种量子计算机的控制方法的步骤流程图；
图2为本发明实施例中一种量子位控制模型的结构分布图；
图3为本发明实施例中一种量子计算机的控制系统的结构分布图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在运作过程中，控制电子设备精密仪器本身的缺陷产生的噪声、来自外部辐射的干扰、以及数字信号转模拟信号过程中产生的控制误差，会影响量子计算的保真度，降低量子计算的性能。本申请通过训练优化得到的神经网络模型，也即量子位控制模型，能够输出远比现有技术更为准确的微波控制信号，排除量子计算机运行过程中的各类误差，提高量子计算应用程序指令的执行效率。
本发明实施例公开了一种量子计算机的控制方法，参见图1所示，包括：
S1：对量子计算机进行初始化设置，并获取单个量子位的最佳控制信号；
S2：将量子计算应用程序指令和最佳控制信号输入量子位控制模型，得到对应的微波控制信号，以通过量子测控系统完成量子位的操作；
其中，量子位控制模型具体为根据量子位布局、量子位个数、量子退相干时间和量子位操作时序确定结构，并通过量子计算机的初始训练数据进行训练优化得到的神经网络模型；
初始训练数据为无量子位控制模型时，量子计算机在量子计算应用程序指令下的初始控制信号和对应的初始测量数据。
通常超导量子计算机包括量子芯片、量子测控系统、制冷系统和量子服务系统，量子芯片其中包含多个独立的量子比特单元，通过量子测控系统实现对量子位的操控；量子测控系统对每一个量子比特单元有独立的控制线路，主要包括X、Y、Z三个线路，通过在测控设备的微波频率上施加脉冲波形来实现量子逻辑门，对于量子位测量可以采用多路载波方式统一输出，将测控设备监控输出端信号并调节微波频率，通过判读微波频率与量子位谐振器频率确定量子位状态；制冷系统保证量子芯片工作在超低温环境下；量子服务系统包括温度控制单元、真空控制单元等控制模块以及系统监控和量子计算应用程序开发相关服务。本实施例中量子计算机的控制方法通过量子位控制模型实现更为精确的微波控制信号，并输出到量子测控系统。
本发明通过训练优化得到的神经网络模型，也即量子位控制模型，能够输出远比现有技术更为准确的微波控制信号，排除量子计算机运行过程中的各类误差，提高量子计算应用程序指令的执行效率。
进一步的，参见图2所示，量子位控制模型包括：
根据初始训练数据学习不同量子位之间的关联关系、并生成量子位关系矩阵的量子位关系生成器01；
根据量子计算应用程序指令、最佳控制信号和量子位关系矩阵，生成微波控制信号的量子位控制生成器02。
具体的，量子位控制生成器02包括门控循环单元(gated recurrent unit，GRU)网络和注意力机制。通常，量子位控制生成器02包括输入层、GRU层、注意力层、输出层四层。
本实施例中量子位控制模型主要采用循环神经网络和注意力机制，考虑量子退相干时间和量子位操作的时序影响，涉及参数较少，容易训练。通过量子位控制模型将产生更为合理的微波控制信号，优化总的门时间和门保真度，一定程度上消除误差带来的影响，以达到实现准确控制量子位的目的，进而提升在超导量子计算机环境下量子计算应用程序指令的执行准确率和执行效率。另外，采集的大量初始训练数据多来自实际的量子应用程序，形成的量子位控制模型也将更加符合实际量子应用的需求。
进一步的，量子位控制模型具体为：
利用梯度下降优化法，通过量子计算机的初始训练数据进行训练优化得到的神经网络模型。
具体的，步骤S1中对量子计算机进行初始化设置，并获取单个量子位的最佳控制信号的过程，具体包括：
S11：测量量子计算机的谐振腔频率，并通过调整微波源频率，测量得到人造量子频率；
S12：根据量子位个数、谐振腔频率、微波源频率、人造量子频率，设定量子计算机的初始参数；
S13：利用扫描频率频段，通过量子测控系统改编微波源频率，得到测量结果；
S14：根据测量结果确定单个量子位的最佳控制信号。
可以理解的是，量子测控系统执行量子计算应用程序指令对应的初始控制信号并得出量子计算机的初始测量数据的过程，使用常规手段实现即可，其执行前的初始化步骤与本实施例中S11-S14相同。
进一步的，控制方法还可以包括：
S3：循环执行优化量子位控制模型的步骤，直至循环次数达到预设数值；
其中优化量子位控制模型的步骤包括：
获取微波控制信号对应的第二测量数据；
将微波控制信号和第二测量数据作为第二训练数据，对量子位控制模型进行训练优化。
也就是说，量子位控制模型在应用过程中会继续进行训练优化，进一步提高控制的准确度。
相应的，本发明实施例还公开了一种量子计算机的控制系统，参见图3所示，包括：
初始化模块1，用于对量子计算机进行初始化设置，并获取单个量子位的最佳控制信号；
信号输出模块2，用于将量子计算应用程序指令和最佳控制信号输入量子位控制模型，得到对应的微波控制信号，以通过量子测控系统完成量子位的操作；
量子位控制模型具体为根据量子位布局、量子位个数、量子退相干时间和量子位操作时序确定结构，并通过量子计算机的初始训练数据进行训练优化得到的神经网络模型；
初始训练数据为无量子位控制模型时，量子计算机在量子计算应用程序指令下的初始控制信号和对应的初始测量数据。
本发明实施例通过训练优化得到的神经网络模型，也即量子位控制模型，能够输出远比现有技术更为准确的微波控制信号，排除量子计算机运行过程中的各类误差，提高量子计算应用程序指令的执行效率。
相应的，本发明实施例还公开了一种量子计算机的控制装置，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上文任一项实施例所述量子计算机的控制方法的步骤。
相应的，本发明实施例还公开了一种可读存储介质，所述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如上文任一项实施例所述量子计算机的控制方法的步骤。
其中，本实施例中有关量子计算机的控制方法的具体细节，可以参照上文实施例中的内容，此处不再赘述。
具体的，所述量子计算机的控制装置和可读存储介质具有与上文实施例中相同的有益效果，此处不再赘述。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种量子计算机的控制方法、系统及相关组件进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种量子计算机的控制方法，其特征在于，包括：
对量子计算机进行初始化设置，并获取单个量子位的最佳控制信号；
将量子计算应用程序指令和所述最佳控制信号输入量子位控制模型，得到对应的微波控制信号，以通过量子测控系统完成量子位的操作；
所述量子位控制模型具体为根据量子位布局、量子位个数、量子退相干时间和量子位操作时序确定结构，并通过所述量子计算机的初始训练数据进行训练优化得到的神经网络模型；
所述初始训练数据为无所述量子位控制模型时，所述量子计算机在所述量子计算应用程序指令下的初始控制信号和对应的初始测量数据；
所述量子位控制模型包括：
根据所述初始训练数据学习不同量子位之间的关联关系、并生成量子位关系矩阵的量子位关系生成器；
根据所述量子计算应用程序指令、所述最佳控制信号和所述量子位关系矩阵，生成微波控制信号的量子位控制生成器；
所述量子位控制生成器具体包括门控循环单元网络和注意力机制。
2.根据权利要求1所述控制方法，其特征在于，所述量子位控制模型具体为：
利用梯度下降优化法，通过所述量子计算机的初始训练数据进行训练优化得到的神经网络模型。
3.根据权利要求1至2任一项所述控制方法，其特征在于，所述对量子计算机进行初始化设置，并获取单个量子位的最佳控制信号的过程，具体包括：
测量量子计算机的谐振腔频率，并通过调整微波源频率，测量得到人造量子频率；
根据量子位个数、所述谐振腔频率、所述微波源频率、所述人造量子频率，设定所述量子计算机的初始参数；
利用扫描频率频段，通过量子测控系统改编微波源频率，得到测量结果；
根据所述测量结果确定单个量子位的最佳控制信号。
4.根据权利要求3所述控制方法，其特征在于，还包括：
循环执行优化所述量子位控制模型的步骤，直至循环次数达到预设数值；
所述优化所述量子位控制模型的步骤包括：
获取所述微波控制信号对应的第二测量数据；
将所述微波控制信号和所述第二测量数据作为第二训练数据，对所述量子位控制模型进行训练优化。
5.一种量子计算机的控制系统，其特征在于，包括：
初始化模块，用于对量子计算机进行初始化设置，并获取单个量子位的最佳控制信号；
信号输出模块，用于将量子计算应用程序指令和所述最佳控制信号输入量子位控制模型，得到对应的微波控制信号，以通过量子测控系统完成量子位的操作；
所述量子位控制模型具体为根据量子位布局、量子位个数、量子退相干时间和量子位操作时序确定结构，并通过所述量子计算机的初始训练数据进行训练优化得到的神经网络模型；
所述初始训练数据为无所述量子位控制模型时，所述量子计算机在所述量子计算应用程序指令下的初始控制信号和对应的初始测量数据；
所述量子位控制模型包括：
根据所述初始训练数据学习不同量子位之间的关联关系、并生成量子位关系矩阵的量子位关系生成器；
根据所述量子计算应用程序指令、所述最佳控制信号和所述量子位关系矩阵，生成微波控制信号的量子位控制生成器；
所述量子位控制生成器具体包括门控循环单元网络和注意力机制。
6.一种量子计算机的控制装置，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述量子计算机的控制方法的步骤。
7.一种可读存储介质，其特征在于，所述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如权利要求1至4任一项所述量子计算机的控制方法的步骤。
CN202010461803.2A 2020-05-27 2020-05-27 一种量子计算机的控制方法、系统及相关组件 Active CN111612151B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010461803.2A CN111612151B (zh) 2020-05-27 2020-05-27 一种量子计算机的控制方法、系统及相关组件

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010461803.2A CN111612151B (zh) 2020-05-27 2020-05-27 一种量子计算机的控制方法、系统及相关组件

Publications (2)

Publication Number Publication Date
CN111612151A CN111612151A (zh) 2020-09-01
CN111612151B true CN111612151B (zh) 2023-06-16

Family

ID=72200483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010461803.2A Active CN111612151B (zh) 2020-05-27 2020-05-27 一种量子计算机的控制方法、系统及相关组件

Country Status (1)

Country Link
CN (1) CN111612151B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108369668A (zh) * 2015-10-16 2018-08-03 D-波系统公司 用于创建和使用量子玻尔兹曼机的系统和方法
WO2020037300A1 (en) * 2018-08-17 2020-02-20 Zapata Computing, Inc. Quantum computer with exact compression of quantum states

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9996801B2 (en) * 2015-07-20 2018-06-12 University Of Maryland, College Park Microwave-free control of a superconductor-based quantum computer

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108369668A (zh) * 2015-10-16 2018-08-03 D-波系统公司 用于创建和使用量子玻尔兹曼机的系统和方法
WO2020037300A1 (en) * 2018-08-17 2020-02-20 Zapata Computing, Inc. Quantum computer with exact compression of quantum states

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
宣科 ; 刘红英 ; 沈涛 ; 刘志刚 ; 向立 ; .一种新型短期负荷预测模型的研究及应用.黑龙江电力.2011,(05),全文. *

Also Published As

Publication number Publication date
CN111612151A (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
AU2021240155B2 (en) Control Pulse Generation Method, Apparatus, System, Device And Storage Medium
JP7471736B2 (ja) 量子系の基底状態エネルギーの推定方法、およびシステム
Deiana et al. Applications and techniques for fast machine learning in science
US11755807B2 (en) Method for predicting delay at multiple corners for digital integrated circuit
US20210241095A1 (en) Deep learning processing apparatus and method, device and storage medium
US20230196202A1 (en) System and method for automatic building of learning machines using learning machines
CN113098803B (zh) 量子噪声信道的逆映射分解方法及装置、电子设备和介质
CN111612151B (zh) 一种量子计算机的控制方法、系统及相关组件
CN109683086B (zh) 一种量子比特控制信号生成方法
CN116450486B (zh) 多元异构计算系统内节点的建模方法、装置、设备及介质
US20220138388A1 (en) Selecting a subset of training data from a data pool for a power prediction model
Wang et al. Leakage-aware predictive thermal management for multicore systems using echo state network
Yang et al. TIMAQ: A time-domain computing-in-memory-based processor using predictable decomposed convolution for arbitrary quantized DNNs
Basterrech et al. Evolutionary Echo State Network: A neuroevolutionary framework for time series prediction
CN114662646A (zh) 实现神经网络的方法和装置
CN109615079B (zh) 一种量子比特控制信号生成系统
CN115510964B (zh) 一种针对液相色谱仪类科学仪器的机时计算方法
CN116502774A (zh) 一种基于时间序列分解和勒让德投影的时间序列预测方法
Imani et al. Hierarchical, distributed and brain-inspired learning for internet of things systems
Liang et al. Physical reservoir computing with emerging electronics
US20220405450A1 (en) Architecting an integrated circuit or system using machine learning
Baccigalupi et al. Error compensation of A/D converters using neural networks
CN114897274A (zh) 一种提升时间序列预测效果的方法和系统
CN112926733B (zh) 一种语音关键词检测专用芯片
Shi et al. Ml-based real-time control at the edge: An approach using hls4ml

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230512

Address after: 250098 building S02, No. 1036, Gaoxin Inspur Road, Jinan, Shandong

Applicant after: Shandong Inspur Scientific Research Institute Co.,Ltd.

Address before: 250104 1st floor, R & D building, 2877 Kehang Road, Suncun Town, high tech Zone, Jinan City, Shandong Province

Applicant before: JINAN INSPUR HIGH-TECH TECHNOLOGY DEVELOPMENT Co.,Ltd.

GR01 Patent grant
GR01 Patent grant