CN111612152B - 一种量子计算机的模拟控制方法、系统及相关组件 - Google Patents

一种量子计算机的模拟控制方法、系统及相关组件 Download PDF

Info

Publication number
CN111612152B
CN111612152B CN202010461827.8A CN202010461827A CN111612152B CN 111612152 B CN111612152 B CN 111612152B CN 202010461827 A CN202010461827 A CN 202010461827A CN 111612152 B CN111612152 B CN 111612152B
Authority
CN
China
Prior art keywords
quantum
quantum computer
computing application
application program
entity
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
CN202010461827.8A
Other languages
English (en)
Other versions
CN111612152A (zh
Inventor
孙善宝
罗清彩
谭强
金长新
姜凯
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 CN202010461827.8A priority Critical patent/CN111612152B/zh
Publication of CN111612152A publication Critical patent/CN111612152A/zh
Application granted granted Critical
Publication of CN111612152B publication Critical patent/CN111612152B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Feedback Control In General (AREA)

Abstract

本申请公开了一种量子计算机的模拟控制方法、系统及相关组件，包括：获取量子计算应用程序；选择量子计算应用程序对应的量子计算机模拟仿真环境，在量子计算机模拟仿真环境中执行量子计算应用程序，输出执行结果；比较执行结果与预期结果，并对量子计算应用程序进行优化，以使优化后的量子计算应用程序的执行结果趋向预期结果；量子计算机模拟仿真环境具体通过对实体量子计算机的操作数据及反馈数据进行学习和仿真得到。本发明中利用仿真得到的量子计算机模拟仿真环境代替实体量子计算机量子计算应用程序的执行和优化过程中不需要对实体量子计算机进行操作，解除了执行对象必须为实体量子计算机的限制，调试成本降低，调试效率提升。

Description

一种量子计算机的模拟控制方法、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模拟控制方法、系统及相关组件。
背景技术
近年来，随着量子计算技术发展迅速，量子计算机的研究为信息技术的发展开辟了新的途径，量子计算机(Quantum Computer)的性能远超当前的经典超级计算机，几乎所有的基础问题已经在理论上得到了解决。通用量子计算机一旦实现，将可以极大地赋能人工智能、药物开发、物流等领域，带来国家安全和社会经济发展的极大变革。
目前，实现量子计算机的途径主要有5种方法，分别是超导、离子阱、量子点、量子光学和拓扑量子计算，未来可能还会有其他形式。而相比于经典计算机，量子计算机硬件实现技术还不成熟，在工程上还有很大挑战，在当前量子计算技术不完善、控制方法不成熟、开发成本高的情况下，量子计算机的测试、应用、调试成本较高，如何更有效准确地实现量子计算机的应用执行，成为目前本领域技术人员需要解决的问题。
发明内容
有鉴于此，本发明的目的在于提供一种成本较低、效率较高的量子计算机的模拟控制方法、系统及相关组件。其具体方案如下：
一种量子计算机的模拟控制方法，包括：
获取量子计算应用程序；
选择所述量子计算应用程序对应的量子计算机模拟仿真环境，在所述量子计算机模拟仿真环境中执行所述量子计算应用程序，输出执行结果；
比较所述执行结果与预期结果，并对所述量子计算应用程序进行优化，以使优化后的所述量子计算应用程序的执行结果趋向所述预期结果；
其中，所述量子计算机模拟仿真环境具体通过对实体量子计算机的操作数据及反馈数据进行学习和仿真得到。
优选的，通过对实体量子计算机的操作数据及反馈数据进行学习和仿真得到所述量子计算机模拟仿真环境的过程，具体包括：
设置实体量子计算机的实现模式和应用环境，并获取对应的操作数据；
按照所述操作数据对所述实体量子计算机执行操作，并获取对应的反馈数据，然后进行强化学习和仿真，得到所述量子计算机模拟仿真环境。
优选的，所述操作数据具体为：
在所述实现模式和所述应用环境下对应的训练用量子计算应用程序被解释编码分段后得到的量子计算机状态和具体量子位的操作序列。
优选的，所述按照所述操作数据对所述实体量子计算机执行操作，并获取对应的反馈数据，然后进行强化学习和仿真，得到所述量子计算机模拟仿真环境的过程，具体包括：
设定模拟环境反馈奖励标准，并设定奖励函数；
初始化策略模型π、实体量子计算机的状态、训练参数；
按照所述操作序列，对每段训练用量子计算应用程序进行动作操作，以优化所述策略模型π；
所述动作操作包括：
对该段训练用量子计算应用程序解释编码；
对所述实体量子计算机进行对应该段训练用量子计算应用程序的循环动作操作，得到对应的所述操作序列和总奖励，以优化所述策略模型π。
优选的，所述循环动作操作包括：
循环执行以下操作，直至得到该段训练用量子计算应用程序的所有状态和所有奖励，以确定所述操作序列和总奖励：
根据所述实体量子计算机的当前状态，通过所述策略模型π生成动作，形成状态-操作量子位元组；
在所述实体量子计算机中执行当前动作，并反馈得到所述实体量子计算机的下一状态，以及对应所述奖励函数的当前奖励。
优选的，所述对所述实体量子计算机进行对应该段训练用量子计算应用程序的循环动作操作，得到对应的所述操作序列和总奖励，以优化所述策略模型π的过程，具体包括：
对所述实体量子计算机进行对应该段训练用量子计算应用程序的循环动作操作，得到对应的所述操作序列和总奖励，以使用梯度上升优化方法优化所述策略模型π。
优选的，所述模拟控制方法还包括：
比较所述执行结果与预期结果，并调整所述量子计算机模拟仿真环境中的控制量子位及执行顺序，以使优化后的所述量子计算应用程序的执行结果趋向所述预期结果。
相应的，本发明还公开了一种量子计算机的模拟控制系统，包括：
获取模块，用于获取量子计算应用程序；
执行模块，用于选择所述量子计算应用程序对应的量子计算机模拟仿真环境，在所述量子计算机模拟仿真环境中执行所述量子计算应用程序，输出执行结果；
优化模块，用于比较所述执行结果与预期结果，并对所述量子计算应用程序进行优化，以使优化后的所述量子计算应用程序的执行结果趋向所述预期结果；
其中，所述量子计算机模拟仿真环境具体通过对实体量子计算机的操作数据及反馈数据进行学习和仿真得到。
相应的，本发明还公开了一种量子计算机的模拟控制装置，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模拟控制方法的步骤。
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模拟控制方法的步骤。
本发明公开了一种量子计算机的模拟控制方法，包括：获取量子计算应用程序；选择所述量子计算应用程序对应的量子计算机模拟仿真环境，在所述量子计算机模拟仿真环境中执行所述量子计算应用程序，输出执行结果；比较所述执行结果与预期结果，并对所述量子计算应用程序进行优化，以使优化后的所述量子计算应用程序的执行结果趋向所述预期结果；其中，所述量子计算机模拟仿真环境具体通过对实体量子计算机的操作数据及反馈数据进行学习和仿真得到。由于本发明中利用仿真得到的量子计算机模拟仿真环境，代替实体量子计算机，来执行量子计算应用程序，并根据执行结果优化量子计算应用程序，量子计算应用程序的执行和优化过程中不需要对实体量子计算机进行操作，解除了执行对象必须为实体量子计算机的限制，调试成本降低，调试效率提升，比现有方式更为便利。
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模拟控制方法的步骤流程图；
图2为本发明实施例中一种量子计算机的模拟控制方法的子步骤流程图；
图3为本发明实施例中一种量子计算机的模拟控制方法的子步骤流程图；
图4为本发明实施例中一种量子计算机的模拟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。
而相比于经典计算机，量子计算机硬件实现技术还不成熟，在工程上还有很大挑战，在当前量子计算技术不完善、控制方法不成熟、开发成本高的情况下，量子计算机的测试、应用、调试成本较高。而本发明中利用仿真得到的量子计算机模拟仿真环境代替实体量子计算机，解除了执行对象必须为实体量子计算机的限制，调试成本降低，调试效率提升。
本发明实施例公开了一种量子计算机的模拟控制方法，参见图1所示，包括：
S11：获取量子计算应用程序；
S12：选择量子计算应用程序对应的量子计算机模拟仿真环境，在量子计算机模拟仿真环境中执行量子计算应用程序，输出执行结果；
S13：比较执行结果与预期结果，并对量子计算应用程序进行优化，以使优化后的量子计算应用程序的执行结果趋向预期结果；
其中，量子计算机模拟仿真环境具体通过对实体量子计算机的操作数据及反馈数据进行学习和仿真得到。
可以理解的是，常规的物理量子计算机可采用超导、离子阱、量子点、量子光学和拓扑量子计算等方式实现，通过量子测控系统与物理量子计算机进行交互，完成量子计算应用程序的执行和结果反馈。本实施例主要通过云数据中心实现，云数据中心可通过云基础设施对外提供IaaS、PaaS、SaaS等云服务，针对量子计算应用开发提供量子计算软件开发服务、量子编程框架、量子计算机数学模拟环境、量子计算机模拟仿真环境、量子计算应用程序优化等服务；其中量子计算机数学模拟环境基于物理特性，采用数学公式计算来模拟量子计算机的运行环境；量子计算机模拟仿真环境通过神经网络模型实现对于真实物理量子计算机，也即实体量子计算机的模拟；量子计算软件是在量子编程框架下编写的程序，也即量子计算应用程序，可以运行在量子计算机数学模拟环境下，也可以运行在量子计算机模拟仿真环境下，并且可以通过量子测控系统对其编码，在实体量子计算机上运行；量子计算应用程序优化服务可根据具体的量子计算机模拟仿真环境，优化指定的量子计算应用程序，提升程序执行准确率。
可以理解的是，量子计算机模拟仿真环境具体通过对实体量子计算机的操作数据及反馈数据进行学习和仿真得到，量子计算机模拟仿真环境是由实体量子计算机仿真学习得到，可以替代实体量子计算机来执行量子计算应用程序，得到的执行结果与实体量子计算机的执行结果相当，在实体量子计算机不参与的情况下，利用量子计算机模拟仿真环境就可以对量子计算应用程序进行相应的测试和优化。
进一步的，模拟控制方法还可以包括：
S14：比较执行结果与预期结果，并调整量子计算机模拟仿真环境中的控制量子位及执行顺序，以使优化后的量子计算应用程序的执行结果趋向预期结果。
可以理解的是，在利用量子计算机模拟仿真环境执行量子计算应用程序得到执行结果后，可进行不同方向的优化调整，如步骤S13中比较执行结果和预期结果后对量子计算应用程序调整，又如步骤S14中对控制量子位和执行顺序的调整，还可以选择不同的量子计算机模拟仿真环境执行同一量子计算应用程序，再对不同的执行结果和预期结果比较，进行量子计算应用程序的优化，以及考虑不同的量子计算机模拟仿真环境、量子计算机数学模拟环境的执行结果，调整要用到的控制量子位及其执行顺序，进而优化实体量子计算机的运行环境等，具体的优化调整措施可根据实际需求进行设定，此处并不作限定。
本实施例公开了一种量子计算机的模拟控制方法，包括：获取量子计算应用程序；选择量子计算应用程序对应的量子计算机模拟仿真环境，在量子计算机模拟仿真环境中执行量子计算应用程序，输出执行结果；比较执行结果与预期结果，并对量子计算应用程序进行优化，以使优化后的量子计算应用程序的执行结果趋向预期结果；其中，量子计算机模拟仿真环境具体通过对实体量子计算机的操作数据及反馈数据进行学习和仿真得到。由于本实施例中利用仿真得到的量子计算机模拟仿真环境，代替实体量子计算机，来执行量子计算应用程序，并根据执行结果优化量子计算应用程序，量子计算应用程序的执行和优化过程中不需要对实体量子计算机进行操作，解除了执行对象必须为实体量子计算机的限制，调试成本降低，调试效率提升，比现有方式更为便利。
本发明实施例公开了一种具体的量子计算机的模拟控制方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体的：
参见图2所示，通过对实体量子计算机的操作数据及反馈数据进行学习和仿真得到量子计算机模拟仿真环境的过程，具体包括：
S21：设置实体量子计算机的实现模式和应用环境，并获取对应的操作数据；
进一步的，操作数据具体为：
在实现模式和应用环境下对应的训练用量子计算应用程序被解释编码分段后得到的量子计算机状态和具体量子位的操作序列。
具体的，在量子计算机数学模拟环境下执行训练用量子计算应用程序，然后训练用量子计算应用程序被解释编码分段，得到当前量子计算机状态和具体量子位的操作序列(状态s，操作量子位a)。
S22：按照操作数据对实体量子计算机执行操作，并获取对应的反馈数据，然后进行强化学习和仿真，得到量子计算机模拟仿真环境。
具体的，强化学习过程中，利用LSTM构成神经网络，将练习用量子计算应用程序作为神经网络的输入，输出为对应的反馈数据。进一步的，步骤S22包括以下步骤：
S221：设定模拟环境反馈奖励标准，并设定奖励函数；
具体的，实体量子计算机的实现模式和应用环境不同，对应的各系列参数均不相同。此处根据实体量子计算机的当前实现模式和当前应用环境，结合训练用量子计算应用程序在量子计算机数学模拟环境下的执行情况，可设定模拟环境反馈奖励标准，并设定建立函数；
S222：初始化策略模型π、实体量子计算机的状态、训练参数；
可以理解的是，初始化后实体量子计算机的状态为初始状态s_0；
其中，训练参数通过云数据中心申请资源进行设定，训练参数包括执行模拟次数、学习率、batch等，batch也即每段训练用量子计算应用程序的大小。
S223：按照操作序列，对每段训练用量子计算应用程序进行动作操作，以优化策略模型π；
其中，动作操作包括：
对该段训练用量子计算应用程序解释编码；
对实体量子计算机进行对应该段训练用量子计算应用程序的循环动作操作，得到对应的操作序列和总奖励，以优化策略模型π。
进一步的，在优化策略模型π时，使用梯度上升优化方法。
具体的，循环动作操作包括：
循环执行以下操作，直至得到该段训练用量子计算应用程序的所有状态和所有奖励，以确定操作序列和总奖励：
根据实体量子计算机的当前状态，通过策略模型π生成动作，形成状态-操作量子位元组；
在实体量子计算机中执行当前动作，并反馈得到实体量子计算机的下一状态，以及对应奖励函数的当前奖励。
将整个动作操作的内容以子步骤流程图的形式表示，参见图3所示，其顺序应如下文所示：
S31：对该段训练用量子计算应用程序解释编码；
S32：根据实体量子计算机的当前状态s_i，通过策略模型π生成动作a_i，形成状态-操作量子位元组(s_i，a_i)；
S33：在实体量子计算机中执行当前动作a_i，并反馈得到实体量子计算机的下一状态s_i+1，以及对应奖励函数的当前奖励r_i。
S34：判断是否得到该段训练用量子计算应用程序的所有状态和所有奖励；若否，执行步骤S32；若是，执行步骤S35；
S35：根据该段训练用量子计算应用程序的所有状态和所有奖励，确定操作序列和总奖励；
其中，操作序列为(s_1，a_1，s_2，a_2，…s_n，a_n)，总奖励为r＝r_1+r_2…+r_n；
S36：根据操作序列和总奖励，优化策略模型π。
可以理解的是，步骤S223利用每段训练用量子计算应用程序对策略模型π进行优化，最后得到优化完成的策略模型π，该策略模型π最终确定了量子计算机模拟仿真环境。
相应的，本发明实施例还公开了一种量子计算机的模拟控制系统，参见图4所示，包括：
获取模块1，用于获取量子计算应用程序；
执行模块2，用于选择量子计算应用程序对应的量子计算机模拟仿真环境，在量子计算机模拟仿真环境中执行量子计算应用程序，输出执行结果；
优化模块3，用于比较执行结果与预期结果，并对量子计算应用程序进行优化，以使优化后的量子计算应用程序的执行结果趋向预期结果；
其中，量子计算机模拟仿真环境具体通过对实体量子计算机的操作数据及反馈数据进行学习和仿真得到。
由于本实施例中利用仿真得到的量子计算机模拟仿真环境，代替实体量子计算机，来执行量子计算应用程序，并根据执行结果优化量子计算应用程序，量子计算应用程序的执行和优化过程中不需要对实体量子计算机进行操作，解除了执行对象必须为实体量子计算机的限制，调试成本降低，调试效率提升，比现有方式更为便利。
在一些具体的实施例中，通过对实体量子计算机的操作数据及反馈数据进行学习和仿真得到所述量子计算机模拟仿真环境的过程，具体包括：
设置实体量子计算机的实现模式和应用环境，并获取对应的操作数据；
按照所述操作数据对所述实体量子计算机执行操作，并获取对应的反馈数据，然后进行强化学习和仿真，得到所述量子计算机模拟仿真环境。
在一些具体的实施例中，所述操作数据具体为：
在所述实现模式和所述应用环境下对应的训练用量子计算应用程序被解释编码分段后得到的量子计算机状态和具体量子位的操作序列。
在一些具体的实施例中，所述按照所述操作数据对所述实体量子计算机执行操作，并获取对应的反馈数据，然后进行强化学习和仿真，得到所述量子计算机模拟仿真环境的过程，具体包括：
设定模拟环境反馈奖励标准，并设定奖励函数；
初始化策略模型π、实体量子计算机的状态、训练参数；
按照所述操作序列，对每段训练用量子计算应用程序进行动作操作，以优化所述策略模型π；
所述动作操作包括：
对该段训练用量子计算应用程序解释编码；
对所述实体量子计算机进行对应该段训练用量子计算应用程序的循环动作操作，得到对应的所述操作序列和总奖励，以优化所述策略模型π。
在一些具体的实施例中，所述循环动作操作包括：
循环执行以下操作，直至得到该段训练用量子计算应用程序的所有状态和所有奖励，以确定所述操作序列和总奖励：
根据所述实体量子计算机的当前状态，通过所述策略模型π生成动作，形成状态-操作量子位元组；
在所述实体量子计算机中执行当前动作，并反馈得到所述实体量子计算机的下一状态，以及对应所述奖励函数的当前奖励。
在一些具体的实施例中，所述对所述实体量子计算机进行对应该段训练用量子计算应用程序的循环动作操作，得到对应的所述操作序列和总奖励，以优化所述策略模型π的过程，具体包括：
对所述实体量子计算机进行对应该段训练用量子计算应用程序的循环动作操作，得到对应的所述操作序列和总奖励，以使用梯度上升优化方法优化所述策略模型π。
在一些具体的实施例中，优化模块3还用于：
比较所述执行结果与预期结果，并调整所述量子计算机模拟仿真环境中的控制量子位及执行顺序，以使优化后的所述量子计算应用程序的执行结果趋向所述预期结果。
相应的，本发明实施例还公开了一种量子计算机的模拟控制装置，包括：
存储器，用于存储计算机程序；
处理器，用于执行计算机程序时实现如上文实施例任一项量子计算机的模拟控制方法的步骤。
相应的，本发明实施例还公开了一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上文实施例任一项量子计算机的模拟控制方法的步骤。
其中，本实施例中具体有关量子计算机的模拟控制方法的细节，可参照上文实施例中的相关内容，此处不再赘述。
其中，本实施例中量子计算机的模拟控制装置和可读存储介质，具有与上文实施例中量子计算机的模拟控制方法相同的有益效果，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模拟控制方法、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模拟控制方法，其特征在于，包括：
获取量子计算应用程序；
选择所述量子计算应用程序对应的量子计算机模拟仿真环境，在所述量子计算机模拟仿真环境中执行所述量子计算应用程序，输出执行结果；
比较所述执行结果与预期结果，并对所述量子计算应用程序进行优化，以使优化后的所述量子计算应用程序的执行结果趋向所述预期结果；
其中，所述量子计算机模拟仿真环境具体通过对实体量子计算机的操作数据及反馈数据进行学习和仿真得到；
通过对实体量子计算机的操作数据及反馈数据进行学习和仿真得到所述量子计算机模拟仿真环境的过程，具体包括：
设置实体量子计算机的实现模式和应用环境，并获取对应的操作数据；
按照所述操作数据对所述实体量子计算机执行操作，并获取对应的反馈数据，然后进行强化学习和仿真，得到所述量子计算机模拟仿真环境；
所述按照所述操作数据对所述实体量子计算机执行操作，并获取对应的反馈数据，然后进行强化学习和仿真，得到所述量子计算机模拟仿真环境的过程，具体包括：
设定模拟环境反馈奖励标准，并设定奖励函数；
初始化策略模型π、实体量子计算机的状态、训练参数；
按照所述操作序列，对每段训练用量子计算应用程序进行动作操作，以优化所述策略模型π；
所述动作操作包括：
对该段训练用量子计算应用程序解释编码；
对所述实体量子计算机进行对应该段训练用量子计算应用程序的循环动作操作，得到对应的所述操作序列和总奖励，以优化所述策略模型π。
2.根据权利要求1所述模拟控制方法，其特征在于，所述循环动作操作包括：
循环执行以下操作，直至得到该段训练用量子计算应用程序的所有状态和所有奖励，以确定所述操作序列和总奖励：
根据所述实体量子计算机的当前状态，通过所述策略模型π生成动作，形成状态-操作量子位元组；
在所述实体量子计算机中执行当前动作，并反馈得到所述实体量子计算机的下一状态，以及对应所述奖励函数的当前奖励。
3.根据权利要求1所述模拟控制方法，其特征在于，所述对所述实体量子计算机进行对应该段训练用量子计算应用程序的循环动作操作，得到对应的所述操作序列和总奖励，以优化所述策略模型π的过程，具体包括：
对所述实体量子计算机进行对应该段训练用量子计算应用程序的循环动作操作，得到对应的所述操作序列和总奖励，以使用梯度上升优化方法优化所述策略模型π。
4.根据权利要求1至3任一项所述模拟控制方法，其特征在于，还包括：
比较所述执行结果与预期结果，并调整所述量子计算机模拟仿真环境中的控制量子位及执行顺序，以使优化后的所述量子计算应用程序的执行结果趋向所述预期结果。
5.一种量子计算机的模拟控制系统，其特征在于，包括：
获取模块，用于获取量子计算应用程序；
执行模块，用于选择所述量子计算应用程序对应的量子计算机模拟仿真环境，在所述量子计算机模拟仿真环境中执行所述量子计算应用程序，输出执行结果；
优化模块，用于比较所述执行结果与预期结果，并对所述量子计算应用程序进行优化，以使优化后的所述量子计算应用程序的执行结果趋向所述预期结果；
其中，所述量子计算机模拟仿真环境具体通过对实体量子计算机的操作数据及反馈数据进行学习和仿真得到；
通过对实体量子计算机的操作数据及反馈数据进行学习和仿真得到所述量子计算机模拟仿真环境的过程，具体包括：
设置实体量子计算机的实现模式和应用环境，并获取对应的操作数据；
按照所述操作数据对所述实体量子计算机执行操作，并获取对应的反馈数据，然后进行强化学习和仿真，得到所述量子计算机模拟仿真环境；
所述按照所述操作数据对所述实体量子计算机执行操作，并获取对应的反馈数据，然后进行强化学习和仿真，得到所述量子计算机模拟仿真环境的过程，具体包括：
设定模拟环境反馈奖励标准，并设定奖励函数；
初始化策略模型π、实体量子计算机的状态、训练参数；
按照所述操作序列，对每段训练用量子计算应用程序进行动作操作，以优化所述策略模型π；
所述动作操作包括：
对该段训练用量子计算应用程序解释编码；
对所述实体量子计算机进行对应该段训练用量子计算应用程序的循环动作操作，得到对应的所述操作序列和总奖励，以优化所述策略模型π。
6.一种量子计算机的模拟控制装置，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模拟控制方法的步骤。
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模拟控制方法的步骤。
CN202010461827.8A 2020-05-27 2020-05-27 一种量子计算机的模拟控制方法、系统及相关组件 Active CN111612152B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010461827.8A CN111612152B (zh) 2020-05-27 2020-05-27 一种量子计算机的模拟控制方法、系统及相关组件

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010461827.8A CN111612152B (zh) 2020-05-27 2020-05-27 一种量子计算机的模拟控制方法、系统及相关组件

Publications (2)

Publication Number Publication Date
CN111612152A CN111612152A (zh) 2020-09-01
CN111612152B true CN111612152B (zh) 2023-06-16

Family

ID=72200935

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010461827.8A Active CN111612152B (zh) 2020-05-27 2020-05-27 一种量子计算机的模拟控制方法、系统及相关组件

Country Status (1)

Country Link
CN (1) CN111612152B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112749809B (zh) * 2021-01-14 2021-12-14 北京百度网讯科技有限公司 构造量子仿真系统的方法和装置
JP2023027611A (ja) * 2021-08-17 2023-03-02 株式会社日立製作所 量子コンピュータシステムおよび量子コンピュータシステムの運用方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110069348A (zh) * 2019-05-05 2019-07-30 济南浪潮高新科技投资发展有限公司 一种高效利用云中心量子计算机资源的方法
CA3088135A1 (en) * 2018-01-31 2019-08-08 Google Llc Quantum computation through reinforcement learning

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3088135A1 (en) * 2018-01-31 2019-08-08 Google Llc Quantum computation through reinforcement learning
CN110069348A (zh) * 2019-05-05 2019-07-30 济南浪潮高新科技投资发展有限公司 一种高效利用云中心量子计算机资源的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
范文慧 ; 吴佳惠 ; .计算机仿真发展现状及未来的量子计算机仿真.系统仿真学报.2017,(06),全文. *

Also Published As

Publication number Publication date
CN111612152A (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
CN110807515B (zh) 模型生成方法和装置
AU2021240155B2 (en) Control Pulse Generation Method, Apparatus, System, Device And Storage Medium
CN110852438B (zh) 模型生成方法和装置
CN110766142A (zh) 模型生成方法和装置
CN113516248B (zh) 一种量子门测试方法、装置及电子设备
CN111368545B (zh) 一种基于多任务学习的命名实体识别方法和装置
CN111612152B (zh) 一种量子计算机的模拟控制方法、系统及相关组件
JP2022523667A (ja) 対話履歴グラフを使用したアクション選択
US12005580B2 (en) Method and device for controlling a robot
US20220107793A1 (en) Concept for Placing an Execution of a Computer Program
CN114840322A (zh) 任务调度方法及装置、电子设备和存储
WO2023138202A1 (zh) 量子线路模拟方法、装置、设备、存储介质及程序产品
Skolik et al. Robustness of quantum reinforcement learning under hardware errors
CN116594601A (zh) 一种基于知识库和多步提示的预训练大模型代码生成方法
Basterrech et al. Evolutionary Echo State Network: A neuroevolutionary framework for time series prediction
CN110782016A (zh) 用于优化神经网络架构搜索的方法和装置
CN111882062B (zh) 一种基于强化学习的Windows窗体应用程序自学习智能机器人及其工作方法
Jiang et al. Quantile-based policy optimization for reinforcement learning
US11861335B1 (en) Learn to extract from syntax tree
CN116842155B (zh) 文本生成方法、文本生成模型的训练方法及装置
US11960805B2 (en) Architecture exploration and compiler optimization using neural networks
CN110781978A (zh) 一种用于机器学习的特征处理方法和系统
Altmann et al. Challenges for reinforcement learning in quantum computing
CN115879536A (zh) 一种基于因果效应的学习认知分析模型鲁棒性优化方法
US11755570B2 (en) Memory-based neural network for question answering

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

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.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant