CN111656374A - 量子位校准 - Google Patents
量子位校准 Download PDFInfo
- Publication number
- CN111656374A CN111656374A CN201780097739.0A CN201780097739A CN111656374A CN 111656374 A CN111656374 A CN 111656374A CN 201780097739 A CN201780097739 A CN 201780097739A CN 111656374 A CN111656374 A CN 111656374A
- Authority
- CN
- China
- Prior art keywords
- qubit
- calibration
- node
- parameter
- data
- 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
- 239000002096 quantum dot Substances 0.000 title claims abstract description 260
- 238000000034 method Methods 0.000 claims abstract description 130
- 230000008569 process Effects 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000002474 experimental method Methods 0.000 claims description 138
- 238000012360 testing method Methods 0.000 claims description 28
- 238000005259 measurement Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 claims 1
- 238000005040 ion trap Methods 0.000 claims 1
- 230000007935 neutral effect Effects 0.000 claims 1
- 239000007787 solid Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000004044 response Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 5
- 125000002015 acyclic group Chemical group 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 230000004907 flux Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 206010000210 abortion Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000005281 excited state Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000026676 system process Effects 0.000 description 2
- 241000238366 Cephalopoda Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012774 diagnostic algorithm Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005283 ground state Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005233 quantum mechanics related processes and functions Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
- G06N10/40—Physical realisations or architectures of quantum processors or components for manipulating qubits, e.g. qubit coupling or qubit control
-
- 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
- G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
-
- 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
- G06N10/70—Quantum error correction, detection or prevention, e.g. surface codes or magic state distillation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Steroid Compounds (AREA)
Abstract
一种方法包括根据自动量子位校准过程使得对一个或多个量子位执行多个量子位校准程序。存储日志数据,所述日志数据至少包括:标识已执行的一个或多个校准程序的记录,以及与各个校准程序的结果有关的信息。训练数据被从日志数据中选择,并在于一个或多个计算设备处操作的学习模块处接收。在学习模块处训练监督学习模型以选择要被校准和/或检查的量子位参数。
Description
技术领域
本说明书涉及量子计算。特别地,其涉及使用监督机器学习模型来优化量子位校准。
背景技术
量子计算机上的计算可以通过操纵物理量子位(qubit)来实现。然而,为了以有用的能力(capacity)操作物理量子位,可能需要校准与量子位有关的许多参数。已经开发了各种技术来校准这样的参数。
发明内容
在一个示例方面,本说明书描述了一种方法,该方法包括根据自动量子位校准过程执行多个量子位校准程序。在执行量子位校准程序时,维护日志数据,该日志数据至少包括:标识已执行的一个或多个校准程序的记录,以及与各个校准程序的结果有关的信息。从日志数据中选择的训练数据在于一个或多个计算设备处操作的学习模块处接收到。在学习模块处,使用已从日志数据中选择的训练数据来训练监督学习模型。特别地,训练监督学习模型以选择要被校准和/或检查的量子位参数。
以这种方式训练的监督学习模型可以加快校准时间,因为它可以能够直接“跳到”可能需要校准的量子位参数,而无需执行诊断程序。以这种方式,可以避免不必要的实验和数据处理。这导致了量子计算领域的技术改进。
在各种示例实施方式中,该方法可以进一步包括使用监督学习模型来选择一个或多个量子位参数。在一些示例中,可以根据包括多个节点和有向边的图来操作自动量子位校准过程,其中,该图的每个节点与至少一个量子位参数有关,并且其中,每个边限定一节点对另一节点的依赖关系,其中,选择量子位参数包括选择该图中的节点。
附图说明
为了使本发明更容易理解,现在将参考附图仅通过示例的方式来描述本发明的实施例,附图中:
图1描绘了用于自动量子位校准的示例系统;
图2是用于自动量子位校准的示例过程的流程图;
图3是用于按顺序处理一组量子位参数中的参数的示例量子位维护过程的流程图;
图4是用于量子位校准的示例过程的流程图;
图5A和5B示出了使用第一和第二校准实验来校准谐振频率的示例图示;
图6示出了示例依赖关系图(dependency graph),其中,节点由到期时间表示;
图7示意了用于训练监督学习模型的方法的步骤。
具体实施方式
图1描绘了用于自动量子位校准的示例系统100。如图所示,该系统包括量子计算设备102和与量子计算设备102通信的量子位校准系统104。量子位校准系统104包括量子位参数和属性数据存储106、日志数据存储108以及学习模块110。
量子计算设备102包括一个或多个量子位112。该一个或多个量子位可以用于执行算法操作或量子计算。一个或多个量子位的具体实现取决于量子计算设备在执行的算法操作或量子计算的类型。例如,量子位可以包括经由原子、分子或固态量子系统实现的量子位。在其他示例中,量子位可以包括但不限于超导量子位或半导(semi conducting)量子位。为了清楚起见,在图1中描绘了三个量子位,但是该系统可以包括更多数量的量子位。
每个量子位可以与多个参数关联。量子位参数可以包括在参数化量子门中使用的值,例如,pi脉冲的电压幅度或读出脉冲的频率。例如,为了调谐超导量子位,例如,使用pi和pi/2旋转及单次读出(single shot readout)来分散地联接到读出谐振器,以区分0和1状态,可以将超导量子位与多个参数关联,该多个参数包括:读出脉冲频率、读出脉冲长度、读出脉冲功率、基于读出信号来区分0和1状态的读出区分阈值、pi旋转量子位频率、pi/2旋转量子位频率、pi脉冲长度、pi/2脉冲长度、pi脉冲幅度和pi/2脉冲幅度。与量子位关联的参数中的一些或全部可能需要实验确定。例如,在上面的量子位参数列表中,读出脉冲频率、读出脉冲功率、基于读出信号来区分0和1状态的读出区分阈值、pi旋转量子位频率、pi/2旋转量子位频率、pi脉冲幅度和pi/2脉冲幅度可能需要实验确定。其他参数可以被设置先验。
将会理解,当在本文使用时,术语“量子位参数”是指与量子位关联的任何参数,包括与例如量子位控制硬件和/或量子位测量硬件有关的量子位控制参数。
多个量子位参数又可以与一个或多个参数属性关联。参数属性依赖于相应量子位的物理实现。例如,量子位参数的参数属性可以包括量子位参数的可接受的值,例如,在参数化量子门中使用的可接受的值。如果量子位参数值被确定为可接受的值,或者如果量子位参数值被确定为位于被接受的容差值内,则可以将量子位参数确定为合规格(withinspecification)。如果量子位值被确定为不可接受的值,则可以将量子位参数确定为不合规格(out of specification)。例如,如果旋转角度在180度旋转的1%的容差值内,则可以将pi脉冲参数确定为合规格。不合规格的量子位参数可能需要校准,以确保量子位参数合规格。
在另一示例中,量子位参数的参数属性可以包括参数稳定性或参数漂移时间的量度。在校准之后,由于外部因素(例如温度),量子位参数可能会自然漂移而不合规格。因此,参数属性可以包括相应的超时时段,该超时时段指示应当检查或校准参数值的时间段。
作为另一示例,量子位参数的参数属性可以包括一量子位参数对其他量子位参数的依赖关系。量子位参数可以依赖于至少一个其他量子位参数和该至少一个其他量子位参数的校准。例如,量子位可以是原子,并且可以使用拉比(Rabi)驱动来校准量子位的参数。为了使拉比驱动正确运行,可能必须预先校准大量参数。例如,可能需要以量子位频率执行拉比驱动,该量子位频率必须在不同的实验中确定,并且必须使用必须对其本身进行校准的读出操作来测量量子位状态。因此,在执行拉比驱动校准之前,可能需要执行量子位频率校准程序以确定驱动量子位的频率,以及可能需要执行一个或多个校准来校准读出操作。
如下面更详细地描述的,考虑到量子位参数之间的依赖关系并允许参数漂移的可能性,可以使用自动过程来确定校准程序的序列以执行检查和更新各种量子位参数。
单独的量子位校准程序可以包括测试和/或实验,以检查量子位参数是否合规格,或者其可以包括实验,以确定(一个或多个)量子位参数的(一个或多个)新值。例如,一种类型的量子位校准程序包括校准测试,以确定参数合规格还是不合规格。如下面更详细地描述的,校准测试可以是低成本测试,其可以用于通过调查量子位参数和先前校准来确定参数的当前状态,并且进而确定系统的当前状态。另一种类型的量子位校准程序包括第一校准实验,如下文更详细地描述,该第一校准实验运行实验的系综(ensemble)并使用来自该实验的系综的数据来确定校准状态。又另一种类型的校准程序包括第二校准实验,如下面更详细地描述的,该第二校准实验运行实验的系综并使用来自实验的数据来更新与节点关联的参数。在第二校准实验中,基于物理或启发式模型,可以使用拟合器算法将量子位参数的值拟合到来自实验的数据。可以基于拟合值来更新量子位参数的存储值。
记录日志数据
当执行各种量子位校准程序以检查和/或更新量子位参数时,日志数据(logdata)可以被记录在日志数据存储108中。被记录的日志数据可以记录已经执行了哪些校准程序,包括检查或更新了哪些量子位参数和执行了哪种类型的校准程序及校准程序被执行的顺序,以及校准程序的结果,诸如对被测量值是否合规格的指示、是否更新了参数以及如果更新了参数则更新的参数多大地修改了先前存储值。也可以记录与校准程序有关的各种其他信息,例如,包括可能在校准程序期间获得的测量数据中的一些或全部,以及执行校准程序的时间。
如将在下面更详细地描述的,记录日志数据的目的是为了提供用于训练监督机器学习算法的训练数据以优化对要被校准和/或检查的量子位参数的选择。
可以在自动确定被执行的量子位校准程序的序列的自动过程的操作期间记录日志数据。在一些示例中,可以根据包括多个节点和有向边的有向图来操作自动量子位校准过程,其中,该图的每个节点114与一量子位参数或一组有关的量子位参数有关。该图可以通过为每个依赖关系限定有向边(例如边116)来编码一量子位参数对其他量子位参数的依赖关系。例如,对于如上所述的超导量子位,区分0状态和1状态的读出阈值参数可以由连接到表示pi脉冲参数的节点的节点来表示,其中有向边指示读出阈值参数依赖于pi脉冲参数。作为另一示例,需要pi脉冲的节点将连接到校准pi脉冲幅度的节点,因为需要pi脉冲的节点可能依赖于校准pi脉冲幅度的节点。有向图中的每个节点可以具有至少一个关联的参数以及一个或多个关联的实验,这些实验可以用来确定与该节点关联的参数的正确值。如图1中所描绘,量子位113可以与多个量子位参数(例如,量子位参数114)关联。为了清楚起见,示出了有限数量的量子位参数,例如,量子位参数114,然而,量子位可以与数量更少或更多的量子位参数关联。
该有向图可以包括一个或多个根节点,例如不具有依赖关系的节点,其限定图的根或“祖先”方向,例如,朝向不具有依赖关系的根节点的方向;以及图的叶或“子”方向,例如,朝向图中具有依赖性或较深的节点。
量子位校准系统104可以包括经典或量子处理设备并且与量子计算设备102通信。量子位校准系统104可以被配置为获得一组量子位参数和描述该组量子位参数中的参数的一个或多个属性的数据,包括量子位参数对该组量子位参数中一个或多个其他量子位参数的依赖关系,其中,参数及其相互依赖关系可以由有向图表示,该有向图包括每个参数的节点和每个依赖关系的有向边。量子位校准系统104可以可选地将描述该组量子位参数中的参数的一个或多个属性的数据存储在数据存储(例如,量子位参数和属性数据存储106)中。在一些实施方式中,量子位校准系统104可以从自动量子位校准系统100外部的第三方(例如通过用户输入)接收描述该组量子位参数中的参数的一个或多个属性的数据的一些或全部。
量子位校准系统104可以使用描述该组量子位参数中的参数的一个或多个属性的数据来自动校准量子位参数。例如,量子位校准系统104可以被配置为标识量子位参数(例如,与有向图的根节点对应的量子位参数)、选择包括标识的量子位参数和一个或多个依赖性的量子位参数的一组量子位参数,例如,与选择的节点对应的量子位参数和每个后代节点的量子位参数。可以例如根据节点祖先排序来对该组量子位参数进行排序。量子位校准系统104可以根据该排序按顺序校准该组量子位参数中的参数。下面参考图2、3和4更详细地描述由量子位校准系统104执行这些操作的过程。
量子位校准系统104可以被配置为对量子位参数(例如,量子位参数114)执行校准测试和校准实验,以校准量子计算设备102中包括的一个或多个量子位112(例如,量子位113)的量子位参数。校准实验可以包括波形的单个静态组,其中,单个实验可以重复N次以收集和记录有关实验后最终量子位状态的概率分布的统计数据。例如,校准实验可以包括执行pi脉冲,然后执行读出脉冲。校准实验还可以包括实验的系综,其中,从一个实验到另一实验改变波形。实验的示例系综包括拉比扫描,例如,由旋转脉冲后跟读出脉冲组成的一系列实验,其中,每个实验对于旋转脉冲将具有不同幅度。这样的实验的系综可以用于确定旋转幅度和量子位状态之间的关系。下面参考图3和图4更详细地描述对量子位参数执行校准测试和校准实验。
图2是用于自动量子位校准的示例过程200的流程图。为了方便起见,过程200将被描述为由位于一个或多个位置的一个或多个经典或量子计算设备的系统执行。例如,根据本说明书被适当地编程的量子位校准系统(例如,图1的量子位校准系统104)可以执行过程200。
该系统获得多个量子位参数和描述该多个量子位参数对一个或多个其他量子位参数的依赖关系的数据(步骤202)。该数据还可以包括描述多个参数的一个或多个属性的数据。参数及其对相互依赖关系可以由有向图表示,该有向图包括用于每个参数的节点和用于每个依赖关系的有向边。用于每个依赖关系的有向边指示一节点对先前节点的成功校准的依赖关系。例如,与pi脉冲对应的节点可以依赖于至少pi脉冲幅度的成功校准。在一些示例中,该有向图可以包括多个参数的节点,并且有关参数的校准将被同时校准。
在一些实施方式中,有向图可以是非循环的。例如,有向图可以是具有根节点和一个或多个后代节点的树,该一个或多个后代节点通过从父节点继续到子节点到达。在其他实施方式中,有向图可以是循环的,例如,当存在一个或多个互依赖的参数时。
获得的一组量子位参数中的参数的一个或多个属性可以进一步包括(i)要执行校准的相应超时时段,以及(ii)用于参数值的可接受的阈值。例如,可以基于参数的“漂移时间”来确定要执行校准的超时时段,即,参数的值保持稳定并且不漂移为不合规格的时间长度。用于参数值的可接受的阈值可能会根据参数类型而不同。例如,pi脉冲的可接受的阈值可以在180度旋转的1%之内。用于参数值的可接受的阈值可以用于确定参数是否不合规格,例如,对参数的测量是否正在产生噪声。
该系统标识量子位参数(步骤204)。例如,标识的量子位参数可以是与有向图的根节点对应的量子位参数。例如,有向图可以具有被选择的一个根节点。在其他示例中,有向图可以具有多个根节点。在这样的情况下,系统可以重复地选择量子位参数中的与根节点对应的一个,并对与根节点对应的每个选择的量子位参数执行过程200。在另外的示例中,标识的量子位参数可以与未通过校准测试的最根源节点对应,如在下面更详细地描述的。
该系统选择一组量子位参数,包括标识的量子位参数和一个或多个依赖性的量子位参数(步骤206)。例如,该组量子位参数可以包括与标识的节点对应的标识的量子位参数和每个后代节点的量子位参数。可以例如根据节点祖先排序来对该组量子位参数进行排序,即,可以以标识的根节点开始且以最小(youngest)的子节点结束,按通过节点依赖关系继续的顺序来对该组量子位参数进行排序。
例如,如果有向图是非循环的,并且包括节点A、B、C和D,其中,A是根节点,节点B依赖于节点A且节点C和D依赖于节点B,则具有节点祖先排顺的选择的一组量子位参数可以是{A,B,C,D}。在该示例中,等效节点祖先排序可以是{A,B,D,C}。
在一些实施方式中,有向图是循环的,并且选择的一组量子位参数中的互依赖的参数之间的迭代次数被限制为预定阈值。例如,如果有向图是循环的并且包括节点A、B和C,其中,A是根节点,节点B依赖于节点A和节点C,且节点C依赖于节点B,则原则上,互依赖的参数B和C之间的迭代次数可以是无限的,也就是说,具有节点祖先排序的选择的一组量子位参数可以是无限集合{A,B,C,B,C,B,C,B,C,...}。在这种情况下,系统创建优化级别,并将互依赖的参数之间的迭代次数限制为预定阈值。例如,迭代次数可以被限制为二,并且具有节点祖先排序的选择的一组量子位参数可以是{A,B,C,B,C}。
该系统根据描述依赖关系的数据按顺序处理该组量子位参数中的一个或多个参数(步骤208)。在一些实施方式中,该系统按顺序处理该组量子位参数中的每个参数。例如,如果有向图是非循环的并且包括节点A、B、C和D,其中,A是根节点,节点B依赖于节点A,且节点C和D都依赖于节点B,则该系统可以根据排序A、B、C、D按顺序校准该组量子位参数{A,B,C,D}中的与节点A、B、C和D对应的每个参数。下面参考图3和图4更详细地描述根据排序按顺序处理一组量子位参数中的量子位参数。
图3是用于处理一组量子位参数中的参数的示例量子位维护过程300的流程图。可以根据量子位参数排序按顺序对一组量子位参数中的一个或多个参数执行量子位维护过程300。可以在此过程期间记录日志数据,例如,以记录已经执行了哪些校准程序,包括检查或更新了哪些量子位参数和执行了哪些类型的校准程序,以及在校准程序期间获得的数据。
为了方便起见,过程300将被描述为由位于一个或多个位置的一个或多个经典或量子计算设备的系统执行。例如,根据本说明书被适当地编程的量子位校准系统(例如图1的量子位校准系统104)可以执行过程300。示例过程300可以被认为是遍历有向图的深度优先的递归方法,该有向图表示量子位参数及其依赖关系,例如,可以在要被校准的图的“叶”或“子”方向上的节点上调用该过程。然后,该过程可以基于有关系统的最新和当前状态的信息,开始在最“根源”方向上调查可能会不合规格的节点,并朝向最初在其上调用了该过程的节点运作。在一些示例中,过程300可以作为初始系统校准来执行,因为该过程自然地以最少依赖朝向最多依赖的节点的顺序移动,或者在某些情况下,可以在最近的校准之后的某时系统已经空闲时执行该过程。
该系统对量子位参数执行校准测试(步骤302)。校准测试确定参数是合规格还是不合规格。校准测试可以包括与有向图关联的一组元数据,并且可以不包括对量子位参数执行实验。而是,校准测试可以是低成本测试,其可以用于通过调查量子位参数和先前校准来确定参数的当前状态,并且进而用于确定系统的当前状态。在一些实施方式中,校准测试可以包括通过和未通过标准,用于确定参数何时不合规格。例如,如果在相应的超时时段内对量子位参数执行了成功的校准实验,则可以通过对该参数的校准测试。校准实验将在下面参考步骤306和314进行详细地描述。在另一示例中,如果参数已经被标记为未通过校准实验,则可能不会通过校准测试。在另外的示例中,如果参数依赖关系已经在预定的时间量内被重新校准,例如,如果自从当前参数本身被校准以来,作为当前参数所依赖的参数的祖先参数已被重新校准,则可能不会通过校准测试。作为另一示例,如果参数依赖关系已经在预定的时间量内改变,例如,如果该参数现在依赖于不同的参数,则可能不会通过校准测试。另外,如果依赖于该参数的参数未通过校准测试,则可能不会通过校准测试。校准测试的结果可以存储在日志数据存储108中。
当校准测试未通过时,该系统对该参数执行第一校准实验或诊断校准算法。对于一组量子位参数中的校准测试未通过(步骤304)的参数,该系统对该参数执行第一校准实验(步骤306)。第一校准实验可以包括在节点上的方法,其运行实验的系综并使用来自实验的系综的数据来确定校准的状态。例如,第一校准实验可以包括具有相应测量结果的一个或多个量子位实验,这些测量结果用于确定参数值是否不合规格。第一校准实验可以是低成本的实验的系综,其中,实验可以包括输入波形和在应用波形之后测量的量子位状态的输出。可以使用第一校准实验来确定量子位是否需要完全校准。例如,如果对应的量子位实验的测量结果指示不合规格的参数值,则可能不会通过第一校准实验。例如,如果第一校准实验返回噪声而不是预期的测量结果,则参数值可能不合规格。通常,可以使用第一校准实验来回答有关量子位参数的问题,诸如:参数合规格?第一校准实验正正确运行,例如,实验的系综正准确运行?第一校准实验的结果可以存储在日志数据存储108中。
对于一组量子位参数中的由于不可归因于参数的错误而导致第一校准实验未通过的参数(步骤308),系统对该组量子位参数执行诊断校准算法(步骤310)。不可归因于该参数的错误可以包括可归因于祖先参数的错误。例如,如果参数需要pi脉冲,但其依赖的参数不具有校准的pi脉冲幅度,则由于不合规格的pi脉冲幅度,需要pi脉冲的参数可能不会通过第一校准实验。下面参考图4更详细地描述对一组量子位参数执行诊断校准算法。
对于一组量子位参数中的由于可归因于参数的错误而导致第一校准实验未通过的参数(步骤312),系统对该参数执行第二校准实验(步骤314)。可归因于该参数的错误可以包括控制电子设备或设备参数的漂移,或者祖先参数改变了该参数的最优值,例如,pi幅度可能由于这些原因而改变。
第二校准实验可以包括在表示参数的节点上的方法,其运行实验的系综并使用来自实验的数据更新与该节点关联的参数。在一些实施方式中,第二校准实验是唯一改变与有向图关联的元数据的实验。第二校准实验可以包括具有相应测量结果的一个或多个量子位实验,这些测量结果用于更新参数的值。第二校准实验可以是用于确定量子位参数的新值的高成本的实验的系综。第二校准实验的输出可以被解释为更新量子位参数值。与第一校准实验相比,第二校准实验可能需要更多的时间或更多的硬件来完成,例如,第一校准实验具有双第二校准实验低的成本。
对于一组量子位参数中的第二校准实验未通过的参数,系统中止对该组量子位参数中的参数的处理(步骤316)。
对于一组量子位参数中通过校准测试(如步骤302中所述)、第一校准实验(如步骤306中所述)或第二校准实验中的任何一个的参数,系统将该参数标记为合规格的参数(步骤318),即,该参数的值是可接受的,并且不需要进一步的动作/校准。在这种情形下,系统可以返回到上面参考图2描述的步骤208,并且根据排序按顺序选择该组量子位参数中的下一参数。例如,如果在步骤318确定与节点A、B、C、D的序列中的节点A对应的量子位参数已经通过校准测试、第一校准实验或第二校准实验中的任何一个,则该系统可以将与节点A对应的量子位参数标记为合规格,返回步骤302,并对节点B执行校准测试。
图4是用于对一组量子位参数执行诊断校准算法的示例过程400的流程图。为了方便起见,过程400将被描述为由位于一个或多个位置的一个或多个经典或量子计算设备的系统执行。例如,根据本说明书被适当地编程的量子位校准系统(例如图1的量子位校准系统104)可以执行过程400。示例过程400可以通过在特定节点开始并通过该节点的依赖关系向后运作来遍历表示量子位参数及其依赖关系的有向图。该示例过程可以假设关于系统的当前或最近的信息在调用该过程的节点附近的区域中不再被信任。因此,过程400可以在不使用校准测试而使用第一和第二校准实验的情况下完全遍历该图。日志数据可以在过程400期间被记录,例如,以记录已经执行哪些校准实验和检查或更新了哪些量子位参数以及校准实验的结果。
过程400是迭代过程,其包括对该量子位参数和与该量子位参数的节点的祖先节点对应的量子位参数迭代地执行第一校准实验和第二校准实验中的一个或多个,直到该量子位参数和与该量子位参数的节点的祖先节点对应的量子位参数被确定为合规格或过程中止为止。可以迭代地执行过程400,直到例如由于不可归因于参数的错误而未通过第一校准实验的量子位参数和与未通过第一校准实验的量子位参数的节点的祖先节点对应的量子位参数被确定为合规格为止。
该系统对量子位参数执行第一校准实验(步骤402)。例如,如果有向图是非循环的,并且包括节点A、B和D,其中,A是根节点,节点B依赖于节点A,且节点D依赖于节点B,其中,节点D由于不可归因于由节点D表示的参数的错误而未通过第一校准实验,则该系统可以对与节点D对应的量子位参数执行第一校准实验。上面参考图3更详细地描述了执行第一校准实验。
该系统可以确定对量子位参数的第一校准实验是否已经通过。响应于确定量子位参数通过第一校准实验,该系统将该参数标记为合规格的参数(步骤404)。
响应于确定量子位参数由于不可归因于参数的错误而未通过第一校准实验,该系统选择祖先参数作为量子位参数(步骤406)。上面参考图3描述了不可归因于参数的错误。继续上面的示例,如果在步骤406确定与节点A、B、D的序列中的节点D对应的量子位参数由于不可归因于与节点D对应的参数的错误而未通过第一校准实验,则该系统可以选择节点D的祖先节点(例如节点B),返回步骤402,并且对祖先节点(例如节点B)执行第一校准实验。
在一些示例中,如果对有向图的根节点(例如,不具有祖先参数的节点)执行过程400,并且在步骤406确定由于不可归因于与根节点对应的参数的错误而未通过第一校准实验,则该系统可以确定系统故障。
响应于确定量子位参数由于可归因于参数的错误而未通过第一校准实验,该系统对量子位参数执行第二校准实验(步骤408)。例如,继续上面的示例,如果确定由于可归因于与节点D对应的参数的错误而未通过对与节点D对应的量子位参数执行的第一校准实验,则该系统对与节点D对应的量子位参数执行第二校准实验。可归因于参数的错误以及执行第二校准实验在上面参考图3进行了描述。
响应于确定量子位参数通过第二校准实验,该系统将参数标记为合规格的参数(步骤410)。响应于确定量子位参数未通过第二校准实验,该系统中止对该组量子位参数中的参数的处理(步骤412)。
图5A和5B示出了如上面参考图3和图4描述并且由量子位校准系统(例如,图1的量子位校准系统104)执行的使用第一和第二校准实验来校准谐振频率的示例图示502-510。
为了确定量子位的初始读出频率,可能在物理上需要执行读出脉冲的实验的系综并搜索读出谐振器的洛伦兹频率响应。图示502示出了以6500MHz为中心的读出谐振器的理想洛伦兹频率响应。
对量子位执行第一校准实验可以用于验证谐振器频率是合规格,例如在大约6500MHz的给定范围内,还是不合规格。因为第一校准实验可以是低成本的实验的系综,而不是获取大量的数据点,所以该系统可以获取少量的数据点,例如使用5个实验的5个数据点,大约以6500MHz的预期谐振频率为中心。图示504示意了使用5个实验的5个数据点。产生的数据可以表明谐振频率是预期的频率,例如,在或接近6500MHz。在这种情况下,第一校准实验将返回“真”,例如,参数已通过第一校准实验。日志数据存储108基于第一校准实验而被更新,包括记录实验的结果并将获得的测量数据(5个数据点)存储在日志数据存储108中。
例如,如果先前已将谐振器频率校准为在6493MHz并执行了第一实验,则该系统可以产生图示506,其中,圆点表示来自5个实验的输出,如图示504中那样,并且竖直线表示谐振器的预期频率,例如6493MHz。在这种情况下,第一实验将指示谐振器频率不符合预期,例如不在6500MHz,并且第一校准实验将返回“假”,例如,该参数由于不可归因于参数的错误而未通过第一校准实验。日志数据存储108基于实验而被更新,包括记录实验的结果并将获得的测量数据存储在日志数据存储108中。
作为另一示例,在某些情况下,例如由于故障硬件,读出设备可能不起作用。在这种情况下,如果执行了第一实验,则该系统可以产生图示508。图示508中显示的数据是无意义的–读出设备始终返回0.5,而不依赖于频率。在这种情况下,第一实验将返回“假”,例如,校准实验由于不可归因于参数的错误,更确切地说,可归因于读出设备的错误而未通过。在这样的情况下,可能无法验证参数是否合规格。在一些实施方式中,该系统可以假设参数不合规格。日志数据存储108基于实验而被更新,包括记录实验的结果并将获得的测量数据存储在日志数据存储108中。
图示510示出了用于校准谐振频率的第二校准实验的结果。如以上参考图3和图4所述,第二校准实验可以包括运行实验的系综并使用来自实验的数据更新与该节点关联的参数。图示510示出了执行实验的系综以确定谐振器频率的结果。日志数据存储108基于实验而被更新,包括记录更新的值多大地改变了先前值,以及将测量数据存储在日志数据存储108中。
如上所述,在执行自动量子位校准过程期间,各种数据可以存储在日志数据存储108中。没有限制,在各种实施方式中,日志数据可以存储在日志数据存储108中以记录:与什么节点以什么顺序进行了交互;与节点进行交互的方式(例如校准测试、第一校准实验、第二校准实验);与节点交互的时间;执行的校准程序的结果;测量的数据;测量的数据是否合规格;参数是否被更新,以及任何更新的参数多大地修改了保存的值。
训练监督学习模型
如上所述,可以手动地将到期时间分配给每个节点,以确保校准在其到期(到期可能由于系统物理参数(例如,量子位SQUID回路观察到的磁通量等)的漂移而发生)之时重新运行。但是,如果未到期的校准节点超出规格,则可能会失去系统的稳定操作。图6示出了示例依赖关系图,其中,节点通过到期时间表示。如果到期时间设置得太长,则可能导致失去控制,从而使得损失在未校准的系统上获取数据的时间。设置时间太短的另一种极端情况也是昂贵的,因为花费了不必要的时间来运行校准而不是使用系统来执行计算。由于不同样本和/或相同样本上的不同量子位可能会不同地漂移这一事实,因此以高效方式分配到期时间被进一步复杂化。如果该系统漂移为不合规格,则为了诊断问题,完整的图遍历可能变得有必要。此外,虽然可以在节点上运行检查测量(诸如上述的第一校准实验)以确定它们是否不合规格,但这具有执行成本(通过执行附加测量花费的时间)。
在示例实施方式中,在上述自动量子位校准过程的操作期间记录的日志数据用于训练监督学习模型以解决至少一些上述问题。更特别地,训练数据从日志数据中选择,并被用于训练监督学习模型以选择要被校准和/或检查的一个或多个量子位参数(例如,通过选择图上需要校准的节点)。
可以基于关于已经执行的一个或多个在前的校准程序的知识和/或与先前执行的校准程序的结果有关的信息,来训练监督学习模型以推断在特定时间需要被校准的节点。例如,如在下面更详细地讨论的,特定节点的漂移可能以可以通过监督学习模型来识别的独特方式彻底地影响检查实验。
一旦训练了模型,就可以使用监督学习模型来选择量子位校准程序,而不是执行完整的图遍历。通过直接“跳到”可能需要被校准的节点,这可以加快校准时间。以这种方式,可以避免不必要的实验和数据处理。
在一个示例中,可以训练监督学习模型以估计一个节点的故障是由一个或多个其他节点(例如,由于该一个或多个其他节点未校准)引起的概率。在这种情况下,监督学习模型可以包括贝叶斯模型,并且训练数据可以包括对于(1)单个节点和(2)节点组合的校准未通过的频率。因此,在某些情况下,监督学习模型可以“跳到”需要被校准的特定节点,从而在无需执行诊断算法400或执行对图的完整遍历的情况下到达该节点。在一些示例中,概率模型可以被配置为使用最大似然估计和/或平滑的概率估计器基于训练数据来得出概率。
更特别地,可以关于有向图建立矩阵,该矩阵指示在给定节点发生故障的情况下,应归因该图上的每个其他节点的概率为多少。该概率可以使用贝叶斯规则得出,其中,A、B表示对节点A、B的第一校准实验的未通过:P(A|B)=P(A和B)P(A)/P(B)。可以通过查阅日志数据存储108并将未通过除以测量的总数来提取概率。
通过确定在许多重新校准上建立的每个节点相对于每个其他节点的贝叶斯概率,可以推断出图上要跳到的位置,而无需执行完整的遍历。一旦P(A|B)变得被适当地限定(由于数据的存在)并且用于计算它的事件数量高于操作者选择的阈值(例如50个事件),就可以开始基于模型从自动量子位校准过程到推断的行为的转变。
在另一示例中,可以训练监督学习模型以识别与第一节点有关的测量数据中的一个或多个模式或独特特征,其指示一个或多个其他节点正在使第一节点发生故障。特别地,特定节点的漂移可能会以模型可以识别的独特方式影响第一节点处的测量的数据。
在这种情况下,从日志数据中选择训练数据包括选择训练样例,该训练样例分别包括:(1)与对于节点执行的校准实验有关的测量数据(例如,一个或多个数据点);和(2)对于一个或多个其他节点的量子位校准程序的结果的指示。
因此,可以训练模型,该模型将来自节点的测量数据映射到针对每个其他节点的概率,以表示给定测量数据看起来如何,我们如何肯定其正在导致不通过。更特别地,可以训练监督学习模型以从可能的测量结果的空间(例如,所有可能的数据点)映射到图上所有节点的空间(这可以表示为向量空间,其中,每个维度是图中的节点)。在该示例中,监督学习模型可以包括神经网络或其他多层网络,随着更多日志数据的积累,可以根据反向传播算法对其进行训练。
在另外的示例中,可以训练监督学习模型,以给定节点的年龄(age)(即,自其最后被校准以来经过的时间),确定该节点发生故障(例如,不再合规格)的概率。在这种情况下,从日志数据中选择训练数据可以包括选择训练样例,该训练样例分别包括(1)对于节点的校准程序未通过的指示;和(2)自发生故障的节点最后被校准以来经过的时间。通过对节点故障相对于自发生故障的节点最后被校准以来经过的时间进行直方图绘制,并将概率密度函数(或累积分布函数)拟合到产生的直方图,可以训练监督学习模型,其推导发起校准程序后最有可能发生故障的“最根源”节点。监督学习模型还可以用于基于数据设置节点的超时时段,即,训练超时时段。
由根据本文讨论的示例训练的监督学习模型提供的数据组合可用于做出关于以下的决定:先行运行哪些校准(当校准可能已到期时)以及在系统不健康时运行哪些以尝试诊断错误。
图7示意了根据本文所述的各种示例实施方式的用于训练监督机器学习模型的方法的步骤。如步骤702中所示,执行多个量子位校准程序。可以根据自动量子位校准过程来执行量子位校准程序。在步骤704中,存储日志数据,该日志数据至少包括:标识已执行的一个或多个校准程序的记录,以及与各个校准程序的结果有关的信息。在步骤706中,从日志数据中选择训练数据。从日志数据中选择训练数据可以包括将相关数据汇编成适合于训练监督机器学习算法的数据结构。在步骤708中,在学习模块110处接收训练数据。在步骤710中,学习模型训练监督机器学习模型,以基于已从日志数据中选择的训练数据来选择要被校准和/或检查的量子位参数。
在一些示例中,记录的数据可能是稀疏的,因此,可以执行测量以便标出可能感兴趣的区域。例如,可以确定与系统的当前操作状态有关的存储的日志数据量的度量,并且可以依赖于所确定的与当前操作状态有关的存储的日志数据量的度量(例如所确定的日志数据量度量是否低于阈值)来执行一个或多个校准程序。
除了上面描述的学习模型之外,还可以使用各种学习模型。示例包括线性回归模型、神经网络、回归树、支持向量机、分类器和其他适当的模型。
尽管已经基于有向非循环图的自动量子位校准过程的上下文中描述了各种实施方式,但这并不旨在进行限制。物理系统的任何校准将包括按一定顺序运行校准、获取和分析数据并执行参数更新。根据本文的教导,至少包含对该信息的选择的数据集可以用于训练监督学习算法。
上面描述的某些部分根据对信息的操作的算法和符号表示来呈现本发明的特征。这些算法描述和表示是数据处理领域的技术人员用来最有效地向本领域的其他技术人员传达其工作实质的手段。这些操作虽然在功能上或逻辑上进行了描述,但应理解为由计算机程序实现。此外,在模块方面提及这些操作的布置不应被视为暗示结构限制,而对功能名称的提及仅是示例性的,并不意味着失去一般性。
本发明的某些方面包括本文以算法形式描述的过程步骤和指令。应当理解,所描述和要求保护的本发明的过程步骤、指令由在程序控制下操作的计算机硬件执行,而不是由人执行的智力步骤。类似地,所描述和要求保护的所有类型的数据存储在由计算机系统操作的计算机可读存储介质中,而不是简单的无实体抽象思想。另外,没有参考任何特定的编程语言来描述本发明。将会理解,可以使用多种编程语言来实现如本文所述的对本发明的教导。
本发明还涉及用于执行本文描述的计算操作的计算装置。该计算装置可以被特定地构造用于所需目的,或者其可以包括通用计算机,该通用计算机由存储在可以由计算机执行的计算机可读介质上的计算机程序选择性地激活或重新配置。本说明书中提到的计算装置可以包括单个处理器,或者可以是采用多处理器设计以提高计算能力的架构。
本说明书中描述的量子主题和量子操作的实施方式可以在适当的量子电路中或更一般地在量子计算系统中实现,包括本说明书中公开的结构及其结构等同物,或在它们中的一个或多个的组合中实现。术语“量子计算系统”可以包括但不限于量子计算机、量子信息处理系统、量子密码系统或量子模拟器。
术语量子信息和量子数据是指由量子系统承载、保持或存储的信息或数据,其中,最小的非平凡系统是量子位,例如,限定量子信息单位的系统。要理解,术语“量子位”涵盖了在相应的上下文中可以适当地近似为两级系统的所有量子系统。这样的量子系统可以包括例如具有两级或更多级的多级系统。举例来说,这样的系统可以包括原子、电子、光子、离子或超导量子位。在许多实施方式中,以基态和第一激发态标识计算基础状态,但是要理解,以更高级激发态来标识计算状态的其他设置也是可能的。要理解,量子存储器是可以以高保真度和效率长时间存储量子数据的设备,例如光-物质界面,其中,光用于传输,而物质用于存储和保存量子数据的量子特征,例如叠加或量子相干性。
量子电路元件可以用于执行量子处理操作。即,可以将量子电路元件配置为利用诸如叠加和纠缠的量子力学现象,从而以不确定性方式对数据执行操作。诸如量子位的某些量子电路元件可以被配置为同时以一个以上的状态表示信息和对信息进行操作。可以用本文公开的过程形成的超导量子电路元件的示例包括电路元件(诸如共面波导、量子LC振荡器)、量子位(例如,通量量子位或电荷量子位)、超导量子干涉器件(SQUID)(例如,RF-SQUID或DCSQUID)、电感器、电容器、传输线、接地层等。
相反,经典电路元件通常以确定性方式处理数据。经典电路元件可以被配置为通过对数据执行基本的算术、逻辑和/或输入/输出操作来共同执行计算机程序的指令,其中,数据以模拟或数字形式表示。在一些实施方式中,经典电路元件可以用于通过电或电磁连接向量子电路元件传输数据和/或从量子电路元件接收数据。可以用本文公开的过程形成的经典电路元件的示例包括快速单通量量子(RSFQ)器件、倒数量子逻辑(RQL)器件和ERSFQ器件,其为不使用偏置电阻的RSFQ的节能型版本。其他经典电路元件也可以利用本文公开的过程来形成。
在使用超导量子电路元件和/或超导经典电路元件(诸如本文所述的电路元件)的量子计算系统的操作期间,将超导电路元件在低温恒温器内冷却至允许超导材料表现出超导特性的温度。
尽管本说明书包含许多具体实施方式细节,但是这些细节不应解释为对所要求保护的范围的限制,而应视为可能特定于某些实施方式的特征的描述。在本说明书中在不同的实施方式的上下文中描述的某些特征也可以在单个实施方式中组合地实施。相反,在单个实施方式的上下文中描述的各种特征也可以分别在多个实施方式中或以任何合适的子组合来实施。而且,尽管以上可以将特征描述为以某些组合起作用并且甚至最初如此要求保护,但是在某些情况下可以从组合中去除所要求保护的组合中的一个或多个特征,并且所要求保护的组合可以涉及子组合或子组合的变体。
类似地,尽管在附图中以特定顺序描绘了操作,但是这不应理解为要求以所示的特定顺序或以依序的顺序执行这样的操作,或者执行所有示出的操作以实现期望的结果。例如,权利要求中记载的动作可以以不同的顺序执行并且仍然实现期望的结果。在某些情形下,多任务和并行处理可能是有利的。而且,不应将上述实施方式中的各个组件的分离理解为在所有实施方式中都需要这种分离。
已经描述了许多实施方式。然而,将理解,可以在所附权利要求的范围内进行各种修改。
Claims (20)
1.一种方法,包括:
根据自动量子位校准过程,使得对一个或多个量子位执行多个量子位校准程序;
存储日志数据,所述日志数据至少包括:
标识已执行的一个或多个校准程序的记录,以及
与各个校准程序的结果有关的信息;
从所述日志数据中选择训练数据;
在于一个或多个计算设备处操作的学习模块处接收训练数据;
在所述学习模块处训练监督学习模型,以选择要被校准和/或检查的量子位参数,其中,使用已从所述日志数据中选择的训练数据来训练所述监督学习模型。
2.根据权利要求1所述的方法,其中,根据包括多个节点和边的图来操作所述自动量子位校准过程,其中,所述图的每个节点与至少一个量子位参数有关,并且其中,每个边限定一个节点对另一节点的依赖关系,其中,选择要被校准和/或检查的量子位参数包括选择所述图中的节点。
3.根据权利要求2所述的方法,其中,从所述日志数据中选择训练数据包括选择训练样例,所述训练样例分别包括:
与对于节点执行的校准实验有关的测量数据;和
对于一个或多个其他节点的量子位校准程序的结果的指示,
其中,使用所述训练数据来训练所述监督学习模型,以基于从对于第一节点的校准实验获得的测量数据来标识导致所述第一节点发生故障的一个或多个第二节点。
4.根据权利要求3所述的方法,其中,通过训练来配置所述监督学习模型,以标识从对于所述第一节点的校准实验获得的测量数据中的一个或多个模式或独特特征,从而标识一个或多个第二节点。
5.根据权利要求3或权利要求4所述的方法,其中,所述模型包括神经网络,其中,使用反向传播来训练所述神经网络。
6.根据权利要求2所述的方法,其中,所述监督学习模型是贝叶斯模型,所述训练数据包括对于(1)单个节点和(2)节点组合的校准未通过的频率,从而训练所述模型以估计一个节点的故障是由一个或多个其他节点导致的概率。
7.根据权利要求6所述的方法,其中,概率模型被配置为使用最大似然估计和/或平滑的概率估计器基于所述训练数据来得出概率。
8.根据权利要求2所述的方法,其中,从所述日志数据中选择所述训练数据包括选择训练样例,所述训练样例分别包括:
对针对节点的校准程序未通过的指示;和
自发生故障的节点最后被检查或校准以来经过的时间,
其中,所述模型从而被训练以给定自节点最后被检查或校准以来经过的时间,确定对该节点执行的校准程序将不通过的概率的估计。
9.根据权利要求8所述的方法,包括对节点故障相对于自发生故障的节点最后被检查或校准以来经过的时间绘制直方图。
10.根据权利要求8或权利要求9所述的方法,包括使用所述模型确定一个或多个节点的超时时段。
11.根据权利要求2至10中的任一项所述的方法,其中,所述图是有向非循环图。
12.根据权利要求2至11中的任一项所述的方法,其中,存储一个或多个相关校准程序的群组的日志数据包括存储以下中的一个或多个:
对与其进行交互的节点的指示;
对与节点进行交互的顺序的指示;
对执行了的校准程序的指示;
对与节点进行交互的时间的指示;
测量的数据;
对所述测量的数据是否合规格的指示;
对是否从保存的值更新了参数的指示;和
对任何更新的参数修改了保存的值的程度的度量。
13.根据前述权利要求中的任一项所述的方法,其中,每个量子位校准程序包括以下之一:
校准测试,其中,在不执行实验的情况下检查对至少一个量子位参数的校准,其中,至少部分地基于一个或多个先前的量子位校准程序的结果来检查对所述至少一个量子位参数的校准;
第一校准实验,其中,通过以下来检查对至少一个量子位参数的校准:
通过对一个或多个量子位执行一个或多个实验来获得数据;以及
将获得的数据与一个或多个参考数据集进行比较;和
第二校准实验,所述第二校准实验包括:
通过对一个或多个量子位执行一个或多个实验来获得数据;
获得针对一个或多个量子位参数的一个或多个值,包括使用拟合器算法将所述一个或多个值拟合到获得的数据的至少一部分;以及
用相应的拟合值中的一个或多个更新针对量子位参数的存储值。
14.根据前述权利要求中的任一项所述的方法,还包括:
停止对所述自动量子位校准过程的操作;
使用所述监督训练模型,选择要被校准和/或检查的量子位参数;和
执行量子位校准程序以校准和/或检查选择的量子位参数。
15.根据权利要求14所述的方法,其中,依赖于训练测度超过预定阈值来停止所述自动量子位校准过程。
16.根据前述权利要求中的任一项所述的方法,其中,存储日志数据包括存储与一个或多个量子位的系统的操作状态有关的知识,其中,选择所述训练数据以训练所述监督学习模型,从而依赖于与系统的操作状态有关的知识来选择要执行的量子位校准。
17.根据权利要求16所述的方法,包括:
确定对与系统的当前操作状态有关地存储的日志数据量的度量;
依赖于所确定的对与当前操作状态有关地存储的日志数据量的度量,执行一个或多个校准程序。
18.根据前述权利要求中的任一项所述的方法,其中,所述一个或多个量子位包括一个或多个超导量子位。
19.根据前述权利要求中任一项所述的方法,其中,所述一个或多个量子位包括基于以下中的至少一个的系统:超导量子位、基于一个或多个离子阱、量子点、中性原子、里德堡状态、固态缺陷、分子、光子的系统或包括这样的系统的多个副本的系综。
20.一种被配置为执行根据前述权利要求中的任一项所述的方法的装置。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/US2017/066436 WO2019117922A1 (en) | 2017-12-14 | 2017-12-14 | Qubit calibration |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410270909.2A Division CN118246562A (zh) | 2017-12-14 | 量子位校准 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111656374A true CN111656374A (zh) | 2020-09-11 |
CN111656374B CN111656374B (zh) | 2024-04-02 |
Family
ID=60937925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780097739.0A Active CN111656374B (zh) | 2017-12-14 | 2017-12-14 | 量子位校准 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20200394524A1 (zh) |
EP (1) | EP3707649A1 (zh) |
CN (1) | CN111656374B (zh) |
AU (3) | AU2017442682C1 (zh) |
CA (1) | CA3085717C (zh) |
WO (1) | WO2019117922A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011594A (zh) * | 2021-03-26 | 2021-06-22 | 合肥本源量子计算科技有限责任公司 | 量子比特的校准方法及装置、量子计算机 |
CN114970867A (zh) * | 2021-02-20 | 2022-08-30 | 合肥本源量子计算科技有限责任公司 | 量子计算机系统以及任务调度方法 |
WO2022179104A1 (zh) * | 2021-02-26 | 2022-09-01 | 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 |
CN115470921A (zh) * | 2022-03-28 | 2022-12-13 | 合肥本源量子计算科技有限责任公司 | 量子比特校准方法以及装置、量子计算机 |
CN115470920A (zh) * | 2022-03-28 | 2022-12-13 | 合肥本源量子计算科技有限责任公司 | 量子比特校准方法以及装置、量子计算机 |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3711004A1 (en) * | 2017-12-15 | 2020-09-23 | Google LLC. | Refining qubit calibration models using supervised learning |
CA3092781A1 (en) * | 2018-03-02 | 2019-09-06 | Google Llc | Optimizing qubit operating frequencies |
US11580435B2 (en) | 2018-11-13 | 2023-02-14 | Atom Computing Inc. | Scalable neutral atom based quantum computing |
US10504033B1 (en) | 2018-11-13 | 2019-12-10 | Atom Computing Inc. | Scalable neutral atom based quantum computing |
US11995512B2 (en) | 2018-11-13 | 2024-05-28 | Atom Computing Inc. | Scalable neutral atom based quantum computing |
US11375023B2 (en) * | 2019-12-02 | 2022-06-28 | International Business Machines Corporation | Dynamically configuring a web server timeout |
CA3174451A1 (en) | 2020-03-02 | 2021-09-10 | Atom Computing Inc. | Scalable neutral atom based quantum computing |
CN113760039B (zh) * | 2021-08-26 | 2024-03-08 | 深圳市腾讯计算机系统有限公司 | 量子比特控制系统及波形校准电路 |
US20230315516A1 (en) * | 2022-04-01 | 2023-10-05 | International Business Machines Corporation | Quantum computer performance enhancement |
US11875227B2 (en) | 2022-05-19 | 2024-01-16 | Atom Computing Inc. | Devices and methods for forming optical traps for scalable trapped atom computing |
US20240020569A1 (en) * | 2022-07-18 | 2024-01-18 | International Business Machines Corporation | Dynamic adaptive thresholding for qubit reset |
US11990949B2 (en) * | 2022-08-05 | 2024-05-21 | International Business Machines Corporation | Radio frequency signal integrity verification |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101375302A (zh) * | 2006-01-27 | 2009-02-25 | D-波系统公司 | 绝热量子计算的方法 |
CN101548288A (zh) * | 2006-12-05 | 2009-09-30 | D-波系统公司 | 用于量子处理器元件本地编程的系统、方法和装置 |
US20140229722A1 (en) * | 2013-02-08 | 2014-08-14 | D-Wave Systems Inc. | Systems and methods for calibrating the elements of a quantum processor |
CN104335074A (zh) * | 2012-06-05 | 2015-02-04 | 雪佛龙美国公司 | 用于相分类的系统和方法 |
US20150317558A1 (en) * | 2014-05-01 | 2015-11-05 | Lockheed Martin Corporation | Quantum-assisted training of neural networks |
US20160055421A1 (en) * | 2014-08-20 | 2016-02-25 | Lockheed Martin Corporation | Heuristic graph embedding methods for adiabatic quantum computation optimization |
US20170017894A1 (en) * | 2014-08-22 | 2017-01-19 | D-Wave Systems Inc. | Systems and methods for improving the performance of a quantum processor to reduce intrinsic/control errors |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009152180A2 (en) * | 2008-06-10 | 2009-12-17 | D-Wave Systems Inc. | Parameter learning system for solvers |
US8806487B2 (en) * | 2011-01-14 | 2014-08-12 | Nec Laboratories America, Inc. | Calculating virtual machine resource utilization information |
US10599988B2 (en) * | 2016-03-02 | 2020-03-24 | D-Wave Systems Inc. | Systems and methods for analog processing of problem graphs having arbitrary size and/or connectivity |
KR102570278B1 (ko) * | 2017-07-31 | 2023-08-24 | 삼성전자주식회사 | 교사 모델로부터 학생 모델을 트레이닝하는데 사용되는 학습 데이터를 생성하는 장치 및 방법 |
US20190146469A1 (en) * | 2017-11-16 | 2019-05-16 | Palo Alto Research Center Incorporated | System and method for facilitating comprehensive control data for a device |
-
2017
- 2017-12-14 AU AU2017442682A patent/AU2017442682C1/en active Active
- 2017-12-14 US US16/771,570 patent/US20200394524A1/en active Pending
- 2017-12-14 WO PCT/US2017/066436 patent/WO2019117922A1/en unknown
- 2017-12-14 CA CA3085717A patent/CA3085717C/en active Active
- 2017-12-14 CN CN201780097739.0A patent/CN111656374B/zh active Active
- 2017-12-14 EP EP17826068.3A patent/EP3707649A1/en active Pending
-
2021
- 2021-09-16 AU AU2021232777A patent/AU2021232777B2/en active Active
-
2023
- 2023-04-12 AU AU2023202257A patent/AU2023202257B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101375302A (zh) * | 2006-01-27 | 2009-02-25 | D-波系统公司 | 绝热量子计算的方法 |
CN101548288A (zh) * | 2006-12-05 | 2009-09-30 | D-波系统公司 | 用于量子处理器元件本地编程的系统、方法和装置 |
CN104335074A (zh) * | 2012-06-05 | 2015-02-04 | 雪佛龙美国公司 | 用于相分类的系统和方法 |
US20140229722A1 (en) * | 2013-02-08 | 2014-08-14 | D-Wave Systems Inc. | Systems and methods for calibrating the elements of a quantum processor |
US20150317558A1 (en) * | 2014-05-01 | 2015-11-05 | Lockheed Martin Corporation | Quantum-assisted training of neural networks |
US20160055421A1 (en) * | 2014-08-20 | 2016-02-25 | Lockheed Martin Corporation | Heuristic graph embedding methods for adiabatic quantum computation optimization |
US20170017894A1 (en) * | 2014-08-22 | 2017-01-19 | D-Wave Systems Inc. | Systems and methods for improving the performance of a quantum processor to reduce intrinsic/control errors |
Non-Patent Citations (1)
Title |
---|
SANDEEP MAVADIA ET AL: "Prediction and real-time compensation of qubit decoherence via machine-learning", pages 1 - 3 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114970867A (zh) * | 2021-02-20 | 2022-08-30 | 合肥本源量子计算科技有限责任公司 | 量子计算机系统以及任务调度方法 |
CN114970867B (zh) * | 2021-02-20 | 2024-04-05 | 本源量子计算科技(合肥)股份有限公司 | 量子计算机系统以及任务调度方法 |
WO2022179104A1 (zh) * | 2021-02-26 | 2022-09-01 | 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 |
CN113011594A (zh) * | 2021-03-26 | 2021-06-22 | 合肥本源量子计算科技有限责任公司 | 量子比特的校准方法及装置、量子计算机 |
CN113011594B (zh) * | 2021-03-26 | 2023-08-08 | 本源量子计算科技(合肥)股份有限公司 | 量子比特的校准方法及装置、量子计算机 |
CN115470921A (zh) * | 2022-03-28 | 2022-12-13 | 合肥本源量子计算科技有限责任公司 | 量子比特校准方法以及装置、量子计算机 |
CN115470920A (zh) * | 2022-03-28 | 2022-12-13 | 合肥本源量子计算科技有限责任公司 | 量子比特校准方法以及装置、量子计算机 |
CN115470921B (zh) * | 2022-03-28 | 2024-02-06 | 本源量子计算科技(合肥)股份有限公司 | 量子比特校准方法以及装置、量子计算机 |
CN115470920B (zh) * | 2022-03-28 | 2024-02-06 | 本源量子计算科技(合肥)股份有限公司 | 量子比特校准方法以及装置、量子计算机 |
Also Published As
Publication number | Publication date |
---|---|
US20200394524A1 (en) | 2020-12-17 |
AU2017442682C1 (en) | 2021-10-14 |
WO2019117922A1 (en) | 2019-06-20 |
CA3085717A1 (en) | 2019-06-20 |
AU2017442682A1 (en) | 2020-07-02 |
EP3707649A1 (en) | 2020-09-16 |
AU2021232777B2 (en) | 2023-01-12 |
AU2023202257A1 (en) | 2023-05-11 |
AU2021232777A1 (en) | 2021-10-21 |
CA3085717C (en) | 2023-04-18 |
AU2023202257B2 (en) | 2023-12-07 |
CN111656374B (zh) | 2024-04-02 |
AU2017442682B2 (en) | 2021-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111656374B (zh) | 量子位校准 | |
JP6907359B2 (ja) | 自動量子ビット校正 | |
US11556813B2 (en) | Refining qubit calibration models using supervised learning | |
AU2021336683C1 (en) | Generative modeling of quantum hardware | |
CN118246562A (zh) | 量子位校准 | |
WO2021118867A1 (en) | Denoising qubit calibration data with deep learning | |
Frank et al. | Heuristic-free Verification-inspired Quantum Benchmarking | |
Ahmadyan | Validation and optimization of analog circuits using randomized search algorithms |
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 |