CN111814362B - 量子噪声过程分析方法、系统及存储介质和终端设备 - Google Patents
量子噪声过程分析方法、系统及存储介质和终端设备 Download PDFInfo
- Publication number
- CN111814362B CN111814362B CN202010882560.XA CN202010882560A CN111814362B CN 111814362 B CN111814362 B CN 111814362B CN 202010882560 A CN202010882560 A CN 202010882560A CN 111814362 B CN111814362 B CN 111814362B
- Authority
- CN
- China
- Prior art keywords
- quantum
- noise
- eigenspectrum
- evolution
- noise process
- 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 314
- 230000008569 process Effects 0.000 title claims abstract description 272
- 238000004458 analytical method Methods 0.000 title claims abstract description 91
- 238000003860 storage Methods 0.000 title claims abstract description 26
- 238000013507 mapping Methods 0.000 claims abstract description 210
- 238000001228 spectrum Methods 0.000 claims abstract description 56
- 238000012360 testing method Methods 0.000 claims description 77
- 238000012546 transfer Methods 0.000 claims description 43
- 239000011159 matrix material Substances 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 27
- 239000002096 quantum dot Substances 0.000 claims description 17
- 238000005314 correlation function Methods 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 238000002360 preparation method Methods 0.000 claims description 11
- 230000009977 dual effect Effects 0.000 claims description 8
- 230000000977 initiatory effect Effects 0.000 claims 1
- 230000010365 information processing Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 4
- 102100024873 Ceramide-1-phosphate transfer protein Human genes 0.000 description 3
- 101710189399 Ceramide-1-phosphate transfer protein Proteins 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000011137 process chromatography Methods 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 230000009131 signaling function Effects 0.000 description 3
- 206010007134 Candida infections Diseases 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000005610 quantum mechanics Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/32—Circuit design at the digital level
- G06F30/33—Design verification, e.g. functional simulation or model checking
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
-
- 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
- G06N10/20—Models of quantum computing, e.g. quantum circuits or universal quantum computers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B82—NANOTECHNOLOGY
- B82Y—SPECIFIC USES OR APPLICATIONS OF NANOSTRUCTURES; MEASUREMENT OR ANALYSIS OF NANOSTRUCTURES; MANUFACTURE OR TREATMENT OF NANOSTRUCTURES
- B82Y10/00—Nanotechnology for information processing, storage or transmission, e.g. quantum computing or single electron logic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)
- Tests Of Electronic Circuits (AREA)
- Semiconductor Integrated Circuits (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
本发明实施例公开了量子噪声过程分析方法、系统及存储介质和终端设备,应用于及量子信息处理技术领域。针对非马科夫量子噪声过程进行分析时,对制备的量子初始态分别输入多个第一线路和多个第二线路,分别得到多个第一量子输出态和多个第二量子输出态,进而确定包括第一误差和第二误差的动力学映射本征谱,由于第一线路和第二线路中包括的投影测试门的数量不同,则对量子初始态在演化过程中进行分析时所造成的误差也不同,可以根据第一误差的动力学映射本征谱和第二误差的动力学映射本征谱得到消除误差的动力学映射本征谱,使得根据消除误差的动力学映射本征谱进行量子噪声过程的分析更精确,能更精确地对量子系统中的噪声进行监控。
Description
技术领域
本发明涉及量子信息处理技术领域,特别涉及量子噪声过程分析方法、系统及存储介质和终端设备。
背景技术
现在的量子信息处理技术是物理和信息科学领域的研究热点,在军事、国防、金融等信息安全领域有着重大的应用价值和前景,不仅用于军事、国防等领域的国家级保密通信,还可以用于涉及政府、电信、工商、财政等领域和部门。其中的一种方法即量子过程层析,主要是通过对噪声通道输入一组标准量子态,并通过一系列测量过程来重构量噪声过程的数学描述,具体地,在量子过程层析过程中可以提取量子噪声过程的动力学映射的相关信息。
其中,量子噪声过程是由于量子系统或量子器件与环境相互作用,或者控制本身的不完美导致量子信息的污染过程,具体是一个用超算符表示信道,拓展到更高维度的话,可以在用矩阵表示。但是现有的量子过程层析主要是适用于马科夫噪声通道(Markoviannoise channel)的量子噪声过程,对于非马科夫噪声通道却缺乏有效的探测手段和定量分析方法。
发明内容
本发明实施例提供量子噪声过程分析方法、系统及存储介质和终端设备,实现了对非马科夫噪声通道进行量子噪声过程的分析。
本发明实施例一方面提供一种量子噪声过程分析方法,包括:
制备一组量子初始态;
将所述制备的量子初始态分别输入多个第一线路,分别得到多个第一量子输出态,所述第一线路包括至少一组噪声演化门和投影测试门,所述多个第一线路之间噪声演化门和投影测试门的组数不同;
根据所述多个第一量子输出态与量子初始态之间基于量子噪声过程的动力学映射本征谱的函数对应关系,确定包含第一误差的动力学映射本征谱;
将所述制备的量子初始态分别输入多个第二线路,分别得到多个第二量子输出态,所述第二线路包括至少一组噪声演化门和双投影测试门,所述多个第二线路之间噪声演化门和双投影测试门的组数不同;
根据所述多个第二量子输出态与量子初始态之间基于所述量子噪声过程的动力学映射本征谱的函数对应关系,确定包含第二误差的动力学映射本征谱;
根据包含第一误差的动力学映射本征谱和包含第二误差的动力学映射本征谱,确定量子噪声过程的动力学映射本征谱,以对量子噪声过程进行分析。
本发明实施例另一方面提供一种量子噪声过程分析系统,包括:
制备单元,用于制备一组量子初始态;
测试单元,用于将所述制备的量子初始态分别输入多个第一线路,分别得到多个第一量子输出态,所述第一线路包括至少一组噪声演化门和投影测试门,所述多个第一线路之间噪声演化门和投影测试门的组数不同;
误差本征谱单元,用于根据所述多个第一量子输出态与量子初始态之间基于量子噪声过程的动力学映射本征谱的函数对应关系,确定包含第一误差的动力学映射本征谱;
所述测试单元,还用于将所述制备的量子初始态分别输入多个第二线路,分别得到多个第二量子输出态,所述第二线路包括至少一组噪声演化门和双投影测试门,所述多个第二线路之间噪声演化门和双投影测试门的组数不同;
所述误差本征谱单元,还用于根据所述多个第二量子输出态与量子初始态之间基于所述量子噪声过程的动力学映射本征谱的函数对应关系,确定包含第二误差的动力学映射本征谱;
分析单元,用于根据包含第一误差的动力学映射本征谱和包含第二误差的动力学映射本征谱,确定量子噪声过程的动力学映射本征谱,以对量子噪声过程进行分析。
本发明实施例另一方面还提供一种计算机可读存储介质,所述计算机可读存储介质储存多个计算机程序,所述计算机程序适于由处理器加载并执行如本发明实施例一方面所述的量子噪声过程分析方法。
本发明实施例另一方面还提供一种终端设备,包括处理器和存储器;
所述存储器用于储存多个计算机程序,所述计算机程序用于由处理器加载并执行如本发明实施例一方面所述的量子噪声过程分析方法;所述处理器,用于实现所述多个计算机程序中的各个计算机程序。
可见,在本实施例的方法中,量子噪声过程分析系统针对非马科夫量子噪声过程进行分析时,对制备的量子初始态分别输入多个第一线路和多个第二线路,分别得到多个第一量子输出态和多个第二量子输出态,进而确定包括第一误差和第二误差的动力学映射本征谱,由于第一线路和第二线路中包括的投影测试门的数量不同,则对量子初始态在演化过程中进行分析时所造成的误差也不同即第一误差和第二误差,但是可以根据第一误差的动力学映射本征谱和第二误差的动力学映射本征谱得到消除误差的动力学映射本征谱,使得根据消除误差的动力学映射本征谱进行量子噪声过程的分析更精确,进而能更精确地对量子系统中的噪声进行监控,使得对量子系统的调控有了精确的针对性。
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一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种量子噪声过程分析方法的示意图;
图2是本发明实施例提供的一种量子噪声过程分析方法的流程图;
图3a是本发明实施例中多个第一线路的示意图;
图3b是本发明实施例中多个第二线路的示意图;
图4是本发明应用实施例中提供的一种量子噪声过程分析方法的流程图;
图5a是本发明应用实施例中一种对未来演化的预测结果随时间变化的示意图;
图5b是本发明应用实施例中另一种对未来演化的预测结果随时间变化的示意图;
图6a是本发明应用实施例中一种量子噪声过程的关联函数参数值随时间变化的示意图;
图6b是本发明应用实施例中另一种量子噪声过程的关联函数参数值随时间变化的示意图;
图7a是本发明应用实施例中一种量子噪声过程的非马科夫噪声模型随时间变化的示意图;
图7b是本发明应用实施例中另一种量子噪声过程的非马科夫噪声模型随时间变化的示意图;
图8a是本发明应用实施例中一种量子噪声过程的非马科夫噪声强度随时间变化的示意图;
图8b是本发明应用实施例中另一种量子噪声过程的非马科夫噪声强度随时间变化的示意图;
图9是本发明实施例提供的一种量子噪声过程分析系统的结构示意图;
图10是本发明实施例提供的一种终端设备的结构示意图。
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作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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排它的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例提供一种量子噪声过程分析方法,主要是用于对量子系统中的噪声进行分析,主要是非马科夫量子噪声过程进行分析,如图1所示,量子噪声过程分析系统可以按照如下步骤实现噪声分析:
制备一组量子初始态100;将所述制备的量子初始态100分别输入多个第一线路200,分别得到多个第一量子输出态110,所述第一线路200包括至少一组噪声演化门和投影测试门,所述多个第一线路200之间噪声演化门和投影测试门的组数不同;根据所述多个第一量子输出态110与量子初始态100之间基于量子噪声过程的动力学映射本征谱的函数对应关系,确定包含第一误差的动力学映射本征谱120;将所述制备的量子初始态100分别输入多个第二线路210,分别得到多个第二量子输出态130,所述第二线路210包括至少一组噪声演化门和双投影测试门,所述多个第二线路210之间噪声演化门和双投影测试门的组数不同;根据所述多个第二量子输出态130与量子初始态100之间基于所述量子噪声过程的动力学映射本征谱的函数对应关系,确定包含第二误差的动力学映射本征谱140;根据包含第一误差的动力学映射本征谱120和包含第二误差的动力学映射本征谱140,确定量子噪声过程的动力学映射本征谱150,以对量子噪声过程进行分析。
这样,由于第一线路200和第二线路210中包括的投影测试门的数量不同,则对量子初始态100在演化过程中进行分析时所造成的误差也不同即第一误差和第二误差,但是可以根据第一误差的动力学映射本征谱120和第二误差的动力学映射本征谱140得到消除误差的动力学映射本征谱150,使得根据消除误差的动力学映射本征谱150进行量子噪声过程的分析更精确,进而能更精确地对量子系统中的噪声进行监控,使得对量子系统的调控有了精确的针对性。
本实施例的方法可以应用于云技术中,其中,云技术(Cloud technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来,实现数据的计算、储存、处理和共享的一种托管技术。云技术(Cloud technology)基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称,可以组成资源池,按需所用,灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源,如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用,将来每个物品都有可能存在自己的识别标志,都需要传输到后台系统进行逻辑处理,不同程度级别的数据将会分开处理,各类行业数据皆需要强大的系统后盾支撑,只能通过云计算来实现。
而云计算(cloud computing)是一种计算模式,它将计算任务分布在大量计算机构成的资源池上,使各种应用系统能够根据需要获取计算力、存储空间和信息服务。提供资源的网络被称为“云”。“云”中的资源在使用者看来是可以无限扩展的,并且可以随时获取,按需使用,随时扩展,按使用付费。作为云计算的基础能力提供商,会建立云计算资源池(简称云平台,一般称为IaaS(Infrastructure as a Service,基础设施即服务)平台,在资源池中部署多种类型的虚拟资源,供外部客户选择使用。云计算资源池中主要包括:计算设备(为虚拟化机器,包含操作系统)、存储设备、网络设备。
基于云计算的应用可以有多种,比如云安全、云游戏或云会议等,其中,云安全(Cloud Security) 是指基于云计算商业模式应用的安全软件、硬件、用户、机构、安全云平台的总称。
本发明一个实施例提供一种量子噪声过程分析方法,主要是量子噪声过程分析系统所执行的方法,流程图如图2所示,包括:
步骤101,制备一组量子初始态。
可以理解,量子信息处理是针对量子系统中的信息进行处理,其中,量子系统是整个宇宙的一部分,其运动规律遵循量子力学,而量子系统的所有信息都可以由一个量子态来表征,本实施例中,为了对量子系统中的量子噪声过程进行分析,首先需要先制备一组初始状态的量子态,具体地,可以选择一个泡利矩阵(即泡利基)制备量子初始态。
步骤102,将制备的量子初始态分别输入多个第一线路,分别得到多个第一量子输出态,第一线路包括至少一组噪声演化门和投影测试门,多个第一线路之间噪声演化门和投影测试门的组数不同。
具体地,可以在多个演化时刻的各个演化时刻,将制备的量子初始态分别输入多个第一线路,分别得到各个演化时刻的多个第一量子输出态,这样就可以获取到多组第一量子输出态,每组第一量子输出态对应一个演化时刻,包括了量子初始态经过多个第一线路后分别得到的量子输出态。
其中,相邻的演化时刻之间的时间间隔都可以相同,即多个演化时刻可以为ti=δt,2δt,……,Nδt;噪声演化门是指随着时间演化的噪声通道,每个演化时刻的噪声演化门可以用动力学演化映射来表示;投影测量门主要用于对噪声通道进行某一方向的投影测试,每个演化时刻的投影测试门可以用投影测量映射来表示。
在马科夫量子噪声过程中,量子初始态在任意演化时刻通过第一线路输出的第一量子输出态只与前一演化时刻通过第一线路输出的第一量子输出态相关;在非马科夫量子噪声过程中,量子初始态在任意演化时刻通过第一线路输出的第一量子输出态与前面多个演化时刻通过第一线路输出的第一量子输出态相关。本实施例中所述的噪声演化门主要是非马科夫量子噪声通道。
步骤103,根据多个第一量子输出态与量子初始态之间基于量子噪声过程的动力学映射本征谱的函数对应关系,确定包含第一误差的动力学映射本征谱。该函数对应关系具体为第一量子输出态与制备量子初始态时所用的信息之间基于量子噪声过程的动力学映射本征谱之间的函数对应关系。
由于每个第一量子输出态与制备量子初始态所使用的信息之间都具有基于量子噪声过程的动力学映射本征谱的函数对应关系,则通过上述步骤101和102可以得到已知的量子初始态和多个第一量子输出态,进而可以求解出包含第一误差的动力学映射本征谱。其中,由于上述步骤102中,在得到第一量子输出态的过程中,量子初始态经过了至少一组的噪声演化门和投影测试门,其中出现一个投影测试门的测试误差,则通过本步骤确定的动力学映射本征谱包含了该测试误差,即第一误差。
如果上述步骤102中得到了多组第一量子输出态,分别对应多个演化时刻,则通过本步骤103可以得到多个演化时刻分别对应的包含第一误差的动力学映射本征谱。
其中,动力学映射(Trace-preserving completely positive map,TPCP)主要是指保迹和全正的动力学映射,具体地,保迹是指动力学演化过程中量子态密度算符的迹不变,全正是指如果密度算符是非负的,动力学映射作用于密度算符的任意部分将会保持非负。
步骤104,将制备的量子初始态分别输入多个第二线路,分别得到多个第二量子输出态,第二线路包括至少一组噪声演化门和双投影测试门,多个第二线路之间噪声演化门和双投影测试门的组数不同。
具体地,可以在多个演化时刻的各个演化时刻,将制备的量子初始态分别输入多个第二线路,分别得到各个演化时刻的多个第二量子输出态,这样就可以获取到多组第二量子输出态,每组第二量子输出态对应一个演化时刻,包括了量子初始态经过多个第二线路后分别得到的量子输出态。
在非马科夫量子噪声过程中,量子初始态在任意演化时刻通过第二线路输出的第二量子输出态与前面多个演化时刻通过第二线路输出的第二量子输出态相关。
步骤105,根据多个第二量子输出态与量子初始态之间基于量子噪声过程的动力学映射本征谱的函数对应关系,确定包含第二误差的动力学映射本征谱。该函数对应关系具体为第二量子输出态与制备量子初始态时所用的信息之间基于量子噪声过程的动力学映射本征谱之间的函数对应关系。
由于每个第二量子输出态与量子初始态之间都具有基于量子噪声过程的动力学映射本征谱的函数对应关系,则通过上述步骤101和104可以得到已知的量子初始态和多个第二量子输出态,进而可以求解出包含第二误差的动力学映射本征谱。其中,由于上述步骤104中,在得到第二量子输出态的过程中,量子初始态经过了至少一组的噪声演化门和双投影测试门,其中会出现两次投影测试门的测试误差,则通过本步骤确定的动力学映射本征谱包含了该测试误差,即第二误差。
如果上述步骤104中得到了多组第二量子输出态,分别对应多个演化时刻,则通过本步骤105可以得到多个演化时刻分别对应的包含第二误差的动力学映射本征谱。
步骤106,根据包含第一误差的动力学映射本征谱和包含第二误差的动力学映射本征谱,确定量子噪声过程的动力学映射本征谱,以对量子噪声过程进行分析。
具体地,将包含第一误差的动力学映射本征谱与包含第二误差的动力学映射本征谱进行一定的计算,这样,最终得到的量子噪声过程的动力学映射本征谱就不包含任何误差,从而可以根据该动力学映射本征谱可以进行量子噪声过程的分析。如果上述步骤103和105中分别得到多个演化时刻的第一误差的动力学映射本征谱与包含第二误差的动力学映射本征谱,在本步骤106中,分别将每个演化时刻的第一误差的动力学映射本征谱与包含第二误差的动力学映射本征谱进行计算,从而得到多个演化时刻量子噪声过程的动力学映射本征谱。
需要说明的是,上述步骤102和103,与步骤104和105之间并没有绝对的顺序关系,可以同时执行,也可以顺序执行,图2中所示的只是其中一种具体的应用实例。
在具体实现时,例如图3a所示,将制备的量子初始态P分别输入到3个第一线路,第一线路1中包括一组噪声演化门U和投影测试门M,得到第一量子输出态1;第一线路2包括两组噪声演化门U和投影测试门M,得到第一量子输出态2;第一线路3包括三组噪声演化门U和投影测试门M,得到第一量子输出态3。
例如图3b所示,将制备的量子初始态P分别输入到3个第二线路,第二线路1中包括一组噪声演化门U和两个投影测试门M(即双投影测试门MM),得到第二量子输出态1;第二线路2包括两组噪声演化门U和双投影测试门M,得到第二量子输出态2;第二线路3包括三组噪声演化门U和双投影测试门M,得到第二量子输出态3。
其中,在实际分析过程中,噪声演化门U具体可以设置为非马科夫量子噪声通道或马科夫量子噪声通道,且可以为泡利噪声通道或是非泡利噪声通道,并通过实际的分析,从而确定出在不同类型的噪声通道下,对量子噪声过程分析的效果。且需要各个演化时刻ti,比如δt,2δt,…,nδt,将制备的量子初始态分别输入到到各个第一线路和第二线路中,图3a和3b中所示的线路中的噪声演化门U和投影测试门M是任一演化时刻的噪声演化门U和投影测试门M。
其中,每个第一量子输出态都可以通过一个信号函数来表示,其中,ti表
示演化时刻,k用于区分不同的第一量子输出态,在马科夫量子噪声过程中,任意演化时刻
对某一条线路上得到的量子输出态只与前一演化时刻该条线路上得到的量子输出态相关;
而在非马科夫量子噪声过程中,任意演化时刻对某一条线路上得到的量子输出态与前面多
个演化时刻该条线路上得到的量子输出态相关。本实施例中,主要针对非马科夫量子噪声
过程,假设在某一演化时刻,上述图3a所示的3个第一线路依次得到的第一量子输出态分别
为、和,可以通过如下公式1-1来表示,用N表示超算符,表示投
影测试门的测试误差,而表示量子初始态的制备误差,表示噪声演化门的动力学
映射,为投影测试门的投影测试映射;为一个泡利矩阵,在制备量子初始态时,主要
是选取一个泡利矩阵来制备的:
因此,可以得到,又由于所对应的动力学映射满足,因此,可以得到,进而可以得到
第一量子输出态与量子初始态之间基于量子噪声过程的动力学映射本征谱的函数对应关
系,具体是第一量子输出态与制备量子初始态时所用的信息(即)之间基于量子噪声过
程的动力学映射本征谱之间的函数对应关系,可以通过如下公式1-5来表示:
其中,和分别是和的泡利转移矩阵的子矩阵,可对
角化,量子初始态的制备误差,由于通过上
述步骤102,已经获知了多个第一量子输出态,而又可以根据在执行上述步骤101
的制备过程中使用的泡利矩阵得到,再结合上面的公式1-5,进一步通过矩阵束法解析得到
包含第一误差的动力学映射本征谱,其中,表示
第一误差,主要是投影测试门的测量误差。
按照同样的方法可以得到,在针对上述图3b所示的情况下,量子初始态经过第二
线路后得到的第二量子输出态可以通过如下公式1-6来表示,而第二量子输出态和量子初
始态之间基于量子噪声过程的动力学映射本征谱的函数对应关系,具体是第二量子输出态
与制备量子初始态时所用的信息(即)之间基于量子噪声过程的动力学映射本征谱之间
的函数对应关系,可以通过如下公式1-7来表示:
可对角化,量子初始态的制备误差,由于通过上述104,已经获知了多个第二量子输出态,而
又可以根据在执行上述步骤101的制备过程中使用的泡利矩阵得到,再结合上面的公式1-
7,进一步通过矩阵束法解析得到包含第二误差的动力学映射本征谱,其中,表示第二误差,主要用于表示两次投影
测量门的测量误差。
这样,结合上述得到的包含第一误差和第二误差的动力学映射本征谱,可以得到免除误差(包括量子初始态制备误差和测量误差)的动力学映射本征谱,即不带任何系数的动力学映射本征谱,具体可以通过如下公式1-8表示:
需要说明的是,在上述的非马科夫量子噪声过程中,需要构造不同演化时刻的从
各个线路输出的量子输出态,具体构造多套信号函数,每套信号函数分别对应一个演示时
刻,包括,使得对应的动力学映射满足,再通
过矩阵束法分别解析这多套信号函数得到多套动力学映射特征谱,同时避免了误差。具体过
程如下表1所示:
可见,在本实施例的方法中,量子噪声过程分析系统针对非马科夫量子噪声过程进行分析时,对制备的量子初始态分别输入多个第一线路和多个第二线路,分别得到多个第一量子输出态和多个第二量子输出态,进而确定包括第一误差和第二误差的动力学映射本征谱,由于第一线路和第二线路中包括的投影测试门的数量不同,则对量子初始态在演化过程中进行分析时所造成的误差也不同即第一误差和第二误差,但是可以根据第一误差的动力学映射本征谱和第二误差的动力学映射本征谱得到消除误差的动力学映射本征谱,使得根据消除误差的动力学映射本征谱进行量子噪声过程的分析更精确,进而能更精确地对量子系统中的噪声进行监控,使得对量子系统的调控有了精确的针对性。
在一个具体的实施例,量子噪声过程分析系统在根据上述确定的消除误差的动力学映射本征谱对量子噪声过程的分析可以包括但不限于如下几种方式的分析:
(1)根据量子噪声过程的动力学映射本征谱确定转移张量映射本征谱。
具体地,量子噪声过程分析系统会根据上述得到的量子噪声过程的动力学映射本征谱及预置的第一对应关系,确定转移张量映射的本征谱。这里转移张量映射用于表征基于量子系统的记忆核的量子噪声过程的动力学演化,主要是从上述的动力学映射中提取的一组映射,该组映射编码了量子系统的记忆核,用来预测量子系统的动力学演化。
在具体实施例中,对量子系统在非马科夫量子噪声下的动力学演化过程,可以通过引入当前量子系统状态相对之前量子系统状态的非时间局域的记忆效应,用如下公式2-1的中岛-茨万齐格(Nakajima-Zwanzig)方程表示出来:
其中,是记忆核,用于表征量子系统的当前时刻状态与之前时刻状态的联系,
满足,对于噪声通道是泡利通道,则可以得到,其中,,结合上述实施例中确定
的量子噪声的动力学映射本征谱,可以得到,其中为记忆核的本征谱。
又由于等演化时间间隔,获取的量子噪声的动力学映射,
则量子系统的当前状态也可以通过转移张量映射T与之前的状态序列联系
起来,如果是时间平移不变的量子系统,可以将上述公式
2-1的Nakajima-Zwanzig方程写成如下公式2-2中分立时间点的形式:
联立上述公式2-1和2-2,可以得到转移张量映射。由于泡
利通道满足,则可以得到,其中,幺正算符
是泡利矩阵,为转移张量映射的本征谱,且转移张量映射的本征谱与记忆核的本征谱
之间满足第二对应关系即。又由于量子噪声过程的动力学映射
也满足,对角化动力学映射,得到如下公式2-3中动力学映射本征谱与转移
张量映射的本征谱之间的第一对应关系,该第一对应关系可以事先预置在量子噪声过程分
析系统中:
具体地,量子噪声过程分析系统在的得到的量子噪声过程的动力学映射本征谱包括:一段时间内,多个演化时刻的量子噪声过程的动力学映射本征谱,则还可以根据一段时间内,多个演化时刻的量子噪声过程的动力学映射本征谱、转移张量映射的本征谱及预置的第一对应关系,预测一段时间之后的演化时刻的量子噪声过程的动力学映射本征谱。
(2)确定量子噪声过程的关联函数。
具体地,量子噪声过程分析系统会根据量子噪声过程的转移张量映射的本征谱及预置的第二对应关系,确定量子噪声过程的记忆核的本征谱,该记忆核用于表征量子系统的当前时刻状态与之前时刻状态的联系;进而根据量子噪声过程的记忆核的本征谱及预置的第三对应关系,确定量子噪声过程的关联函数,再根据该关联函数确定量子噪声过程的频谱,比如对关联函数进行傅里叶变换即可得到量子噪声过程的频谱。
对于高斯稳态噪声,量子噪声过程的关联函数决定了噪声的性质,其中关联函数是用于表征量子噪声过程,因此从实验中提取该关联函数和频谱至关重要,在具体实施例中:
而在开放系统理论中,动力学演化的记忆核的准确表达式可以通过如下公式3-1来表达:
在通常的量子硬件中,量子噪声已在工程上被初步控制,所以量子器件和环境的耦合强度相对较弱,在这种情况下,可以采取二阶微扰近似处理记忆核,以单量子比特为例,可以通过如下公式3-2的近似:
从上面的确定转移张量映射的本征谱过程中可以得到,因此,可以得到,,又由于,则可以得到如下公式3-4中所示的记忆核的本征谱与量
子噪声过程的关联函数之间的第三对应关系,该第三对应关系可以事先预置到量子噪声过
程分析系统中:
由于上述确定转移张量映射的本征谱过程中可以得到,即量子噪声过程的转移张量映射的本征谱与记忆核的本
征谱之间的第二对应关系,该第二对应关系可以事先预置到量子噪声过程分析系
统中,因此,只要获取到动力学映射本征谱,即可根据上述的第一对应关系得到转移张量映
射的本征谱,再结合第二对应关系即可的记忆核的本征谱,并结合第三对应关系可以推出
量子噪声的关联函数,并将该关联函数做傅里叶变换得到量子噪声的频谱,可以通过如下
公式3-5来表示:
(3)分析量子噪声过程的非马科夫特性
具体地,量子噪声过程分析系统会根据量子噪声过程的动力学映射本征谱,构建量子噪声过程的非马科夫噪声模型,该非马科夫噪声模型是基于量子噪声过程的退相干率的模型,具体地,根据动力学映射本征谱与量子噪声过程的退相干率之间的对应关系,构建非马科夫噪声模型;然后基于量子噪声过程的非马科夫噪声模型,确定量子噪声过程的非马科夫噪声强度。
上述的产生子满足,其中,
从而可以得到,进而得到动力学映射本征
谱与退相干率满足的对应关系为:,该对应关系可以事先预
置在量子噪声过程分析系统中,进一步地,可以根据动力学映射本征谱构建如下公式4-1所
示的量子噪声过程的非马科夫噪声模型:
将上述公式4-1中的非马科夫噪声模型结合如下公式4-2所示的(Rivas-Huelga-
Plenio,RHP)测量计算公式,即可得到量子系统的RHP测量结果,该结果刻画了量子
噪声过程的非马科夫特征的强度。进一步地,结合转移张量映射的本征谱与动力学映射本
征谱之间的第二对应关系,只需要有限时间长度,即可预测出量子系统中未来的动力学映
射本征谱,从而计算未来的量子系统的:
上述的RHP测量是指测量通过同一量子系统演化的两个最佳初始状态的可区分性,寻找过程中的非单调性,从而表征量子系统的非马科夫强弱特性。
通过上述量子噪声过程的分析,可以得知量子噪声过程的关联函数,从而提供了对应的噪声频谱,这样,在调控量子系统中的量子硬件时,就可以使得整个调控更加有针对性且有效,例如:提供动力学解耦的依据,针对量子硬件的噪声频谱设定相应的脉冲类型和波型翻转时间点,从而抑制退相干等。其中,动力学解耦是抑制退相干的一种有效有段,它主要是通过在特定时间点(按一定的频率)施加不断翻转的脉冲来有效抑制量子比特与环境的相互耦合,从而抑制退相干。
进一步,需要说明的是,上述在对量子噪声过程进行分析过程中,确定转移张量映射的本征谱、记忆核和量子噪声过程的频谱等时,主要是适用于上述的噪声演化门是泡利噪声通道,而对于上述的噪声演化门是非泡利噪声通道时,需要引入泡利旋转近似的方法,将其近似成为泡利通道以适用上述的分析过程。具体地,
量子噪声过程分析系统会在执行上述步骤103之前,需要先将量子噪声过程的动力学映射进行泡利旋转近似,保留量子噪声通道中的泡利通道,这样,在执行上述步骤103时,具体根据多个第一量子输出态与量子初始态之间基于保留的泡利噪声通道的动力学映射本征谱的函数对应关系,确定包含第一误差的动力学映射本征谱;而量子噪声过程分析系统在执行上述步骤105时,具体根据多个第二量子输出态与量子初始态之间基于保留的泡利噪声通道的动力学映射本征谱的函数对应关系,确定包含第二误差的动力学映射本征谱。
其中,在具体实现过程中,在进行泡利旋转近似时:
进一步,需要说明的是,由于引入泡利旋转近似来处理非泡利的量子噪声过程,从而会造成信息的损失,为了尽可能恢复量子系统的信息,本实施例中,可以在量子噪声过程分析系统执行上述步骤101的过程中,选择一个较优的泡利矩阵来制备量子初始态,这样,可以尽可能地恢复量子系统的信息,且使得在优化泡利矩阵下,确定的非马科夫噪声强度更加准确。具体在选择较优的泡利矩阵时,需要通过针对多个候选的泡利矩阵,循环执行上述的量子噪声过程分析,从而从多个候选的泡利矩阵中选出一个较优的候选泡利矩阵,具体地:
量子噪声过程分析系统在执行上述步骤101时,会确定多个候选的泡利矩阵,以多个候选的泡利矩阵分别制备多组量子初始态,进而在针对多组量子初始态,执行上述步骤102到106后,得到多个消除误差的动力学映射本征谱,进而在量子噪声过程分析时,基于多组量子初始态,确定多个非马科夫噪声强度。这样,量子噪声过程分析系统会选取多个非马科夫噪声强度中最大非马科夫噪声强度对应的候选的泡利矩阵,并根据选取的候选的泡利矩阵对量子噪声过程进行分析。
在具体实现时,对单量子比特的量子系统定义任意2维幺正矩阵可以通过如下公式6-1表示:
其中为沿着轴旋转角度的泡利转移矩阵,则选择新的候选的泡利矩阵
(以下简称为新的泡利基),在新的泡利基下进行泡利旋转近似后
只剩下泡利通道的部分,则量子初始态经过根据泡利旋转近得到的泡利通道后,可以得到
的量子输出态可以通过如下公式6-2来表示:
进而确定的消除误差的动力学映射本征谱为,进一步证明在新的泡利基下
进行泡利旋转后,量子噪声过程的动力学映射。其中,,幺正算符是泡利矩阵。可以证明新的动力学映射和记忆核
可以在新的泡利基下按照如下公式6-3和6-4进行对角化,进而得到如下公式6-5中动力学
映射本征谱与转移张量映射的本征谱之间的第一对应关系:
进而构建出如下公式6-6所示的非马科夫噪声模型:
进而从多个新的候选泡利基中选择出一个最优的泡利基使得满足如下公式6-7的关系:
在选取出最优的泡利基后,按照最优的泡利基对量子噪声过程进行进一步地分析。
进一步,在其它的具体的实施例中,对于马科夫量子噪声过程的分析方法不能很好地对非马科夫量子噪声过程进行分析,具体地体现在,在采用马科夫量子噪声过程的分析方法进行分析的过程中,在获取动力学映射本征谱时会有超出原本量子比特的希尔伯特空间维度的有效值,其中,希尔伯特空间维度是一定的,比如为a,当获取的动力学映射本征谱的数量超过a时,则动力学映射本征谱有超出原本量子比特的希尔伯特空间维度的有效值。
因此,当量子系统经过分析不是非马科夫量子噪声过程,且经过分析确定的动力学映射本征谱的数量超过原本制备的量子比特的希尔伯特空间维度,则确定量子系统中出现量子比特泄露。进一步地,可以通过如下公式7确定量子比特泄露程度:
其中,L表示量子比特泄漏量,表示上述制备量子初始态的量子比特希尔伯特
子空间,表示量子比特泄露到更高能级希尔伯特子空间,代表(trace-preserving
completely positive map,CPTP)动力学映射过程。表示在CPTP动力学映射过
程中,量子比特从量子比特希尔伯特子空间向更高级希尔伯特子空间泄露的泄漏量,而表示在CPTP动力学映射过程中,量子比特从更高级希尔伯特子空间向量子比
特希尔伯特子空间泄露的泄漏量。
因此,量子比特泄漏量为量子比特在不同级的希尔伯特子空间之间相互泄漏的泄露量的函数计算值,其中,不同级的希尔伯特子空间的维度不相同。
以下以一个具体的应用实例来说明本发明的量子噪声过程分析方法,如图4所示,本实施例中的量子噪声过程分析系统可以按照如下步骤,对非马科夫量子噪声过程进行分析:
步骤201,制备一组量子初始态,并分别在多个演化时刻,输入到多个第一线路和多个第二线路,得到每个演示时刻的多个第一量子输出态和多个第二量子输出态,进而根据多个第一量子输出态和第二量子输出态分别确定包括第一误差和第二误差的动力学映射本征谱,进而确定每个演示时刻的消除误差的量子噪声过程的动力学映射本征谱。
其中,多个第一线路可以如图3a所示,每个第一线路中包括至少一组噪声演化门和投影测试门,多个第二线路可以如图3b所示,每个第二线路中包括至少一组噪声演化门和双投影测试门。
步骤202,根据消除误差的量子噪声过程的动力学映射本征谱及预置的第一对应关系,比如上述公式2-3所示的第一对应关系,可以确定量子噪声过程的转移张量映射的本征谱。同时也可以通过根据当前演化时刻的转移张量映射的本征谱、消除误差的动力学映射本征谱及该第一对应关系,预测未来的演化时刻的转移张量映射的本征谱。
在实际应用过程中,量子系统中的量子噪声过程采用非马科夫纯退相位噪声模型和非马科夫方向噪声模型,即在得到动力学映射本征谱过程中使用的噪声演
化门的模型,由于非马科夫纯退相位模型和非马科夫方向噪声模型都对应泡利噪声
通道,可以直接使用上述步骤201和202中非马科夫量子噪声过程的分析方法,获取到消除
误差的动力学映射本征谱,进而用当前状态的转移张量映射的本征谱预测未来演化时刻量
子噪声过程的动力学映射本征谱和转移张量映射的本征谱。
例如图5a和5b所示,分别为非马科夫纯退相干模型和非马科夫方向噪声模
型下,根据转移张量映射的本征谱和动力学映射对未来演化的预测结果,纵坐标为预测的
动力学映射本征谱,横坐标为演化时刻,虚线箭头指示的曲线是理论预测结果,其它实线箭
头指示的曲线分别是引入不同个数(分别为1、4和8个)的有效转移张量映射的本征谱时分
别得到的预测结果,可见在8个有效转移张量映射的本征谱时获得了比较准确的预测效果,
也侧面说明量子噪声过程是一个非马科夫噪声模型。
步骤203,根据量子噪声过程的动力学映射本征谱及预置的第二对应关系,确定记
忆核的本征谱,其中,第二对应关系可以如;然后再根据记忆核的
本征谱及预置的第三对应关系(如上述公式3-4所示)确定量子噪声过程的关联函数,再对
量子噪声过程的关联函数进行傅里叶变换得到量子噪声的频谱。
在实际应用过程中,量子系统中的量子噪声过程采用非马科夫纯退相位噪声模型
和非马科夫方向噪声模型,由于非马科夫纯退相位模型和非马科夫方向噪声
模型都对应泡利噪声通道,可以直接使用上述步骤201和202中非马科夫量子噪声过程的分
析方法,获取到消除误差的动力学映射本征谱,进而根据步骤203的方法确定量子噪声过程
的关联函数。
例如图6a和6b所示,分别为非马科夫纯退相干模型和非马科夫方向噪声模
型下,确定的量子噪声过程的关联函数,横坐标为演化时刻,纵坐标为关联函数中的参数
值,实线箭头指示的曲线是理论预测结果,点是确定的关联函数,可以看出通过转移张量映
射的本征谱能有效地实现对量子噪声过程的关联函数的抓取。
步骤204,根据量子噪声过程的动力学映射本征谱,构建量子噪声过程的非马科夫噪声模型,然后基于量子噪声过程的非马科夫噪声模型,确定量子噪声过程的非马科夫噪声强度。
在实际应用过程中,量子系统中的量子噪声过程采用非马科夫纯退相位噪声模型
和非马科夫方向噪声模型,由于非马科夫纯退相位模型和非马科夫方向噪声
模型都对应泡利噪声通道,可以直接使用上述步骤201和202中非马科夫量子噪声过程的分
析方法,获取到消除误差的动力学映射本征谱,进而根据步骤204的方法确定量子噪声过程
的非马科夫噪声强度。
例如图7a和7b所示,分别为非马科夫纯退相干模型和非马科夫方向噪声模
型下,确定的非马科夫量子噪声过程的非马科夫噪声模型,横坐标为演化时刻,纵坐标为非
马科夫噪声模型,从曲线沿着时间方向的抖动存在负梯度,表明退相干率在某时刻点
为负,即非马科夫特性的噪声通道,也可以进一步累积计算RHP值,定量给出非马科夫
噪声强度。
需要说明的是,上述实施例中的方法是针对量子噪声过程属于泡利通道时,对于量子噪声过程的分析,在其它具体的实施例中,如果量子噪声过程属于非泡利通道,进行量子噪声过程的分析方法与上述步骤201到204的分析方法类似,不同的是:
在执行上述步骤201的过程中,需要先将量子噪声过程的动力学映射进行泡利旋转近似,保留量子噪声通道中的泡利噪声通道,则第一量子输出态(或第二量子输出态)与量子初始态之间是基于保留的泡利噪声通道的动力学映射本征谱的函数对应关系。这样,需要选择一个最优的泡利基,使得量子系统的信息损失减少,具体地:
需要选择多个候选的泡利基分别制备多组制备的量子初始态,并采用泡利旋转近似的泡利噪声通道,获取到各组量子初始态演化的消除误差的动力学映射本征谱,并按照步骤202到205的方法最终获取各组量子初始态对应的非马科夫噪声强度,按照非马科夫噪声强度从多个候选的泡利基中选取最优的泡利基,进行量子噪声过程的分析。
在实际应用过程中,量子系统中的量子噪声过程采用非马科夫方向
噪声模型,x+y方向存在噪声关联,由于非马科夫方向噪声模型不是泡利噪声
通道,选择最优的泡利基,并使用泡利旋转近似的非马科夫量子噪声过程的分析方法,获取
到消除误差的动力学映射本征谱,进而确定量子噪声过程的非马科夫噪声强度。
例如图8a和8b所示,分别为采用标准泡利基和最优泡利基对非马科夫且非泡利噪声通道进行量子噪声过程分析后,确定的非马科夫量子噪声过程的非马科夫噪声强度,即RHP表征值,横坐标为演化时刻,纵坐标为RHP表征值,“+”是没有使用泡利旋转近似时确定的RHP表征值,图8a和8b中的曲线分别是在标准泡利基和最优泡利基下使用泡利旋转近似时确定的RHP表征值。可见,在非泡利噪声通道下,采用最优泡利基下使用泡利旋转近似时确定的RHP表征值能有效地恢复量子系统中原有的特征。
本发明实施例还提供一种量子噪声过程分析系统,其结构示意图如图9所示,具体可以包括:
制备单元10,用于制备一组量子初始态。
测试单元11,用于将所述制备单元10制备的量子初始态分别输入多个第一线路,分别得到多个第一量子输出态,所述第一线路包括至少一组噪声演化门和投影测试门,所述多个第一线路之间噪声演化门和投影测试门的组数不同;
误差本征谱单元12,用于根据所述测试单元11得到的多个第一量子输出态与量子初始态之间基于量子噪声过程的动力学映射本征谱的函数对应关系,确定包含第一误差的动力学映射本征谱;
所述测试单元11,还用于将所述制备的量子初始态分别输入多个第二线路,分别得到多个第二量子输出态,所述第二线路包括至少一组噪声演化门和双投影测试门,所述多个第二线路之间噪声演化门和双投影测试门的组数不同;
所述误差本征谱单元12,还用于根据所述多个第二量子输出态与量子初始态之间基于所述量子噪声过程的动力学映射本征谱的函数对应关系,确定包含第二误差的动力学映射本征谱;
分析单元13,用于根据所述误差本征谱单元12确定的包含第一误差的动力学映射本征谱和包含第二误差的动力学映射本征谱,确定量子噪声过程的动力学映射本征谱,以对量子噪声过程进行分析。
其中,上述测试单元11,具体用于在多个演化时刻的各个演化时刻,将所述制备的量子初始态分别输入多个第一线路,分别得到各个演化时刻的多个第一量子输出态;在所述多个演化时刻的各个演化时刻,将所述制备的量子初始态分别输入多个第二线路,分别得到各个演化时刻的多个第二量子输出态。
进一步地,分析单元13,还用于根据所述量子噪声过程的动力学映射本征谱及预置的第一对应关系,确定转移张量映射的本征谱,所述转移张量映射用于表征基于量子系统的记忆核的量子噪声过程的动力学演化,所述记忆核用于表征所述量子系统的当前时刻状态与之前时刻状态的联系。其中,如果量子噪声过程的动力学映射本征谱包括:一段时间内,多个演化时刻的量子噪声过程的动力学映射本征谱,则所述分析单元13,还用于根据所述一段时间内,多个演化时刻的量子噪声过程的动力学映射本征谱、转移张量映射的本征谱及所述预置的第一对应关系,预测所述一段时间之后的演化时刻的量子噪声过程的动力学映射本征谱。
进一步地,分析单元13,还用于根据所述量子噪声过程的转移张量映射的本征谱及预置的第二对应关系,确定所述量子噪声过程的记忆核的本征谱,所述记忆核用于表征量子系统的当前时刻状态与之前时刻状态的联系。
进一步地,分析单元13,还用于根据所述量子噪声过程的记忆核的本征谱及预置的第三对应关系,确定所述量子噪声过程的关联函数;根据所述量子噪声过程的关联函数确定所述量子噪声过程的频谱。
进一步地,分析单元13,还用于根据所述量子噪声过程的动力学映射本征谱,构建所述量子噪声过程的非马科夫噪声模型,所述非马科夫噪声模型是基于所述量子噪声过程的退相干率的模型;基于所述量子噪声过程的非马科夫噪声模型,确定所述量子噪声过程的非马科夫噪声强度。
在一个具体的实施例中,制备单元10,具体用于确定多个候选的泡利矩阵,以所述多个候选的泡利矩阵分别制备多组量子初始态;当分析单元13基于所述多组量子初始态,确定多个非马科夫噪声强度;选取所述多个非马科夫噪声强度中最大非马科夫噪声强度对应的候选的泡利矩阵,并根据所述选取的泡利矩阵对量子噪声过程进行分析。
进一步地,量子噪声过程分析系统还可以包括:
旋转单元14,用于将所述量子噪声过程的动力学映射进行泡利旋转近似,保留量子噪声通道中的泡利通道。则上述测试单元11,具体用于根据所述多个第一量子输出态与量子初始态之间基于所述旋转单元14保留的泡利噪声通道的动力学映射本征谱的函数对应关系,确定包含第一误差的动力学映射本征谱;并根据所述多个第二量子输出态与量子初始态之间基于所述保留的泡利噪声通道的动力学映射本征谱的函数对应关系,确定包含第二误差的动力学映射本征谱。
泄露确定单元15,用于如果所述量子噪声过程不是非马科夫量子噪声过程,且量子噪声过程的动力学映射本征谱的数量超过预置的量子比特的希尔伯特空间维度,确定量子系统中出现量子比特泄露。
在本实施例的系统针对非马科夫量子噪声过程进行分析时,测试单元11将制备的量子初始态分别输入多个第一线路和多个第二线路,分别得到多个第一量子输出态和多个第二量子输出态,进而误差本征谱单元12确定包括第一误差和第二误差的动力学映射本征谱,由于第一线路和第二线路中包括的投影测试门的数量不同,则分析单元13对量子初始态在演化过程中进行分析时所造成的误差也不同即第一误差和第二误差,但是可以根据第一误差的动力学映射本征谱和第二误差的动力学映射本征谱得到消除误差的动力学映射本征谱,使得根据消除误差的动力学映射本征谱进行量子噪声过程的分析更精确,进而能更精确地对量子系统中的噪声进行监控,使得对量子系统的调控有了精确的针对性。
本发明实施例还提供一种终端设备,其结构示意图如图10所示,该终端设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(centralprocessing units,CPU)20(例如,一个或一个以上处理器)和存储器21,一个或一个以上存储应用程序221或数据222的存储介质22(例如一个或一个以上海量存储设备)。其中,存储器21和存储介质22可以是短暂存储或持久存储。存储在存储介质22的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对终端设备中的一系列指令操作。更进一步地,中央处理器20可以设置为与存储介质22通信,在终端设备上执行存储介质22中的一系列指令操作。
具体地,在存储介质22中储存的应用程序221包括量子噪声过程分析的应用程序,且该程序可以包括上述量子噪声过程分析系统中的制备单元10,测试单元11,误差本征谱单元12,分析单元13,旋转单元14和泄露确定单元15,在此不进行赘述。更进一步地,中央处理器20可以设置为与存储介质22通信,在终端设备上执行存储介质22中储存的量子噪声过程分析的应用程序对应的一系列操作。
终端设备还可以包括一个或一个以上电源23,一个或一个以上有线或无线网络接口24,一个或一个以上输入输出接口25,和/或,一个或一个以上操作系统223,例如WindowsServerTM,Mac OS XTM,UnixTM, LinuxTM,FreeBSDTM等等。
上述方法实施例中所述的由量子噪声过程分析系统所执行的步骤可以基于该图10所示的终端设备的结构。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质储存多个计算机程序,所述计算机程序适于由处理器加载并执行如上述量子噪声过程分析系统所执行的数据转移方法。
本发明实施例还提供一种终端设备,包括处理器和存储器;所述存储器用于储存多个计算机程序,所述计算机程序用于由处理器加载并执行如上述量子噪声过程分析系统所执行的数据转移方法;所述处理器,用于实现所述多个计算机程序中的各个计算机程序。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM)、随机存取存储器(RAM)、磁盘或光盘等。
以上对本发明实施例所提供的量子噪声过程分析方法、系统及存储介质和终端设备进行了详细介绍,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 (14)
1.一种量子噪声过程分析方法,其特征在于,包括:
制备一组量子初始态;
将所述制备的量子初始态分别输入多个第一线路,分别得到多个第一量子输出态,所述第一线路包括至少一组噪声演化门和投影测试门,所述多个第一线路之间噪声演化门和投影测试门的组数不同;所述噪声演化门是指随着时间演化的噪声通道,每个演化时刻的噪声演化门用动力学演化映射表示,所述投影测量门用于对噪声通道进行某一方向的投影测试,每个演化时刻的投影测试门用投影测量映射表示;
根据所述多个第一量子输出态与量子初始态之间基于量子噪声过程的动力学映射本征谱的函数对应关系,确定包含第一误差的动力学映射本征谱;
将所述制备的量子初始态分别输入多个第二线路,分别得到多个第二量子输出态,所述第二线路包括至少一组噪声演化门和双投影测试门,所述多个第二线路之间噪声演化门和双投影测试门的组数不同;所述双投影测试门包括两个投影测试门;
根据所述多个第二量子输出态与量子初始态之间基于所述量子噪声过程的动力学映射本征谱的函数对应关系,确定包含第二误差的动力学映射本征谱;
根据包含第一误差的动力学映射本征谱和包含第二误差的动力学映射本征谱,确定量子噪声过程的动力学映射本征谱,以对量子噪声过程进行分析。
2.如权利要求1所述的方法,其特征在于,
所述将所述制备的量子初始态分别输入多个第一线路,分别得到多个第一量子输出态,具体包括:在多个演化时刻的各个演化时刻,将所述制备的量子初始态分别输入多个第一线路,分别得到各个演化时刻的多个第一量子输出态;
所述将所述制备的量子初始态分别输入多个第二线路,分别得到多个第二量子输出态,具体包括:在所述多个演化时刻的各个演化时刻,将所述制备的量子初始态分别输入多个第二线路,分别得到各个演化时刻的多个第二量子输出态。
3.如权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述量子噪声过程的动力学映射本征谱及预置的第一对应关系,确定转移张量映射的本征谱,所述转移张量映射用于表征基于量子系统的记忆核的量子噪声过程的动力学演化,所述记忆核用于表征所述量子系统的当前时刻状态与之前时刻状态的联系。
4.如权利要求3所述的方法,其特征在于,所述量子噪声过程的动力学映射本征谱包括:一段时间内,多个演化时刻的量子噪声过程的动力学映射本征谱,则所述方法还包括:
根据所述一段时间内,多个演化时刻的量子噪声过程的动力学映射本征谱、转移张量映射的本征谱及所述预置的第一对应关系,预测所述一段时间之后的演化时刻的量子噪声过程的动力学映射本征谱。
5.如权利要求3所述的方法,其特征在于,所述方法还包括:
根据所述量子噪声过程的转移张量映射的本征谱及预置的第二对应关系,确定所述量子噪声过程的记忆核的本征谱。
6.如权利要求5所述的方法,其特征在于,所述方法还包括:
根据所述量子噪声过程的记忆核的本征谱及预置的第三对应关系,确定所述量子噪声过程的关联函数;
根据所述量子噪声过程的关联函数确定所述量子噪声过程的频谱。
7.如权利要求1至6任一项所述的方法,其特征在于,所述方法还包括:
根据所述量子噪声过程的动力学映射本征谱,构建所述量子噪声过程的非马科夫噪声模型;所述非马科夫噪声模型是基于所述量子噪声过程的退相干率的模型;
基于所述量子噪声过程的非马科夫噪声模型,确定所述量子噪声过程的非马科夫噪声强度。
8.如权利要求7所述的方法,其特征在于,所述制备一组量子初始态,具体包括:确定多个候选的泡利矩阵,以所述多个候选的泡利矩阵分别制备多组量子初始态;
基于所述多组量子初始态,确定多个非马科夫噪声强度;
选取所述多个非马科夫噪声强度中最大非马科夫噪声强度对应的候选泡利矩阵,并根据所述选取的泡利矩阵对量子噪声过程进行分析。
9.如权利要求1至6任一项所述的方法,其特征在于,所述确定包含第一误差的动力学映射本征谱之前,所述方法还包括:
将所述量子噪声过程的动力学映射进行泡利旋转近似,保留量子噪声通道中的泡利通道。
10.如权利要求9所述的方法,其特征在于,
所述根据所述多个第一量子输出态与量子初始态之间基于量子噪声过程的动力学映射本征谱的函数对应关系,确定包含第一误差的动力学映射本征谱,具体包括:根据所述多个第一量子输出态与量子初始态之间基于所述保留的泡利噪声通道的动力学映射本征谱的函数对应关系,确定包含第一误差的动力学映射本征谱;
所述根据所述多个第二量子输出态与量子初始态之间基于所述量子噪声过程的动力学映射本征谱的函数对应关系,确定包含第二误差的动力学映射本征谱,具体包括:根据所述多个第二量子输出态与量子初始态之间基于所述保留的泡利噪声通道的动力学映射本征谱的函数对应关系,确定包含第二误差的动力学映射本征谱。
11.如权利要求1至6任一项所述的方法,其特征在于,所述方法还包括:
如果所述量子噪声过程不是非马科夫量子噪声过程,且量子噪声过程的动力学映射本征谱的数量超过预置的量子比特的希尔伯特空间维度,确定量子系统中出现量子比特泄露。
12.一种量子噪声过程分析系统,其特征在于,包括:
制备单元,用于制备一组量子初始态;
测试单元,用于将所述制备的量子初始态分别输入多个第一线路,分别得到多个第一量子输出态,所述第一线路包括至少一组噪声演化门和投影测试门,所述多个第一线路之间噪声演化门和投影测试门的组数不同;所述噪声演化门是指随着时间演化的噪声通道,每个演化时刻的噪声演化门用动力学演化映射表示,所述投影测量门用于对噪声通道进行某一方向的投影测试,每个演化时刻的投影测试门用投影测量映射表示;
误差本征谱单元,用于根据所述多个第一量子输出态与量子初始态之间基于量子噪声过程的动力学映射本征谱的函数对应关系,确定包含第一误差的动力学映射本征谱;
所述测试单元,还用于将所述制备的量子初始态分别输入多个第二线路,分别得到多个第二量子输出态,所述第二线路包括至少一组噪声演化门和双投影测试门,所述多个第二线路之间噪声演化门和双投影测试门的组数不同;所述双投影测试门包括两个投影测试门;
所述误差本征谱单元,还用于根据所述多个第二量子输出态与量子初始态之间基于所述量子噪声过程的动力学映射本征谱的函数对应关系,确定包含第二误差的动力学映射本征谱;
分析单元,用于根据包含第一误差的动力学映射本征谱和包含第二误差的动力学映射本征谱,确定量子噪声过程的动力学映射本征谱,以对量子噪声过程进行分析。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质储存多个计算机程序,所述计算机程序适于由处理器加载并执行如权利要求1至11任一项所述的量子噪声过程分析方法。
14.一种终端设备,其特征在于,包括处理器和存储器;
所述存储器用于储存多个计算机程序,所述计算机程序用于由处理器加载并执行如权利要求1至11任一项所述的量子噪声过程分析方法;所述处理器,用于实现所述多个计算机程序中的各个计算机程序。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010882560.XA CN111814362B (zh) | 2020-08-28 | 2020-08-28 | 量子噪声过程分析方法、系统及存储介质和终端设备 |
EP21785748.1A EP3989098A4 (en) | 2020-08-28 | 2021-06-22 | METHOD AND SYSTEM FOR QUANTUM NOISE ANALYSIS AND STORAGE MEDIUM AND ELECTRONIC DEVICE |
KR1020217038851A KR20220027830A (ko) | 2020-08-28 | 2021-06-22 | 양자 노이즈 프로세스 분석 방법, 시스템, 저장 매체 및 전자 기기 |
JP2021562866A JP7206420B2 (ja) | 2020-08-28 | 2021-06-22 | 量子ノイズプロセスの分析方法、システム、記憶媒体、及び電子機器 |
PCT/CN2021/101419 WO2022041974A1 (zh) | 2020-08-28 | 2021-06-22 | 量子噪声过程分析方法、系统及存储介质和电子设备 |
US17/521,162 US12073158B2 (en) | 2020-08-28 | 2021-11-08 | Quantum noise process analysis method, system, storage medium, and electronic device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010882560.XA CN111814362B (zh) | 2020-08-28 | 2020-08-28 | 量子噪声过程分析方法、系统及存储介质和终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111814362A CN111814362A (zh) | 2020-10-23 |
CN111814362B true CN111814362B (zh) | 2020-12-15 |
Family
ID=72860283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010882560.XA Active CN111814362B (zh) | 2020-08-28 | 2020-08-28 | 量子噪声过程分析方法、系统及存储介质和终端设备 |
Country Status (6)
Country | Link |
---|---|
US (1) | US12073158B2 (zh) |
EP (1) | EP3989098A4 (zh) |
JP (1) | JP7206420B2 (zh) |
KR (1) | KR20220027830A (zh) |
CN (1) | CN111814362B (zh) |
WO (1) | WO2022041974A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814362B (zh) * | 2020-08-28 | 2020-12-15 | 腾讯科技(深圳)有限公司 | 量子噪声过程分析方法、系统及存储介质和终端设备 |
JP7274666B2 (ja) | 2021-01-18 | 2023-05-16 | ▲騰▼▲訊▼科技(深▲セン▼)有限公司 | 量子ビットのクロストーク分析方法、装置、コンピュータ機器及びコンピュータプログラム |
CN113011592B (zh) * | 2021-01-18 | 2022-03-18 | 腾讯科技(深圳)有限公司 | 量子比特的串扰分析方法、装置、计算机设备和存储介质 |
CN112990472B (zh) * | 2021-03-25 | 2022-03-22 | 北京百度网讯科技有限公司 | 消除量子噪声的方法及装置、电子设备和介质 |
CN113298262B (zh) * | 2021-06-10 | 2022-04-26 | 北京百度网讯科技有限公司 | 量子设备去噪方法和装置、电子设备、计算机可读介质 |
CN113935490B (zh) * | 2021-10-14 | 2024-08-16 | 腾讯科技(深圳)有限公司 | 多体局域化态的确定方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10360088B2 (en) * | 2015-11-20 | 2019-07-23 | Quantum Benchmark, Inc. | Randomized compiling for quantum computation |
CN110210073A (zh) * | 2019-05-10 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 量子噪声过程分析方法、装置、设备及存储介质 |
US10635403B1 (en) * | 2017-09-27 | 2020-04-28 | Ut-Battelle, Llc | Quantum random number generator |
US10706366B2 (en) * | 2017-02-22 | 2020-07-07 | Rigetti & Co, Inc. | Modeling superconducting quantum circuit systems |
WO2020172504A1 (en) * | 2019-02-21 | 2020-08-27 | IonQ Inc. | Quantum circuit optimization |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011163245A2 (en) * | 2010-06-21 | 2011-12-29 | Spectral Associates, Llc | Methodology and its computational implementation for quantitative first-principles quantum-mechanical predictions of the structures and properties of matter |
US11263546B2 (en) * | 2015-07-24 | 2022-03-01 | Yale University | Techniques of oscillator state manipulation for quantum information processing and related systems and methods |
WO2017116986A1 (en) * | 2015-12-30 | 2017-07-06 | Google Inc. | Quantum statistic machine |
US20180011981A1 (en) * | 2016-07-05 | 2018-01-11 | The Regents Of The University Of Michigan | Quantum-based machine learning for oncology treatment |
US10415970B2 (en) * | 2016-11-01 | 2019-09-17 | University Of Central Florida Research Foundation, Inc. | Rotation sensor, rotation sensing method, and applications |
CA3043201A1 (en) * | 2016-11-10 | 2018-05-17 | Yale University | Generalized quantum channels |
US10204199B2 (en) * | 2016-11-29 | 2019-02-12 | The Trustees Of Dartmouth College | Emulation of quantum and quantum-inspired spectrum analysis and superposition with classical transconductor-capacitor circuits |
WO2020068237A1 (en) * | 2018-06-29 | 2020-04-02 | Yale University | Quantum information processing with an asymmetric error channel |
US11182230B2 (en) * | 2018-12-11 | 2021-11-23 | D-Wave Systems Inc. | Systems and methods for reducing errors in calibrated devices |
US20220329417A1 (en) * | 2019-04-09 | 2022-10-13 | United States Of America, As Represented By The Secretary Of The Navy | Quantum Key Distribution Protocol with Weak Measurements |
CN110516811B (zh) * | 2019-08-30 | 2023-04-18 | 南方科技大学 | 一种量子态确定方法、装置、设备和存储介质 |
CN110738321B (zh) * | 2019-10-15 | 2022-04-29 | 北京百度网讯科技有限公司 | 一种量子信号处理方法及装置 |
US11894107B2 (en) * | 2019-10-22 | 2024-02-06 | International Business Machines Corporation | Precision-preserving qubit reduction based on spatial symmetries in fermionic systems |
US10817797B1 (en) * | 2019-11-08 | 2020-10-27 | Raytheon Bbn Technologies Corp | Pairwise ansatz for quantum process tomography |
CN111008703A (zh) * | 2019-11-21 | 2020-04-14 | 浙江工商大学 | 一种噪声环境下四量子比特w态和ghz态混合态三体可分离的方法 |
CN111027703B (zh) * | 2019-12-11 | 2024-04-05 | 本源量子计算科技(合肥)股份有限公司 | 一种量子线路查询的方法、装置、存储介质及电子装置 |
US11836573B2 (en) * | 2020-02-18 | 2023-12-05 | Keysight Technologies Canada Inc. | Systems and methods for use of a maximally sensitive set of states to identify coherent errors in a quantum system |
CN111510157B (zh) * | 2020-04-15 | 2022-03-04 | 腾讯科技(深圳)有限公司 | 基于神经网络的量子纠错解码方法、装置及芯片 |
CN111814362B (zh) * | 2020-08-28 | 2020-12-15 | 腾讯科技(深圳)有限公司 | 量子噪声过程分析方法、系统及存储介质和终端设备 |
-
2020
- 2020-08-28 CN CN202010882560.XA patent/CN111814362B/zh active Active
-
2021
- 2021-06-22 EP EP21785748.1A patent/EP3989098A4/en active Pending
- 2021-06-22 KR KR1020217038851A patent/KR20220027830A/ko unknown
- 2021-06-22 WO PCT/CN2021/101419 patent/WO2022041974A1/zh unknown
- 2021-06-22 JP JP2021562866A patent/JP7206420B2/ja active Active
- 2021-11-08 US US17/521,162 patent/US12073158B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10360088B2 (en) * | 2015-11-20 | 2019-07-23 | Quantum Benchmark, Inc. | Randomized compiling for quantum computation |
US10706366B2 (en) * | 2017-02-22 | 2020-07-07 | Rigetti & Co, Inc. | Modeling superconducting quantum circuit systems |
US10635403B1 (en) * | 2017-09-27 | 2020-04-28 | Ut-Battelle, Llc | Quantum random number generator |
WO2020172504A1 (en) * | 2019-02-21 | 2020-08-27 | IonQ Inc. | Quantum circuit optimization |
CN110210073A (zh) * | 2019-05-10 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 量子噪声过程分析方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
KR20220027830A (ko) | 2022-03-08 |
US20220067253A1 (en) | 2022-03-03 |
EP3989098A4 (en) | 2022-12-14 |
EP3989098A1 (en) | 2022-04-27 |
JP7206420B2 (ja) | 2023-01-17 |
WO2022041974A1 (zh) | 2022-03-03 |
JP2022550229A (ja) | 2022-12-01 |
CN111814362A (zh) | 2020-10-23 |
US12073158B2 (en) | 2024-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814362B (zh) | 量子噪声过程分析方法、系统及存储介质和终端设备 | |
Lu et al. | Reservoir observers: Model-free inference of unmeasured variables in chaotic systems | |
Nikravesh et al. | Towards an autonomic auto-scaling prediction system for cloud resource provisioning | |
US9971669B2 (en) | Predicting performance of a software application over a target system | |
CN110210073A (zh) | 量子噪声过程分析方法、装置、设备及存储介质 | |
Avritzer et al. | The role of modeling in the performance testing of e-commerce applications | |
Patel et al. | MAG-D: A multivariate attention network based approach for cloud workload forecasting | |
Shah et al. | Dependency analysis of cloud applications for performance monitoring using recurrent neural networks | |
Lin et al. | A secure and practical mechanism of outsourcing extreme learning machine in cloud computing | |
Erradi et al. | Web application resource requirements estimation based on the workload latent features | |
Molteni et al. | Optimization of the memory reset rate of a quantum echo-state network for time sequential tasks | |
Nauck et al. | Toward dynamic stability assessment of power grid topologies using graph neural networks | |
Iqbal et al. | Black-box approach to capacity identification for multi-tier applications hosted on virtualized platforms | |
Jader et al. | Learning Management System (LMS) Performance Analysis and Evaluation for Some Kurdistan Region Universities | |
Kim et al. | MPEC: Distributed matrix multiplication performance modeling on a scale-out cloud environment for data mining jobs | |
McDonald et al. | Automated Calibration of Parallel and Distributed Computing Simulators: A Case Study | |
Samani et al. | Predicting distributions of service metrics using neural networks | |
Tan et al. | Grading your models: Assessing dynamics learning of models using persistent homology | |
Almazova et al. | Analysis of chaotic dynamical systems with autoencoders | |
Giannakopoulos et al. | Towards an adaptive, fully automated performance modeling methodology for cloud applications | |
Parrott et al. | Lodestone: A streaming approach to behavior modeling and load testing | |
Samani et al. | Conditional density estimation of service metrics for networked services | |
Walkowiak | Information systems performance analysis using task-level simulator | |
Vora | Predicting utilization of server resources from log data | |
Wang et al. | Service demand distribution estimation for microservices using Markovian arrival processes |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40030715 Country of ref document: HK |