CN112001498A - 基于量子计算机的数据识别方法、装置及可读存储介质 - Google Patents
基于量子计算机的数据识别方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN112001498A CN112001498A CN202010821157.6A CN202010821157A CN112001498A CN 112001498 A CN112001498 A CN 112001498A CN 202010821157 A CN202010821157 A CN 202010821157A CN 112001498 A CN112001498 A CN 112001498A
- Authority
- CN
- China
- Prior art keywords
- quantum
- data
- computer
- state
- total number
- 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
- 238000000034 method Methods 0.000 title claims abstract description 78
- 239000002096 quantum dot Substances 0.000 claims abstract description 71
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 238000013139 quantization Methods 0.000 claims abstract description 13
- 238000013506 data mapping Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 23
- 238000004364 calculation method Methods 0.000 abstract description 15
- 230000006870 function Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005040 ion trap Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Abstract
本申请公开了一种基于量子计算机的数据识别方法、装置及计算机可读存储介质。其中,方法包括将待识别数据进行量子态化生成适用于量子计算机的输入量子比特;利用预先训练好的量子神经网络对输入量子比特进行量子计算,得到多维输出量子比特;根据待识别数据的分类类别数值确定使用多维输出量子比特中目标量子比特的总数,并根据总数对各标签进行量子态编码,得到量子态编码标签集;对各目标量子比特进行测量得到相应状态信息,基于状态信息在量子态编码标签集中匹配相应的目标标签,作为待识别数据的识别结果,从而在量子计算机中实现数据分类识别的全线性计算任务,无需传统计算机辅助,实现全量子化的计算过程。
Description
技术领域
本申请涉及量子计算技术领域,特别是涉及一种基于量子计算机的数据识别方法、装置及计算机可读存储介质。
背景技术
随着量子计算的研究深入,其与神经网络的融合正逐步成为一个崭新的研究方向。神经网络与量子理论相结合构建一种全新的神经计算模型即量子神经计算,是人工神经网络研究的重要前沿课题,同时它也是未来人工智能发展的新热点。
量子神经网络包括量子比特和量子门,在量子神经网络中使用的基本单元为量子比特,量子比特对应计算机当中比特的概念。量子比特有两个可能的状态|0>,|1>,对应比特的开关状态,但与经典比特的区别在于,量子比特的状态可以是两种状态的线性叠加状态,其形式例如可表示为α、β为量子态的概率幅,分别表示处于两种态的概率分布,满足|α|2+|β|2=100%,这也是量子比特的特点与优势之一,可以同时表征两种状态,量子计算也正是利用这个特性。量子门为实现量子神经网络的基础,与经典计算机中的各种门功能类似,用于控制操作量子态。常用的单量子控制门量子旋转门R(θ)都可以使目标量子比特旋转特定的角度,即改变其概率幅分布,起到和传统神经网络权重参数的作用。多位量子控制门,如n位受控非门是在前n个量子比特全为|1>态时候,才对目标比特进行作用,多在量子比特信息聚合时使用。目前的量子神经网络主要利用这些门对量子比特作用以达到计算的目的。
相关技术采用量子神经网络实现分类任务的流程如图1所示,首先利用量子计算机对输入数据进行处理并输出对应量子态,并将量子态转化为传统计算机可识别数据格式,然后利用传统计算机根据输出的量子态经过分类函数如softmax函数得出分类结果。其中,Softmax函数在机器学习中有非常广泛的应用,非常多的多分类神经网络、卷积神经网络在输出层采用这种函数。该函数定义如下:
其中,Vi为分类器前级输出单元的输出,i表示类别索引,总的类别个数为C,Si为当前元素的指数与所有元素指数和的比值,把输出的神经元映射到(0,1)之间,并且保证归一化后的和为1,即表示多分类的概率之和为100%。
虽然目前量子神经网络可直接利用量子理论设计神经网络拓扑结构,但执行分类任务的量子神经网络结构并非全部在量子计算机上实现,其需要依赖传统计算机进行分类辅助,执行分类任务的推理过程是在传统计算机中实现,无法实现全量子化的计算过程,无法完全发挥量子计算机的优势。此外,传统计算过程采用的分类函数多为非线性例如上述softmax函数,计算过程会存在一些不可预知的问题,非线性计算过程极易导致量子神经网络的泛化性能差。
鉴于此,如何在量子计算机中实现数据分类识别的全线性计算任务,解决相关技术中量子神经网络依赖传统计算机辅助实现非线性分类任务的弊端问题,是所属领域技术人员需要解决的技术问题。
发明内容
本申请提供了一种基于量子计算机的数据识别方法、装置及计算机可读存储介质,在量子计算机中实现数据分类识别的全线性计算任务,无需传统计算机辅助。
为解决上述技术问题,本发明实施例提供以下技术方案:
本发明实施例一方面提供了一种基于量子计算机的数据识别方法,包括:
将待识别数据进行量子态化,生成量子计算机的输入量子比特;
利用预先训练好的量子神经网络对所述输入量子比特进行量子计算,得到多维输出量子比特;
根据所述待识别数据的分类类别数值确定使用所述多维输出量子比特中目标量子比特的总数,并根据所述总数对各标签进行量子态编码,得到量子态编码标签集;
对各目标量子比特进行测量得到相应状态信息,基于所述状态信息在所述量子态编码标签集中匹配相应的目标标签,以作为所述待识别数据的识别结果。
可选的,所述根据所述待识别数据的分类类别数值确定使用所述多维输出量子比特中目标量子比特的总数为:
调用目标量子比特确定关系式计算使用所述多维输出量子比特中目标量子比特的总数m,所述目标量子比特确定关系式为:
m=log2 k;
式中,m不为整数则向上取整,k为所述分类类别数值。
可选的,所述将待识别数据进行量子态化,生成量子计算机的输入量子比特为:
采用预设数据映射关系式将所述待识别数据转化为所述量子计算机使用的输入量子态,以生成多维输入量子比特,所述预设数据映射关系式为:
xi→|xi>=cos(θi)|0>+sin(θi)|1>;
可选的,所述根据所述总数对各标签进行量子态编码,得到量子态编码标签集为:
所述量子态编码标签集中的标签数与所述分类类别数值相同,每个标签包括多个量子态码,每个量子态码用量子比特状态值表示;
以所述总数作为各标签的量子态码总位数、随机组合量子态码的形式对各标签进行量子态编码;
将编码后的各标签组合生成所述量子态编码标签集。
本发明实施例另一方面提供了一种基于量子计算机的数据识别装置,包括:
数据转化模块,用于将待识别数据进行量子态化,生成量子计算机的输入量子比特;
比特输出模块,用于利用预先训练好的量子神经网络对所述输入量子比特进行量子计算,得到多维输出量子比特;
标签编码模块,用于根据所述待识别数据的分类类别数值确定使用所述多维输出量子比特中目标量子比特的总数,并根据所述总数对各标签进行量子态编码,得到量子态编码标签集;
数据识别模块,用于对各目标量子比特进行测量得到相应状态信息,基于所述状态信息在所述量子态编码标签集中匹配相应的目标标签,以作为所述待识别数据的识别结果。
可选的,所述标签编码模块为调用目标量子比特确定关系式计算使用所述多维输出量子比特中目标量子比特的总数m的模块,所述目标量子比特确定关系式为:
m=log2 k;
式中,m不为整数则向上取整,k为所述分类类别数值。
可选的,所述标签编码模块为以所述总数作为各标签的量子态码总数、随机组合量子态码的形式对各标签进行量子态编码,并将编码后的各标签组合生成所述量子态编码标签集的模块;所述量子态编码标签集中的标签数与所述分类类别数值相同,每个标签包括多个量子态码,每个量子态码用量子比特状态值表示。
本发明实施例还提供了一种基于量子计算机的数据识别装置,包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述基于量子计算机的数据识别方法的步骤。
本发明实施例最后还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有基于量子计算机的数据识别程序,所述基于量子计算机的数据识别程序被处理器执行时实现如前任一项所述基于量子计算机的数据识别方法的步骤。
本申请提供的技术方案的优点在于,基于分类任务对应的分类标签类别数确定从多维输出量子比特中选取的量子比特总数和目标量子比特,基于量子比特总数和分类标签类别数对分类标签进行量子态编码,将目标量子比特的测量结果和编码后的标签进行匹配,从而识别目标量子比特所属标签,从数据开始处理到标签输出整个过程全部在量子计算机上实现,无需传统计算机辅助,实现全量子化的计算过程,充分发挥了量子计算机的优势;整个计算过程为线性过程,无需依赖非线性分类函数,可在训练集和测试集上达到相同的测试结果,具有卓越的泛化性能;从而在量子计算机中实现数据分类识别的全线性计算任务,有效解决了相关技术中量子神经网络依赖传统计算机辅助实现非线性分类任务的弊端问题,相比现有技术,计算过程更加简单,进一步提升识别效率。
此外,本发明实施例还针对基于量子计算机的数据识别方法提供了相应的实现装置及计算机可读存储介质,进一步使得所述方法更具有实用性,所述装置及计算机可读存储介质具有相应的优点。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
为了更清楚的说明本发明实施例或相关技术的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍,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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一个相关技术中示例性应用场景的框架示意图;
图2为本发明实施例提供的一种基于量子计算机的数据识别方法的流程示意图;
图3为本发明实施例提供的另一种基于量子计算机的数据识别方法的流程示意图;
图4为本发明实施例提供的基于量子计算机的数据识别装置的一种具体实施方式结构图;
图5为本发明实施例提供的基于量子计算机的数据识别装置的另一种具体实施方式结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。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。
本申请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”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
在介绍了本发明实施例的技术方案后,下面详细的说明本申请的各种非限制性实施方式。
首先参见图2,图2为本发明实施例提供的一种基于量子计算机的数据识别方法的流程示意图,本发明实施例可包括以下内容:
S201:将待识别数据进行量子态化,生成量子计算机的输入量子比特。
在本步骤中,可采用现有技术中任何一种映射方式将待识别数据这种传统数据转化为可为量子计算机使用的输入量子态,并对量子计算机的输入量子比特进行制备,将转化后的数据作为量子计算机的输入数据,例如n维输入量子比特|x1>,|x2>,…,|xn>。
S202:利用预先训练好的量子神经网络对输入量子比特进行量子计算,得到多维输出量子比特。
本申请可适用于任何一种量子神经网络,可采用任何一种结构的量子神经网络模型框架,可预先设计参数化量子电路结构,例如用参数量子旋转门作为量子态微调手段,并用控制非门做量子态信息的聚合,达到类似传统神经网络中神经元的作用,利用这种量子神经元组合成的量子神经网络对输入量子态进行计算。从数据库中获取大量携带标签的样本数据作为训练数据,基于实际应用场景确定模型训练截止条件,将样本数据利用S101步骤采用相应的方法进行量子态处理,通过将量子态化后的训练数据作为量子神经网络的输入,对输入的样本量子态进行计算,并根据输出结果对量子神经网络参数进行调整,直至满足训练截止条件,如迭代50次结束模型训练,最终得到训练好的量子神经网络。训练截止条件还可为模型输出结果的识别准确度不低于阈值,提供量子神经网络对输入量子态样本的计算结果与目标标签对照得到预测结果正确与否,来计算量子神经网络的识别准确度。如图3所示,可将S101步骤的n维输入量子比特|x1>,|x2>,…,|xn>输入至训练好的量子神经网络,然后经过量子神经网络的量子电路结构U(θ)的计算,得到输出的量子态,如得到多维输出量子比特|y1>,|y2>,…,|yn>。
S203:根据待识别数据的分类类别数值确定使用多维输出量子比特中目标量子比特的总数,并根据总数对各标签进行量子态编码,得到量子态编码标签集。
在本步骤中,分类类别数值为待识别数据对应的分类识别任务中标签总数,例如待识别数据对应的分类识别任务为二分类任务,则分类类别数值为2,待识别数据对应的分类识别任务为三分类任务,则分类类别数值为3。量子神经网络输出的输出量子比特为n维数据,也即输出量子比特有n个比特数据,在对待识别数据进行识别过程中,并不需要对所有的输出量子比特进行判断,基于分类类别数值确定所需量子比特数,然后只需从多维输出量子比特中选取与所需量子比特数相同个数的量子比特即可,举例来说,对于二分类的分类识别任务来说,分类类别数值为2,基于分类类别数值确定所需量子比特数为1,相应的,只需选取多维输出量子比特的第1个量子比特作为目标量子比特用于后续进行识别。由于本申请要解决现有技术依赖传统计算机采用非线性分类函数进行分类识别任务,本申请对传统标签进行量子态编码,所谓的量子态编码,也即基于比特状态|0>和|1>和目标量子比特的总数目共同对标签进行编码,将每个编码后的标签组合生成为量子态编码标签集。
S204:对各目标量子比特进行测量得到相应状态信息,基于状态信息在量子态编码标签集中匹配相应的目标标签,以作为待识别数据的识别结果。
可以理解的是,对量子比特进行测量,就是为了识别量子特征是何种状态,也即获取目标量子特征的状态信息,对每个目标量子比特进行测量,得到每个目标量子比特的状态信息。由于每个标签均是基于目标量子比特总数和比特状态值共同编码所得,在得到所有目标量子比特的状态信息后,通过依次比对其与量子态编码标签集中各标签的编码信息,从而确定与所有目标量子比特的状态信息相同的标签,也即本步骤的目标标签,目标标签即为待识别数据所属标签,也就是待识别数据的识别结果。根据实际应用场景,将目标标签输出至相应位置如主机的某个目录,或直接发送至某个预先绑定的客户终端上。
在本发明实施例提供的技术方案中,基于分类任务对应的分类标签类别数确定从多维输出量子比特中选取的量子比特总数和目标量子比特,基于量子比特总数和分类标签类别数对分类标签进行量子态编码,将目标量子比特的测量结果和编码后的标签进行匹配,从而识别目标量子比特所属标签,从数据开始处理到标签输出整个过程全部在量子计算机上实现,无需传统计算机辅助,实现全量子化的计算过程,充分发挥了量子计算机的优势;整个计算过程为线性过程,无需依赖非线性分类函数,可在训练集和测试集上达到相同的测试结果,具有卓越的泛化性能;从而在量子计算机中实现数据分类识别的全线性计算任务,有效解决了相关技术中量子神经网络依赖传统计算机辅助实现非线性分类任务的弊端问题。
需要说明的是,本申请中各步骤之间没有严格的先后执行顺序,只要符合逻辑上的顺序,则这些步骤可以同时执行,也可按照某种预设顺序执行,图2只是一种示意方式,并不代表只能是这样的执行顺序。
在上述实施例中,对于如何执行步骤S203并不做限定,本实施例中给出一种标签编码方法,可包括如下步骤:
本申请以总数作为各标签的量子态码总数、随机组合量子态码的形式对各标签进行量子态编码;将编码后的各标签组合生成量子态编码标签集,量子态编码标签集中的标签数与分类类别数值相同,每个标签包括多个量子态码,每个量子态码用量子比特状态值表示。标签进行量子态编码后,每个标签用一组量子态码表示,为了区别各标签,用于表示标签的量子态码信息是完全不同的,量子比特状态值为0或1。
在本实施例中的一些实施方式中,根据量子比特特性,每个量子比特处于|0>和|1>的叠加态,同时表征两种状态,m个量子比特可同时表征2m种状态,取前k个态对应分类任务类别。目标量子比特的总数可通过调用目标量子比特确定关系式计算得到,也即利用目标量子比特确定关系式计算使用多维输出量子比特中目标量子比特的总数m,目标量子比特确定关系式可表示为:
m=log2 k;
式中,m不为整数则向上取整,k为分类类别数值。
举例来说,对于二分类任务来说,k=2,m=1,对于三分类任务来说,k=3,m=2。
在本实施例中的另一些实施方式中,为了使所属领域技术人员更加清楚明白本申请技术方案,本申请还提供了一种标签的表现形式,本实施例的量子态编码标签集中的标签可表示为m为总数,也即标签的量子态码总位数,在进行编码过程中,每一位量子态码可为1也可为0,根据实际需求进行选择即可。举例来说,对于二分类任务来说,k=2,m=1,两种分类标签分别可表示为|0>、|1>。而对于多分类任务,例如k=3,m=2,3种分类标签分别可表示为|00>、|01>和|10>。4种分类标签可分别表示为|00>、|01>、|10>、|11>。5种分类标签可分别表示为|000>、|001>、|010>、|011>、|100>,当然,5种分类标签还可分别表示为|111>、|110>、|101>、|100>、|000>。
在上述实施例中,对于如何执行步骤S201并不做限定,本实施例中给出一种数据转化方法,可包括如下步骤:
采用预设数据映射关系式将待识别数据转化为量子计算机使用的输入量子态,以生成多维输入量子比特,预设数据映射关系式为:
xi→|xi>=cos(θi)|0>sin(θi)|1>;
式中,xi为待识别数据中第i个编号的数据,i为待识别数据中包含数据的总数值,待识别数据可表示为x=xi,举例来说,待识别数据为{1,3,5,7},i=4,则x1=1,x3=5,|0>、|0>表示量子比特状态,min为待识别数据中所有数值的最小值,max为待识别数据中所有数值的最大值。
当然,本申请并不限制采用三角函数映射的方式将待识别数据转化为量子态数据,所属领域技术人员可根据实际需求进行选择相应的映射方式,提升使用灵活性。
本发明实施例还针对基于量子计算机的数据识别方法提供了相应的装置,进一步使得所述方法更具有实用性。其中,装置可从功能模块的角度和硬件的角度分别说明。下面对本发明实施例提供的基于量子计算机的数据识别装置进行介绍,下文描述的基于量子计算机的数据识别装置与上文描述的基于量子计算机的数据识别方法可相互对应参照。
基于功能模块的角度,参见图4,图4为本发明实施例提供的基于量子计算机的数据识别装置在一种具体实施方式下的结构图,该装置可包括:
数据转化模块401,用于将待识别数据进行量子态化,生成量子计算机的输入量子比特。
比特输出模块402,用于利用预先训练好的量子神经网络对输入量子比特进行量子计算,得到多维输出量子比特。
标签编码模块403,用于根据待识别数据的分类类别数值确定使用多维输出量子比特中目标量子比特的总数,并根据总数对各标签进行量子态编码,得到量子态编码标签集。
数据识别模块404,用于对各目标量子比特进行测量得到相应状态信息,基于状态信息在量子态编码标签集中匹配相应的目标标签,以作为待识别数据的识别结果。
可选的,在本实施例的一些实施方式中,所述标签编码模块403可为调用目标量子比特确定关系式计算使用多维输出量子比特中目标量子比特的总数m的模块,目标量子比特确定关系式可表示为:
m=log2 k;
式中,m不为整数则向上取整,k为分类类别数值。
在本实施例的其他一些实施方式中,所述标签编码模块403还可为以总数作为各标签的量子态码总数、随机组合量子态码的形式对各标签进行量子态编码,并将编码后的各标签组合生成量子态编码标签集的模块;量子态编码标签集中的标签数与分类类别数值相同,每个标签包括多个量子态码,每个量子态码用量子比特状态值表示。
可选的,在本实施例的另一些实施方式中,所述数据转化模块401例如还可以为采用预设数据映射关系式将待识别数据转化为量子计算机使用的输入量子态,以生成多维输入量子比特的模块,预设数据映射关系式可表示为:
xi→|xi>=cos(θi)|0>+sin(θi)|1>;
本发明实施例所述基于量子计算机的数据识别装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例在量子计算机中实现数据分类识别的全线性计算任务,无需传统计算机辅助。
上文中提到的基于量子计算机的数据识别装置是从功能模块的角度描述,进一步的,本申请还提供一种基于量子计算机的数据识别装置,是从硬件角度描述。图5为本申请实施例提供的另一种基于量子计算机的数据识别装置的结构图。如图5所示,该装置包括存储器50,用于存储计算机程序;量子计算处理器51,用于执行计算机程序时实现如上述任一实施例提到的基于量子计算机的数据识别方法的步骤。
其中,量子计算处理器51可以包括一个或多个处理核心,比如4核心量子计算处理器、8核心量子计算处理器等。量子计算处理器51可以但并不限制为超导量子处理器、离子阱量子处理器、金刚石色心量子处理器。量子计算处理器51也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器;协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,量子计算处理器51可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,量子计算处理器51还可以包括AI(ArtificialIntelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器50可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器50还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。本实施例中,存储器50至少用于存储以下计算机程序501,其中,该计算机程序被量子计算处理器51加载并执行之后,能够实现前述任一实施例公开的基于量子计算机的数据识别方法的相关步骤。另外,存储器50所存储的资源还可以包括操作系统502和数据503等,存储方式可以是短暂存储或者永久存储。其中,操作系统502可以包括Windows、Unix、Linux等。数据503可以包括但不限于测试结果对应的数据等。
在一些实施例中,基于量子计算机的数据识别装置还可包括有显示屏52、输入输出接口53、通信接口54、电源55以及通信总线56。
本领域技术人员可以理解,图5中示出的结构并不构成对基于量子计算机的数据识别装置的限定,可以包括比图示更多或更少的组件,例如还可包括传感器57。
本发明实施例所述基于量子计算机的数据识别装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例在量子计算机中实现数据分类识别的全线性计算任务,无需传统计算机辅助。
可以理解的是,如果上述实施例中的基于量子计算机的数据识别方法以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、磁碟或者光盘等各种可以存储程序代码的介质。
基于此,本发明实施例还提供了一种计算机可读存储介质,存储有基于量子计算机的数据识别程序,所述基于量子计算机的数据识别程序被处理器执行时如上任意一实施例所述基于量子计算机的数据识别方法的步骤。
本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例在量子计算机中实现数据分类识别的全线性计算任务,无需传统计算机辅助。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
以上对本申请所提供的一种基于量子计算机的数据识别方法、装置及计算机可读存储介质进行了详细介绍。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。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (10)
1.一种基于量子计算机的数据识别方法,其特征在于,包括:
将待识别数据进行量子态化,生成量子计算机的输入量子比特;
利用预先训练好的量子神经网络对所述输入量子比特进行量子计算,得到多维输出量子比特;
根据所述待识别数据的分类类别数值确定使用所述多维输出量子比特中目标量子比特的总数,并根据所述总数对各标签进行量子态编码,得到量子态编码标签集;
对各目标量子比特进行测量得到相应状态信息,基于所述状态信息在所述量子态编码标签集中匹配相应的目标标签,以作为所述待识别数据的识别结果。
2.根据权利要求1所述的基于量子计算机的数据识别方法,其特征在于,所述根据所述待识别数据的分类类别数值确定使用所述多维输出量子比特中目标量子比特的总数为:
调用目标量子比特确定关系式计算使用所述多维输出量子比特中目标量子比特的总数m,所述目标量子比特确定关系式为:
m=log2 k;
式中,m不为整数则向上取整,k为所述分类类别数值。
4.根据权利要求1至3任意一项所述的基于量子计算机的数据识别方法,其特征在于,所述根据所述总数对各标签进行量子态编码,得到量子态编码标签集为:
所述量子态编码标签集中的标签数与所述分类类别数值相同,每个标签包括多个量子态码,每个量子态码用量子比特状态值表示;
以所述总数作为各标签的量子态码总位数、随机组合量子态码的形式对各标签进行量子态编码;
将编码后的各标签组合生成所述量子态编码标签集。
6.一种基于量子计算机的数据识别装置,其特征在于,包括:
数据转化模块,用于将待识别数据进行量子态化,生成量子计算机的输入量子比特;
比特输出模块,用于利用预先训练好的量子神经网络对所述输入量子比特进行量子计算,得到多维输出量子比特;
标签编码模块,用于根据所述待识别数据的分类类别数值确定使用所述多维输出量子比特中目标量子比特的总数,并根据所述总数对各标签进行量子态编码,得到量子态编码标签集;
数据识别模块,用于对各目标量子比特进行测量得到相应状态信息,基于所述状态信息在所述量子态编码标签集中匹配相应的目标标签,以作为所述待识别数据的识别结果。
7.根据权利要求6所述的基于量子计算机的数据识别装置,其特征在于,所述标签编码模块为调用目标量子比特确定关系式计算使用所述多维输出量子比特中目标量子比特的总数m的模块,所述目标量子比特确定关系式为:
m=log2 k;
式中,m不为整数则向上取整,k为所述分类类别数值。
8.根据权利要求6或7所述的基于量子计算机的数据识别装置,其特征在于,所述标签编码模块为以所述总数作为各标签的量子态码总位数、随机组合量子态码的形式对各标签进行量子态编码,并将编码后的各标签组合生成所述量子态编码标签集的模块;所述量子态编码标签集中的标签数与所述分类类别数值相同,每个标签包括多个量子态码,每个量子态码用量子比特状态值表示。
9.一种基于量子计算机的数据识别装置,其特征在于,包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至5任一项所述基于量子计算机的数据识别方法的步骤。
10.一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上存储有基于量子计算机的数据识别程序,所述基于量子计算机的数据识别程序被处理器执行时实现如权利要求1至5任一项所述基于量子计算机的数据识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010821157.6A CN112001498B (zh) | 2020-08-14 | 2020-08-14 | 基于量子计算机的数据识别方法、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010821157.6A CN112001498B (zh) | 2020-08-14 | 2020-08-14 | 基于量子计算机的数据识别方法、装置及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112001498A true CN112001498A (zh) | 2020-11-27 |
CN112001498B CN112001498B (zh) | 2022-12-09 |
Family
ID=73473239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010821157.6A Active CN112001498B (zh) | 2020-08-14 | 2020-08-14 | 基于量子计算机的数据识别方法、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001498B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529203A (zh) * | 2020-12-23 | 2021-03-19 | 北京百度网讯科技有限公司 | 纠缠量子态分辨方法、装置、设备、存储介质及产品 |
CN112541590A (zh) * | 2020-12-10 | 2021-03-23 | 北京百度网讯科技有限公司 | 量子纠缠探测方法、装置、电子设备及存储介质 |
CN112561069A (zh) * | 2020-12-23 | 2021-03-26 | 北京百度网讯科技有限公司 | 模型处理方法、装置、设备、存储介质及产品 |
CN112819172A (zh) * | 2021-02-04 | 2021-05-18 | 深圳市永达电子信息股份有限公司 | 一种基于表函数的量子计算模拟方法和系统 |
CN112817988A (zh) * | 2021-01-06 | 2021-05-18 | 贵阳迅游网络科技有限公司 | 一种企业业务的同步加速方法 |
CN113052317A (zh) * | 2021-03-09 | 2021-06-29 | 合肥本源量子计算科技有限责任公司 | 量子态信息的获取方法和装置、量子测控系统和计算机 |
CN113255747A (zh) * | 2021-05-14 | 2021-08-13 | 山东英信计算机技术有限公司 | 量子多通道卷积神经分类方法、系统、终端及存储介质 |
CN113449778A (zh) * | 2021-06-10 | 2021-09-28 | 北京百度网讯科技有限公司 | 用于量子数据分类的模型训练方法以及量子数据分类方法 |
CN114219076A (zh) * | 2021-12-15 | 2022-03-22 | 北京百度网讯科技有限公司 | 量子神经网络训练方法及装置、电子设备和介质 |
CN114580643A (zh) * | 2022-03-18 | 2022-06-03 | 北京百度网讯科技有限公司 | 确定方法、模型处理方法、装置、设备及存储介质 |
WO2022179533A1 (zh) * | 2021-02-26 | 2022-09-01 | 合肥本源量子计算科技有限责任公司 | 一种量子卷积操作器 |
CN115641852A (zh) * | 2022-10-18 | 2023-01-24 | 中国电信股份有限公司 | 声纹识别方法、装置、电子设备和计算机可读存储介质 |
CN117035107A (zh) * | 2023-10-09 | 2023-11-10 | 苏州元脑智能科技有限公司 | 媒体资源的处理方法及装置、存储介质及电子装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110692067A (zh) * | 2017-06-02 | 2020-01-14 | 谷歌有限责任公司 | 量子神经网络 |
CN110781836A (zh) * | 2019-10-28 | 2020-02-11 | 深圳市赛为智能股份有限公司 | 人体识别方法、装置、计算机设备及存储介质 |
CN111079854A (zh) * | 2019-12-27 | 2020-04-28 | 联想(北京)有限公司 | 信息识别方法、设备及存储介质 |
CN111368920A (zh) * | 2020-03-05 | 2020-07-03 | 中南大学 | 基于量子孪生神经网络的二分类方法及其人脸识别方法 |
-
2020
- 2020-08-14 CN CN202010821157.6A patent/CN112001498B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110692067A (zh) * | 2017-06-02 | 2020-01-14 | 谷歌有限责任公司 | 量子神经网络 |
CN110781836A (zh) * | 2019-10-28 | 2020-02-11 | 深圳市赛为智能股份有限公司 | 人体识别方法、装置、计算机设备及存储介质 |
CN111079854A (zh) * | 2019-12-27 | 2020-04-28 | 联想(北京)有限公司 | 信息识别方法、设备及存储介质 |
CN111368920A (zh) * | 2020-03-05 | 2020-07-03 | 中南大学 | 基于量子孪生神经网络的二分类方法及其人脸识别方法 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541590A (zh) * | 2020-12-10 | 2021-03-23 | 北京百度网讯科技有限公司 | 量子纠缠探测方法、装置、电子设备及存储介质 |
CN112561069B (zh) * | 2020-12-23 | 2021-09-21 | 北京百度网讯科技有限公司 | 模型处理方法、装置、设备及存储介质 |
CN112561069A (zh) * | 2020-12-23 | 2021-03-26 | 北京百度网讯科技有限公司 | 模型处理方法、装置、设备、存储介质及产品 |
CN112529203A (zh) * | 2020-12-23 | 2021-03-19 | 北京百度网讯科技有限公司 | 纠缠量子态分辨方法、装置、设备、存储介质及产品 |
CN112817988B (zh) * | 2021-01-06 | 2022-11-15 | 贵阳迅游网络科技有限公司 | 一种企业业务的同步加速方法 |
CN112817988A (zh) * | 2021-01-06 | 2021-05-18 | 贵阳迅游网络科技有限公司 | 一种企业业务的同步加速方法 |
CN112819172A (zh) * | 2021-02-04 | 2021-05-18 | 深圳市永达电子信息股份有限公司 | 一种基于表函数的量子计算模拟方法和系统 |
WO2022179533A1 (zh) * | 2021-02-26 | 2022-09-01 | 合肥本源量子计算科技有限责任公司 | 一种量子卷积操作器 |
CN113052317A (zh) * | 2021-03-09 | 2021-06-29 | 合肥本源量子计算科技有限责任公司 | 量子态信息的获取方法和装置、量子测控系统和计算机 |
CN113052317B (zh) * | 2021-03-09 | 2023-10-13 | 本源量子计算科技(合肥)股份有限公司 | 量子态信息的获取方法和装置、量子测控系统和计算机 |
CN113255747A (zh) * | 2021-05-14 | 2021-08-13 | 山东英信计算机技术有限公司 | 量子多通道卷积神经分类方法、系统、终端及存储介质 |
CN113255747B (zh) * | 2021-05-14 | 2023-07-28 | 山东英信计算机技术有限公司 | 量子多通道卷积神经分类方法、系统、终端及存储介质 |
CN113449778A (zh) * | 2021-06-10 | 2021-09-28 | 北京百度网讯科技有限公司 | 用于量子数据分类的模型训练方法以及量子数据分类方法 |
CN113449778B (zh) * | 2021-06-10 | 2023-04-21 | 北京百度网讯科技有限公司 | 用于量子数据分类的模型训练方法以及量子数据分类方法 |
CN114219076A (zh) * | 2021-12-15 | 2022-03-22 | 北京百度网讯科技有限公司 | 量子神经网络训练方法及装置、电子设备和介质 |
CN114219076B (zh) * | 2021-12-15 | 2023-06-20 | 北京百度网讯科技有限公司 | 量子神经网络训练方法及装置、电子设备和介质 |
CN114580643A (zh) * | 2022-03-18 | 2022-06-03 | 北京百度网讯科技有限公司 | 确定方法、模型处理方法、装置、设备及存储介质 |
CN114580643B (zh) * | 2022-03-18 | 2023-04-28 | 北京百度网讯科技有限公司 | 确定方法、模型处理方法、装置、设备及存储介质 |
CN115641852A (zh) * | 2022-10-18 | 2023-01-24 | 中国电信股份有限公司 | 声纹识别方法、装置、电子设备和计算机可读存储介质 |
CN117035107A (zh) * | 2023-10-09 | 2023-11-10 | 苏州元脑智能科技有限公司 | 媒体资源的处理方法及装置、存储介质及电子装置 |
CN117035107B (zh) * | 2023-10-09 | 2024-02-09 | 苏州元脑智能科技有限公司 | 媒体资源的处理方法及装置、存储介质及电子装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112001498B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001498B (zh) | 基于量子计算机的数据识别方法、装置及可读存储介质 | |
CN106897254B (zh) | 一种网络表示学习方法 | |
CN112464003B (zh) | 一种图像分类方法及相关装置 | |
CN111126576B (zh) | 一种深度学习的训练方法 | |
CN111352965A (zh) | 序列挖掘模型的训练方法、序列数据的处理方法及设备 | |
EP4283533A1 (en) | Quantum convolution operator | |
CN112288831A (zh) | 基于生成对抗网络的场景图像生成方法和装置 | |
CN114358216B (zh) | 基于机器学习框架的量子聚类方法及相关装置 | |
CN113239702A (zh) | 意图识别方法、装置、电子设备 | |
US11475297B2 (en) | Cross-domain homophily quantification for transfer learning | |
CN112086144A (zh) | 分子生成方法、装置、电子设备及存储介质 | |
CN116721420B (zh) | 一种电气设备紫外图像的语义分割模型构建方法及系统 | |
CN117668563A (zh) | 文本识别方法、装置、电子设备及可读存储介质 | |
CN113255747A (zh) | 量子多通道卷积神经分类方法、系统、终端及存储介质 | |
CN111126501B (zh) | 一种图像识别方法、终端设备及存储介质 | |
CN114766024A (zh) | 用于修剪神经网络的方法和设备 | |
CN112529637B (zh) | 基于情景感知的服务需求动态预测方法及系统 | |
Kiyama et al. | Deep learning framework with arbitrary numerical precision | |
CN114861671A (zh) | 模型训练方法、装置、计算机设备及存储介质 | |
CN115115920A (zh) | 一种数据训练方法及装置 | |
CN114004992A (zh) | 多标签分类模型的训练方法、图像的多标签分类方法 | |
CN112766462A (zh) | 数据处理方法、装置及计算机可读存储介质 | |
Qin et al. | CAU: A Causality Attention Unit for Spatial-temporal Sequence Forecast | |
CN113554118B (zh) | 量子金融票据分类方法、系统、存储介质和终端 | |
CN113780518B (zh) | 网络架构优化方法、终端设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |