CN112529193A - 基于量子系统的数据处理方法及量子设备 - Google Patents

基于量子系统的数据处理方法及量子设备 Download PDF

Info

Publication number
CN112529193A
CN112529193A CN202011406600.XA CN202011406600A CN112529193A CN 112529193 A CN112529193 A CN 112529193A CN 202011406600 A CN202011406600 A CN 202011406600A CN 112529193 A CN112529193 A CN 112529193A
Authority
CN
China
Prior art keywords
quantum
hamiltonian
processed
target
states
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
Application number
CN202011406600.XA
Other languages
English (en)
Other versions
CN112529193B (zh
Inventor
王鑫
王友乐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202011406600.XA priority Critical patent/CN112529193B/zh
Publication of CN112529193A publication Critical patent/CN112529193A/zh
Application granted granted Critical
Publication of CN112529193B publication Critical patent/CN112529193B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)

Abstract

本申请公开了基于量子系统的数据处理方法及量子设备，涉及量子计算领域。具体实现：确定量子系统的待处理哈密顿量H，待处理哈密顿量H的特征向量的维度为N；将确定出的参数化量子电路作用到N个初始态中任意T个目标初始态后，得到T个量子态；确定待处理哈密顿量H在量子态下的能量值；获取基于目标损失函数对能量值进行优化处理后所确定出的所述参数化量子电路所对应的目标参数；将基于目标参数确定出的参数化量子电路作用到N个初始态上，得到待处理哈密顿量H的N个特征向量，以将所述N个特征向量作为所述量子系统的N个特征态。如此，有效地得到待处理哈密顿量H的N个特征向量。

Description

基于量子系统的数据处理方法及量子设备
技术领域
本申请涉及数据处理领域，尤其涉及量子计算领域。
背景技术
在物理、化学、机器学习等领域，提取量子系统的哈密顿量的特征值和特征向量一直以来都是非常重要的问题。一般来说，可以使用经典计算机提取量子系统的哈密顿量的特征向量，但是当量子系统的规模达到一定程度的时候，经典计算机就无法用来提取特征向量了。当然，除了特征向量的提取外，还有很多其他的问题是经典计算机无法解决的。而为了解决这些问题，科研工作者们提出了基于量子力学的原理来设计计算机，这样的计算机就被称为量子计算机。自从这个概念被提出后，量子计算机就一直以超越经典计算机而闻名，而且被广泛认为可以解决经典计算机无法完成的任务，并将对社会和科技的发展带来深刻的影响。随着量子计算技术和量子硬件的发展，使用近期的有噪中规量子(NoisyIntermediate Scale Quantum，NISQ)计算机来提取大规模系统的特征已然成为可能。
发明内容
本申请提供了一种基于量子系统的数据处理方法及量子设备。
根据本申请的一方面，提供了一种基于量子系统的数据处理方法，包括：
确定量子系统的待处理哈密顿量H，其中，所述待处理哈密顿量H的特征向量的维度为N；
将确定出的参数化量子电路作用到预先制备的N个初始态中任意T个目标初始态后，得到T个量子态，所述T和N均为正整数；
获取所述待处理哈密顿量H在所述量子态下的能量值；
获取基于目标损失函数对能量值进行优化处理后所确定出的所述参数化量子电路所对应的目标参数，其中，所述目标损失函数是基于所述待处理哈密顿量H在所述T个量子态下的能量值而确定出的；
将基于所述目标参数确定出的所述参数化量子电路作用到所述N个初始态上，得到所述待处理哈密顿量H的N个特征向量，以将所述N个特征向量作为所述量子系统的N个特征态。
根据本申请的另一方面，提供了一种量子设备，包括：
哈密顿量确定单元，用于确定量子系统的待处理哈密顿量H，其中，所述待处理哈密顿量H的特征向量的维度为N；
量子电路处理单元，用于将确定出的参数化量子电路作用到预先制备的N个初始态中任意T个目标初始态后，得到T个量子态，所述T和N均为正整数；
能量值获取单元，用于获取所述待处理哈密顿量H在所述量子态下的能量值；
目标参数获取单元，用于获取基于目标损失函数对能量值进行优化处理后所确定出的所述参数化量子电路所对应的目标参数，其中，所述目标损失函数是基于所述待处理哈密顿量H在所述T个量子态下的能量值而确定出的；
特征向量确定单元，用于将基于所述目标参数确定出的所述参数化量子电路作用到所述N个初始态上，得到所述待处理哈密顿量H的N个特征向量，以将所述N个特征向量作为所述量子系统的N个特征态。
根据本申请的技术能够有效地提取出待处理哈密顿量的特征向量，而且，具有广泛的应用价值。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请实施例基于量子系统的数据处理方法的实现流程示意图；
图2是根据本申请实施例基于量子系统的数据处理方法在一具体示例中的流程示意图；
图3是根据本申请实施例基于量子系统的数据处理方法在一具体示例中参数优化的流程示意图
图4是根据本申请实施例基于量子系统的数据处理方法基于目标损失函数优化处理后得到特征向量的示意图；
图5是用来实现本申请实施例的基于量子系统的数据处理方法的量子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在物理和化学等学科中，一个非常重要的问题是提取分子、原子等系统的特征态(基态和激发态)。一般来说，这些特征态是由系统哈密顿量(Hamiltonian)决定的，系统哈密顿量在数学上的形式是赫米特矩阵(Hermitian)，记为H，而这些特征态就是哈密顿量H的特征向量。特别地，假设系统是由n个量子比特(qubit)组成的，那么H就是一个2n×2n的赫米特矩阵，也就是一个共轭对称的复矩阵。
在实际中，系统的哈密顿量H一般是已知的，那么提取系统的特征态就转化为求解哈密顿量H的特征向量，也就是说，提取系统的特征态需要对哈密顿量做对角化。基于此，哈密顿量的特征向量提取任务则可以描述为：给定一个包含n个量子比特的哈密顿量H，假设它的特征向量是|v1>,…,|vN>，其中|>表示列向量，N＝2m，且H|vj>＝λj|vj>，λj是特征值，那么目标是生成出这些特征向量以及特征值。
基于此，本申请方案提出了一种适用于有噪中规量子计算机的量子系统特征提取器，即本申请方案所述的基于量子系统的数据处理方法通过该量子系统特征提取器来实现。具体地，该量子系统特征提取器是基于近期的量子计算机所设计的，可以有效地提取大多数系统的特征向量，比如，机器学习、物理模型等系统的特征向量，具有广泛的应用价值。而且，通过量子特征提取器可以估计量子系统不同能级的能量，进而应用到量子化学的分析。
具体地，图1是根据本申请实施例基于量子系统的数据处理方法的实现流程示意图；如图1所示，所述方法包括：
步骤S101：确定量子系统的待处理哈密顿量H，其中，所述待处理哈密顿量H的特征向量的维度为N。换言之，所述待处理哈密顿量H存在N个特征向量。
步骤S102：将确定出的参数化量子电路作用到预先制备的N个初始态中任意T个目标初始态后，得到T个量子态，所述T和N均为正整数。
步骤S103：获取所述待处理哈密顿量H在所述量子态下的能量值。
步骤S104：获取基于目标损失函数对能量值进行优化处理后所确定出的所述参数化量子电路所对应的目标参数，其中，所述目标损失函数是基于所述待处理哈密顿量H在所述T个量子态下的能量值而确定出的。
步骤S105：将基于所述目标参数确定出的所述参数化量子电路作用到所述N个初始态上，得到所述待处理哈密顿量H的N个特征向量，以将所述N个特征向量作为所述量子系统的N个特征态。
这里，需要说明的是，实际应用中，步骤S101与步骤S102的执行顺序不作限制，比如，两者可以顺序执行(先执行步骤S101、再执行步骤S102，或者，先执行步骤S102、再执行步骤S101)，也可以同步执行。
这样，本申请方案能够有效提取出待处理哈密顿量H的特征向量，而且，具有很广泛的应用价值；同时，由于上述过程中无需额外制备量子吉布斯态，即不包含制备量子吉布斯态的过程，且整个方案中仅涉及参数化量子电路的参数，不包括除参数化量子电路以为其他的参数，所以，为降低训练时间，即得到目标参数的训练过程的训练时间奠定了基础，同时，也增加了算法的稳定性。
需要说明的是，在现有的方案中，适用于容错量子计算机的技术无法在有噪中规量子计算机上实现，一方面，是因为这些方案需要增加大量的辅助量子比特来使用一些复杂的量子工具(比如相位估计)，然而有噪中规量子计算机可以使用的量子比特数量是受到限制的(一般为50-100)。另一方面，在有噪中规量子计算机上实现这些复杂的量子工具仍然比较困难。而且，适用于有噪中规量子计算机的技术存在运行时间长以及不可训练性等问题，这是因为一些方案增加除了参数化量子电路外的参数，而训练这些参数会带来更长的运行时间，同时这些参数也存在潜在的不可训练的问题。再一方面，现有方案过于复杂，比如涉及量子吉布斯态制备，然而目前的量子设备还无法有效地制备量子吉布斯态，且算法不稳定。而本申请方案正是提供了一种应用于有噪中规量子计算机上的提取待处理哈密顿量H的特征向量的方法，该方法能够为减少训练时间奠定基础，因为本申请方案中不包含量子态的制备过程，而且，仅涉及参数化量子电路的参数，而不涉及其他参数，所以，算法稳定性高。
在本申请方案的一具体示例中，可以采用如下方式得到T个目标初始态，具体地，基于预设的概率分布随机进行T次采样，以基于采样数从所述N个初始态中选取出目标初始态，以选取出T个所述目标初始态，所述T与N不相同。比如，如图3所示，准备一个概率分布p，用于随机采样，其分量分别是p1＜p2＜…＜pN，共进行T次采样，得到整数k1，k2…kT，基于整数k1，k2…kT逐次所述N个初始态中选取出一个目标初始态，进而得到T个目标初始态，进而为后续得到T个量子态，T个能量值奠定了基础。而且，该T为与N不相关的自然数，所以，也为后续提升目标损失函数的计算效率奠定了基础。
这里，实际应用中，先随机采样一次，得到一个目标初始态，然后，将确定出的参数化量子电路作用到该得到的目标初始态上，得到一个量子态，进而获取所述待处理哈密顿量H在该量子态下的能量值；然后，再随机采样一次，得到一个目标初始态，依次循环，得到T个能量值。
在本申请方案的一具体示例中，所述T小于所述N，如此，为后续提升目标损失函数的计算效率奠定了基础，为提升得到目标参数的训练过程的效率奠定了基础。
需要说明的是，实际应用中，所述T可以为经验值。
在本申请方案的一具体示例中，可以采用如下两种方式来得到目标损失函数，具体地：
方式一：所述目标损失函数是对所述待处理哈密顿量H分别在所述T个量子态下的能量值进行求和处理后所得到的。
方式二：所述目标损失函数是对所述待处理哈密顿量H分别在所述T个量子态下的能量值进行求和处理，并将求和处理结果与所述T进行比值处理后所得到的。比如，目标损失函数
Figure BDA0002818680830000061
其中，el表征能量值，如图3所示，l取值为1至T。
这里，需要说明的是，上述目标损失函数的确定过程可以是在经典计算机上执行的，换言之，在经典计算机中确定出目标损失函数，并对该目标损失函数进行最小化处理后，得到目标参数后，将所述目标参数发送量子设备，以便于所述量子设备将所述目标参数代入到参数化量子电路中。
这里，由于上述确定目标损失函数的过程中均与N无关，而均是基于T有关，所以，能够有效提升目标损失函数的计算效率，为高效计算得到目标参数奠定了基础。
在本申请方案的一具体示例中，所述目标参数是对所述目标损失函数进行最小化处理后所得到的。比如，采用通过梯度下降法或者其他常见的优化算法去最小化目标损失函数，直至前后两次目标损失函数L的差值小于一个预设的收敛参数，则停止迭代，将当前计算得到的目标损失函数对应的参数值作为目标参数，如此，高效且快速得到目标参数，为后续快速得到出待处理哈密顿量H的特征向量奠定了基础。
值得说明的是，在确定出N个特征向量后，该待处理哈密顿量H在确定出的所述N特征向量下的能量值即为所述待处理哈密顿量H的特征值，如此，基于本申请方案得到待处理哈密顿量H的特征值和特征向量。
这样，本申请方案能够有效提取出待处理哈密顿量H的特征向量，而且，具有很广泛的应用价值；同时，由于上述过程中无需额外制备量子吉布斯态，即不包含制备量子吉布斯态的过程，且整个方案中仅涉及参数化量子电路的参数，不包括除参数化量子电路以为其他的参数，所以，为降低训练时间，即得到目标参数的训练过程的训练时间奠定了基础，同时，也增加了算法的稳定性。
以下结合具体示例对本申请方案做进一步详细说明，具体地，
本示例方案能够适用于近期的量子计算机，特别地，本申请方案充分利用了参数化量子电路(能够在近期量子计算机上应用)，而该参数化量子电路的功能是制备各种形式的量子态。基于此，本示例方案的原理是通过参数化量子电路来制备量子态，然后近似计算待处理哈密顿量在量子态下的能量，进而通过调节该参数化量子电路的参数来优化待处理哈密顿量在该量子态下的能量，并使其达到最小，如此，近似得到待处理哈密顿量的特征向量。具体来说，假设通过参数化量子电路制备出来的量子态是ρ(θ)，待处理哈密顿量H在该量子态下的能量是E(θ)＝tr(Hρ(θ))，其中tr表示迹，即矩阵对角线元素的和。然后，在经典计算机上通过调节参数θ来优化能量E(θ)，当该能量达到最小值的时候，此时基于参数化量子电路即可有效地提取出待处理哈密顿量H的特征向量，换句话说，上述过程就是对角化哈密顿量。实际应用中，提取待处理哈密顿量H的特征值和特征向量，在量子化学、量子机器学习中都有着广泛的应用，比如可以应用到量子系统各个能级特征态的制备上等。
如图2所示，具体方案如下：
步骤1：输入待处理哈密顿量H，该待处理哈密顿量H的特征向量的维度为N，即该待处理哈密顿量H具有N个特征向量。
步骤2：准备一个可调节参数的参数化量子电路，即由若干个单量子比特旋转门和受控反闸门组成，其中的若干个旋转角度组成一个向量θ，为参数化量子电路的参数，基于此，整个参数化量子电路记为U(θ)；以及准备一个概率分布p，用于随机采样，其分量分别是p1＜p2＜…＜pN；以及准备一个足够大的整数T；准备初始态|ψ1>,|ψ2>,…,|ψN>，这些初始态是可以有效制备出的。
这里，所述N表征待处理哈密顿量H的特征向量的维度，也即个数。
步骤3：通过概率分布p采样一个整数j，其中1≤j≤N。
步骤4：将U(θ)作用在步骤3采样得到的初始态|ψj>上，并输出量子态ρ(θ)。
步骤5：针对步骤4输出的量子态ρ(θ)，在量子计算机上通过测量来计算得到待处理哈密顿量H在该量子态ρ(θ)下的能量e1。
步骤6：如图3所示，重复步骤3至5共计T-1次，并得到其余的能量值e2，…，eT。这里，需要说明的是，T为与待处理哈密顿量H的维度N无关的自然数。
具体地，如图3所示，概率分布
Figure BDA0002818680830000081
进行T次采样，得到整数k1，k2…kT，对应每一个kt，计算对应的et，进而得到T个能量值。
步骤7：通过求和得到总的损失函数
Figure BDA0002818680830000082
步骤8：通过梯度下降法或者其他常见的优化算法去最小化步骤7得到的损失函数L，得到一组新的参数0。
步骤9：重复上述步骤3至8，直到前后两次损失函数L的差值小于一个预设的收敛参数，比如0.001，则停止循环，此时，将当前计算得到的参数θ作为最优的参数，并记0*。
步骤10：如图4所示，将U(θ*)作用在初始态|ψ1>，|ψ2>，…，|ψN>上即可到待处理哈密顿量H所有的特征向量|v1>，…，|vN>，并且该待处理哈密顿量H在这些特征向量下的能量值即为特征值。
这样，本申请方案充分利用了可在近期的、具有商业价值的量子计算机上运行的参数化量子电路来提取量子系统的哈密顿量的特征向量，其核心思想是通过在量子计算机上容易计算得到的量来近似计算提取哈密顿量的特征所需要的系统能量，而且，该过程中设计了可以在近期量子计算机上高效计算的损失函数，并且通过优化该损失函数来实现提取哈密顿量的特征。具体来说，使用参数化量子电路来制备量子态，然后计算待处理哈密顿量在该量子态下的系统能量，该系统能量是参数化的，然后，通过传统的梯度下降等优化方法高效地优化参数化的系统能量，进而最终得到待处理哈密顿量的特征向量。总的来说，本申请方案具有如下特色：
第一，实用性，即本申请方案能够在近期的量子计算机上实现；
第二，高效性，即本申请方案能够低消耗来计算损失函数；因为，本申请方案统计的次数T为经验值，与哈密顿量H的特征向量的维度N无关，所以，能够大大提升损失函数的计算效率。
第三，创新性，即本申请方案提出了新颖的损失函数的方法，即损失函数中的统计是基于T来进行的，而非传统应用中的基于特征向量的维度N来进行统计，而本申请方案中的T小于N，所以，基于该新颖的损失函数能够降低整体计算消耗，进而提升处理效率。
本申请方案还提供一种量子设备，如图5所示，包括：
哈密顿量确定单元501，用于确定量子系统的待处理哈密顿量H，其中，所述待处理哈密顿量H的特征向量的维度为N；换言之，所述待处理哈密顿量H存在N个特征向量。
量子电路处理单元502，用于将确定出的参数化量子电路作用到预先制备的N个初始态中任意T个目标初始态后，得到T个量子态，所述T和N均为正整数；
能量值获取单元503，用于获取所述待处理哈密顿量H在所述量子态下的能量值；
目标参数获取单元504，用于获取基于目标损失函数对能量值进行优化处理后所确定出的所述参数化量子电路所对应的目标参数，其中，所述目标损失函数是基于所述待处理哈密顿量H在所述T个量子态下的能量值而确定出的；
特征向量确定单元505，用于将基于所述目标参数确定出的所述参数化量子电路作用到所述N个初始态上，得到所述待处理哈密顿量H的N个特征向量，以将所述N个特征向量作为所述量子系统的N个特征态。
这里，需要说明的是，实际应用中，所述量子设备可以具体为可以应用到有噪中规量子计算机的量子系统特征提取器，即本申请方案所述的量子系统特征提取器是基于近期的量子计算机所设计的，可以有效地提取大多数系统的特征向量，如机器学习、物理模型等系统的特征向量，具有广泛的应用价值。而且，通过量子特征提取器可以估计量子系统不同能级的能量，进而应用到量子化学的分析。
在本申请方案的一具体示例中，还包括：
采样单元，用于基于预设的概率分布随机进行T次采样，以基于采样数从所述N个初始态中选取出目标初始态，以选取出T个所述目标初始态，所述T与N不相同。
在本申请方案的一具体示例中，所述T小于所述N。
在本申请方案的一具体示例中，所述目标损失函数是对所述待处理哈密顿量H分别在所述T个量子态下的能量值进行求和处理后所得到的。
在本申请方案的一具体示例中，所述目标损失函数是对所述待处理哈密顿量H分别在所述T个量子态下的能量值进行求和处理，并将求和处理结果与所述T进行比值处理后所得到的。
在本申请方案的一具体示例中，所述目标参数是对所述目标损失函数进行最小化处理后所得到的。
本发明实施例装置中各单元的功能可以参见上述基于量子系统的数据处理方法中的对应描述，此处不再赘述。
这样，本申请方案能够有效提取出待处理哈密顿量H的特征向量，而且，具有很广泛的应用价值；同时，由于上述过程中无需额外制备量子吉布斯态，即不包含量子吉布斯态的制备过程，且整个方案中仅涉及参数化量子电路的参数，不包括除参数化量子电路以为其他的参数，所以，为降低训练时间，即得到目标参数的训练过程的训练时间奠定了基础，同时，也增加了算法的稳定性。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (12)

1.一种基于量子系统的数据处理方法，包括：
确定量子系统的待处理哈密顿量H，其中，所述待处理哈密顿量H的特征向量的维度为N；
将确定出的参数化量子电路作用到预先制备的N个初始态中任意T个目标初始态后，得到T个量子态，所述T和N均为正整数；
获取所述待处理哈密顿量H在所述量子态下的能量值；
获取基于目标损失函数对能量值进行优化处理后所确定出的所述参数化量子电路所对应的目标参数，其中，所述目标损失函数是基于所述待处理哈密顿量H在所述T个量子态下的能量值而确定出的；
将基于所述目标参数确定出的所述参数化量子电路作用到所述N个初始态上，得到所述待处理哈密顿量H的N个特征向量，以将所述N个特征向量作为所述量子系统的N个特征态。
2.根据权利要求1所述的方法，还包括：
基于预设的概率分布随机进行T次采样，以基于采样数从所述N个初始态中选取出目标初始态，以选取出T个所述目标初始态，所述T与N不相同。
3.根据权利要求1或2所述的方法，其中，所述T小于所述N。
4.根据权利要求1所述的方法，其中，所述目标损失函数是对所述待处理哈密顿量H分别在所述T个量子态下的能量值进行求和处理后所得到的。
5.根据权利要求1所述的方法，其中，所述目标损失函数是对所述待处理哈密顿量H分别在所述T个量子态下的能量值进行求和处理，并将求和处理结果与所述T进行比值处理后所得到的。
6.根据权利要求1或4或5所述的方法，其中，所述目标参数是对所述目标损失函数进行最小化处理后所得到的。
7.一种量子设备，包括：
哈密顿量确定单元，用于确定量子系统的待处理哈密顿量H，其中，所述待处理哈密顿量H的特征向量的维度为N；
量子电路处理单元，用于将确定出的参数化量子电路作用到预先制备的N个初始态中任意T个目标初始态后，得到T个量子态，所述T和N均为正整数；
能量值获取单元，用于获取所述待处理哈密顿量H在所述量子态下的能量值；
目标参数获取单元，用于获取基于目标损失函数对能量值进行优化处理后所确定出的所述参数化量子电路所对应的目标参数，其中，所述目标损失函数是基于所述待处理哈密顿量H在所述T个量子态下的能量值而确定出的；
特征向量确定单元，用于将基于所述目标参数确定出的所述参数化量子电路作用到所述N个初始态上，得到所述待处理哈密顿量H的N个特征向量，以将所述N个特征向量作为所述量子系统的N个特征态。
8.根据权利要求7所述的量子设备，还包括：
采样单元，用于基于预设的概率分布随机进行T次采样，以基于采样数从所述N个初始态中选取出目标初始态，以选取出T个所述目标初始态，所述T与N不相同。
9.根据权利要求7或8所述的量子设备，其中，所述T小于所述N。
10.根据权利要求7所述的量子设备，其中，所述目标损失函数是对所述待处理哈密顿量H分别在所述T个量子态下的能量值进行求和处理后所得到的。
11.根据权利要求7所述的量子设备，其中，所述目标损失函数是对所述待处理哈密顿量H分别在所述T个量子态下的能量值进行求和处理，并将求和处理结果与所述T进行比值处理后所得到的。
12.根据权利要求7或10或11所述的量子设备，其中，所述目标参数是对所述目标损失函数进行最小化处理后所得到的。
CN202011406600.XA 2020-12-04 2020-12-04 基于量子系统的数据处理方法及量子设备 Active CN112529193B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011406600.XA CN112529193B (zh) 2020-12-04 2020-12-04 基于量子系统的数据处理方法及量子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011406600.XA CN112529193B (zh) 2020-12-04 2020-12-04 基于量子系统的数据处理方法及量子设备

Publications (2)

Publication Number Publication Date
CN112529193A true CN112529193A (zh) 2021-03-19
CN112529193B CN112529193B (zh) 2021-10-08

Family

ID=74997009

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011406600.XA Active CN112529193B (zh) 2020-12-04 2020-12-04 基于量子系统的数据处理方法及量子设备

Country Status (1)

Country Link
CN (1) CN112529193B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033812A (zh) * 2021-04-01 2021-06-25 腾讯科技（深圳）有限公司 量子操作执行方法、装置及量子操作芯片
CN113379057A (zh) * 2021-06-07 2021-09-10 腾讯科技（深圳）有限公司 量子体系基态能量估计方法及系统
CN113392580A (zh) * 2021-05-21 2021-09-14 中国人民解放军战略支援部队信息工程大学 基于混合量子算法的组合优化求解方法、系统及求解器架构
CN113496285A (zh) * 2021-07-07 2021-10-12 北京百度网讯科技有限公司 基于量子电路的数据处理方法及装置、电子设备和介质
CN113807526A (zh) * 2021-09-26 2021-12-17 深圳市腾讯计算机系统有限公司 量子体系的本征态获取方法、装置、设备及存储介质
CN116263972A (zh) * 2022-11-22 2023-06-16 中移(苏州)软件技术有限公司 基于量子生成对抗网络的图像生成方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019241879A1 (en) * 2018-06-18 2019-12-26 1Qb Information Technologies Inc. Variationally and adiabatically navigated quantum eigensolvers
US20200005179A1 (en) * 2017-11-28 2020-01-02 International Business Machines Corporation Cost function deformation in quantum approximate optimization
WO2020037253A1 (en) * 2018-08-17 2020-02-20 Zapata Computing, Inc. Quantum computer with improved quantum optimization by exploiting marginal data
CN110969254A (zh) * 2019-10-22 2020-04-07 天津大学 一种基于绝热量子算法求解超图Ramsey数方法
CN111860849A (zh) * 2020-08-06 2020-10-30 上海海事大学 一种量子核主成分分析方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200005179A1 (en) * 2017-11-28 2020-01-02 International Business Machines Corporation Cost function deformation in quantum approximate optimization
WO2019241879A1 (en) * 2018-06-18 2019-12-26 1Qb Information Technologies Inc. Variationally and adiabatically navigated quantum eigensolvers
WO2020037253A1 (en) * 2018-08-17 2020-02-20 Zapata Computing, Inc. Quantum computer with improved quantum optimization by exploiting marginal data
CN110969254A (zh) * 2019-10-22 2020-04-07 天津大学 一种基于绝热量子算法求解超图Ramsey数方法
CN111860849A (zh) * 2020-08-06 2020-10-30 上海海事大学 一种量子核主成分分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ALBERTO PERUZZO ET AL: "a variational eigenvalue solver on a quantum processor", 《ARXIV.ORG》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033812A (zh) * 2021-04-01 2021-06-25 腾讯科技（深圳）有限公司 量子操作执行方法、装置及量子操作芯片
CN113033812B (zh) * 2021-04-01 2022-03-18 腾讯科技（深圳）有限公司 量子操作执行方法、装置及量子操作芯片
CN113392580A (zh) * 2021-05-21 2021-09-14 中国人民解放军战略支援部队信息工程大学 基于混合量子算法的组合优化求解方法、系统及求解器架构
CN113379057A (zh) * 2021-06-07 2021-09-10 腾讯科技（深圳）有限公司 量子体系基态能量估计方法及系统
CN113496285A (zh) * 2021-07-07 2021-10-12 北京百度网讯科技有限公司 基于量子电路的数据处理方法及装置、电子设备和介质
CN113496285B (zh) * 2021-07-07 2024-02-20 北京百度网讯科技有限公司 基于量子电路的数据处理方法及装置、电子设备和介质
CN113807526A (zh) * 2021-09-26 2021-12-17 深圳市腾讯计算机系统有限公司 量子体系的本征态获取方法、装置、设备及存储介质
WO2023045078A1 (zh) * 2021-09-26 2023-03-30 深圳市腾讯计算机系统有限公司 量子体系的本征态获取方法、装置、设备及存储介质
CN113807526B (zh) * 2021-09-26 2024-03-29 深圳市腾讯计算机系统有限公司 量子体系的本征态获取方法、装置、设备及存储介质
CN116263972A (zh) * 2022-11-22 2023-06-16 中移(苏州)软件技术有限公司 基于量子生成对抗网络的图像生成方法及装置
CN116263972B (zh) * 2022-11-22 2024-09-13 中移(苏州)软件技术有限公司 基于量子生成对抗网络的图像生成方法及装置

Also Published As

Publication number Publication date
CN112529193B (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
CN112529193B (zh) 基于量子系统的数据处理方法及量子设备
Steinwart et al. Optimal Rates for Regularized Least Squares Regression.
Deng et al. Non-convex learning via replica exchange stochastic gradient mcmc
CN110109050B (zh) 嵌套阵列下基于稀疏贝叶斯的未知互耦的doa估计方法
CN113496285A (zh) 基于量子电路的数据处理方法及装置、电子设备和介质
CN114202072A (zh) 量子体系下的期望值估计方法及系统
CN113705793B (zh) 决策变量确定方法及装置、电子设备和介质
CN112633510B (zh) 量子数据间距离的确定方法及量子设备
CN115577776B (zh) 基态能量的确定方法、装置、设备及存储介质
Cutkosky et al. Distributed stochastic optimization via adaptive SGD
CN112149045A (zh) 一种适用于大规模数据的降维、关联分析方法
CN115526328B (zh) 一种基于模拟量子器件计算系统本征值的方法及装置
CN110471768A (zh) 一种基于fastPCA-ARIMA的负载预测方法
Kuhn et al. Robustness to pruning predicts generalization in deep neural networks
Tang et al. Variance reduction for evolution strategies via structured control variates
US20210125095A1 (en) Analysis method and analysis system
CN112633509B (zh) 量子数据间距离的确定方法及量子设备
CN115577781B (zh) 量子相对熵确定方法、装置、设备及存储介质
CN112069631A (zh) 一种考虑通信时延的基于方差缩减技术的分布式投影方法
Shen et al. Random features for shift-invariant kernels with moment matching
Liang et al. Sketching transformed matrices with applications to natural language processing
CN115577787A (zh) 量子振幅估计方法、装置、设备以及存储介质
CN113743485A (zh) 一种基于傅里叶域主成分分析的数据降维方法
Wen et al. Robust ensemble feature extraction for solving conditional nonlinear optimal perturbation
Feng et al. Model detection and estimation for varying coefficient panel data models with fixed effects

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