CN112633509B - 量子数据间距离的确定方法及量子设备 - Google Patents
量子数据间距离的确定方法及量子设备 Download PDFInfo
- Publication number
- CN112633509B CN112633509B CN202011420848.1A CN202011420848A CN112633509B CN 112633509 B CN112633509 B CN 112633509B CN 202011420848 A CN202011420848 A CN 202011420848A CN 112633509 B CN112633509 B CN 112633509B
- Authority
- CN
- China
- Prior art keywords
- quantum
- measurement
- quantum state
- state
- projection
- 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
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)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请公开了量子控制中的量子数据间距离的确定方法及量子设备,涉及量子计算领域。具体实现方案为:确定待处理的第一量子态和第二量子态;将参数化量子电路作用到所述第一量子态得到新的第一量子态,以及作用到所述第二量子态得到新的第二量子态;确定k个两两之间正交的量子态,以作为k个投影算子;获取基于所述投影算子进行投影测量后所得到的第一测量结果和第二测量结果,至少基于所述第一测量结果和所述第二测量结果得到所述第一量子态和所述第二量子态之间的迹距离。如此,来高效精准地量化两个量子数据的不同。
Description
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
量子计算中必不可少地需要识别和区分量子数据(即量子态,quantum state),尤其是量化两个量子数据的不同,这是量子计算技术中的一个基本问题;因此,如何高效精准地量化两个量子数据的不同,成为亟待解决的问题。
发明内容
本申请提供了一种量子数据间距离的确定方法及量子设备。
根据本申请的一方面,提供了一种量子数据间距离的确定方法,包括:
确定待处理的第一量子态和第二量子态;
将参数化量子电路作用到所述第一量子态得到新的第一量子态,以及作用到所述第二量子态得到新的第二量子态;
确定k个两两之间正交的量子态,以作为k个投影算子,所述k为大于等于1的正整数;
获取基于所述投影算子进行投影测量后所得到的第一测量结果和第二测量结果,其中,所述第一测量结果是基于所述投影算子对所述新的第一量子态进行投影测量后所得到的,所述第二测量结果是基于所述投影算子对所述新的第二量子态进行投影测量后所得到的;
至少基于所述第一测量结果和所述第二测量结果得到所述第一量子态和所述第二量子态之间的迹距离。
根据本申请的另一方面,提供了一种量子设备,包括:
确定单元,用于确定待处理的第一量子态和第二量子态;
参数化电路控制单元,用于将参数化量子电路作用到所述第一量子态得到新的第一量子态,以及作用到所述第二量子态得到新的第二量子态;
投影算子确定单元,用于确定k个两两之间正交的量子态,以作为k个投影算子,所述k为大于等于1的正整数;
测量结果获取单元,用于获取基于所述投影算子进行投影测量后所得到的第一测量结果和第二测量结果,其中,所述第一测量结果是基于所述投影算子对所述新的第一量子态进行投影测量后所得到的,所述第二测量结果是基于所述投影算子对所述新的第二量子态进行投影测量后所得到的;
距离确定单元,用于至少基于所述第一测量结果和所述第二测量结果得到所述第一量子态和所述第二量子态之间的迹距离。
根据本申请的技术能够高效精准地量化两个量子数据的不同。
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量子数据间距离的确定方法的实现流程示意图;
图2是根据本申请实施例量子数据间距离的确定方法在一具体示例中的实现流程示意图;
图3是根据本申请实施例量子数据间距离的确定方法在一具体示例中涉及量子设备与经典设备的场景图;
图4是用来实现本申请实施例的量子数据间距离的确定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。
实际应用中,量子数据之间的距离估计是量子机器学习中重要的一环,是最为基本的需要解决的问题,起到了衡量学习效果好坏的指标作用,基于此,本申请方案用两个量子态(也即量子数据)之间的迹距离(trace distance)来描述两个量子数据的不同,这里,迹距离越大,则这两个量子数据越不相同;相反,迹距离越小,则这两个量子数据的相似性越高。这个问题的重要性,就好比于经典机器学习中距离的度量,是量子计算机(也即量子设备)上必不可少的处理。
具体的计算方式:
这样,利用上述方式即可有效度量两个量子态之间的不同,该方式在量子信息处理中有着广泛应用,比如,用于衡量量子数据在动态过程中被保护的程度,衡量和测试量子方案、量子态制备等应用的效果,同时,还可以作为量子密码的安全性评估标准。
现有方案中为衡量两个量子态的不同,会利用量子层析(quantum tomography)的方式来实现,即先通过消耗很大资源的量子层析(quantum tomography)来获取待进行处理的两个量子态的密度矩阵,并将密度矩阵存储到经典计算机上,在经典计算机上通过计算两个密度矩阵间的迹距离函数来估计量子态间的迹距离。该方法在原理上是可行的,但是,会存在如下缺点:
第一,量子层析需要消耗非常大的资源,而且,获得量子态的密度矩阵所需要的资源会随着量子位的增加而指数增长。因此,导致该方法在近期量子设备上的成本过高,且限制于低量子比特数(<10个),实用性不高。
第二,在经典计算机上计算矩阵间的迹距离函数需要进行谱分解,随着量子比特的增加,这个过程消耗的时间也随之指数增长。
基于此,本申请方案提供了一种量子数据间距离的确定方法,能够高效且精准地量化两个量子数据的不同。而且,本申请方案适用于近期量子设备的量子计算方案,可以高效且精准地输出任意两个相同维度的量子态之间的迹距离。
具体地,图1是根据本申请实施例量子数据间距离的确定方法的实现流程示意图,如图1所示,所述方法包括:
步骤S101:确定待处理的第一量子态和第二量子态。
步骤S102:将参数化量子电路作用到所述第一量子态得到新的第一量子态,以及作用到所述第二量子态得到新的第二量子态。需要说明的是,实际应用中,需要准备两个相同的参数化量子电路,每个参数化量子电路对应一个量子态,比如,第一个参数化量子电路作用到第一量子态上,得到新的第一量子态,第二个参数化量子电路作用到第二量子态,得到新的第二量子态。
步骤S103:确定k个两两之间正交的量子态,以作为k个投影算子,所述k为大于等于1的正整数。
步骤S104:获取基于所述投影算子进行投影测量后所得到的第一测量结果和第二测量结果,其中,所述第一测量结果是基于所述投影算子对所述新的第一量子态进行投影测量后所得到的,所述第二测量结果是基于所述投影算子对所述新的第二量子态进行投影测量后所得到的。需要说明的是,由于存在k个投影算子,每一个投影算子对应一个第一测量结果和一个第二测量结果,所以得到的第一测量结果和第二测量结果均有k个。
步骤S105:至少基于所述第一测量结果和所述第二测量结果得到所述第一量子态和所述第二量子态之间的迹距离。
这样,通过利用投影算子,以及可以进行参数调整的参数化量子电路,来得到待进行距离度量的第一量子态和第二量子态之间的迹距离,实现了高效精确度量两个量子态之间不同,为后续量子信息的处理奠定了基础。
而且,上述过程能够在量子设备上运行,所述的参数化量子电路也是近期量子设备所能提供的,如此,解决了现有仅能在理论上实现但在实践应用中无法有效度量两个量子态之间距离的问题。
这里,本申请方案对第一量子态和第二量子态不作限制,只要是能够制备出的量子态即可。另外,需要说明的是,实际应用中,只有两个维度相同的数据进行度量才会有实际意义,基于此,本申请方案所述的第一量子态和第二量子态的维度相同。
需要说明的是,上述测量结果,即第一测量结果和第二测量结果是量子测量设备所测量得到的,本申请方案只需直接获取量子测量设备所测量得到的测量结果即可。
在本申请方案的一具体示例中,可以采用如下方式来得到所述第一量子态和所述第二量子态之间的迹距离,具体地,上述至少基于所述第一测量结果和所述第二测量结果得到所述第一量子态和所述第二量子态之间的迹距离,具体包括:
调整所述参数化量子电路的参数值来最小化所述总损失函数;其中,所述总损失函数是累加k个所述第一测量结果、以及累加k个所述第二测量结果后所得到的;
将所述总损失函数的最小函数值作为所述第一量子态和所述第二量子态之间的迹距离。
举例来说,准备两个参数化量子电路U(θ),初始化参数θ后,将一个U(θ)作用在量子态ρ(也即第一量子态)上,得到(也即新的第一量子态),将另一个U(θ)作用在量子态σ(也即第二量子态)上得到(也即新的第二量子态),其中运算表示共轭转置。
进一步地,取k个两两之间正交(orthogonal)的量子态|1><1|,|2><2|,...,|k><k|,并将k个两两之间正交的量子态作为投影算子,得到k个投影算子。
对上述测量结果求和得到总损失函数,即:
进而调整参数化量子电路的参数值来最小化所述总损失函数即可得到所述第一量子态和所述第二量子态之间的迹距离。这里,所述总损失函数的最小值即为所述第一量子态和所述第二量子态之间的迹距离。
需要说明的是,实际应用中,总损失函数优化的步骤可以具体在经典设备,比如经典计算机上实现,具体地,在得到第一测量结果和第二测量结果后,在经典计算机上确定出总损失函数,并对该总损失函数进行最小化处理,进而来确定出所述第一量子态和所述第二量子态之间的迹距离。
这样,先确定出总损失函数,然后调整参数化量子电路中参数的参数值来最小化总损失函数,进而得到所述第一量子态和所述第二量子态之间的迹距离,即通过参数优化的方式来得到迹距离,且该过程简单,实用性强,为后续量子信息的处理奠定了基础。
在本申请方案的一具体示例中,所述k与所述第一量子态与所述第二量子态之差后所对应的正特征值的数量相关。比如,所述k为所述第一量子态与所述第二量子态之差后所对应的正特征值的数量。如此,为后续利用k个投影算子来计算得到所述第一量子态和所述第二量子态之间的迹距离奠定了基础。
在本申请方案的一具体示例中,所述k是基于所述第一量子态的秩与所述第二量子态的秩进行比较后的比较结果而确定出的。比如,设量子态ρ和量子态σ的秩分别为rρ和rσ,且rρ<rσ(否则交换ρ和σ),若令k=rρ,则此时的k便是ρ-σ的正特征值的个数,换言之,所述第一量子态的秩与所述第二量子态的秩中的最大秩即为k。如此,为后续利用k个投影算子来计算得到所述第一量子态和所述第二量子态之间的迹距离奠定了基础。
在本申请方案的一具体示例中,还可以采用如下方式来得到所述第一量子态和所述第二量子态之间的迹距离,具体地,上述至少基于所述第一测量结果和所述第二测量结果得到所述第一量子态和所述第二量子态之间的迹距离,具体包括:
通过调整所述参数化量子电路的参数值,来最大化总的第一测量结果与总的第二测量结果之间的差值,以得到所述第一量子态和第二量子态之间的迹距离;
其中,所述总的第一测量结果是基于各所述投影算子所对应的所述第一测量结果而得到的,所述总的第二测量结果是基于各所述投影算子所对应的所述第二测量结果而得到的。
举例来说,准备两个参数化量子电路U(θ),初始化参数θ后,将一个U(θ)作用在量子态ρ(也即第一量子态)上,得到(也即新的第一量子态),将另一个U(θ)作用在量子态σ(也即第二量子态)上得到(也即新的第二量子态),其中运算表示共轭转置。
进一步地,取k个两两之间正交(orthogonal)的量子态|1><1|,|2><2|,...,|k><k|,并将k个两两之间正交的量子态作为投影算子,得到k个投影算子。
对上述测量结果求和得到总的第一测量结果与所述总的第二测量结果之间的差值,即:
进而调整参数化量子电路的参数值来最大化上述差值即可得到所述第一量子态和所述第二量子态之间的迹距离。这里,上述差值的最大值即为所述第一量子态和所述第二量子态之间的迹距离。
需要说明的是,实际应用中,总的第一测量结果与所述总的第二测量结果之间的差值的处理步骤可以具体在经典设备,比如经典计算机上实现,具体地,在得到第一测量结果和第二测量结果后,在经典计算机上确定出上述差值,并对该总的第一测量结果与所述总的第二测量结果之间的差值进行最大化处理,进而来确定出所述第一量子态和所述第二量子态之间的迹距离。
这样,通过调整参数化量子电路中参数的参数值的方式来得到所述第一量子态和所述第二量子态之间的迹距离,即通过参数优化的方式来得到迹距离,且该过程简单,实用性强,为后续量子信息的处理奠定了基础。
这里,需要说明的是,该示例中,所述k可以是基于所述第一量子态的秩与所述第二量子态的秩进行比较后的比较结果而确定出的。
在本申请方案的一具体示例中,还可以采用如下方式来确定k以及迹距离;即为k设置初始值,其中,调整所述k的值能够调整所述第一测量结果和所述第二测量结果;
对应地,上述调整所述参数化量子电路的参数值来最大化总的第一测量结果与总的第二测量结果之间的差值,以得到所述第一量子态和第二量子态之间的迹距离,包括:
调整所述k的值,以及调整所述参数化量子电路的参数值,来最大化所述总的第一测量结果和所述总的第二测量结果之间的差值,并将最大差值作为所述第一量子态和所述第二量子态之间的迹距离。
也就是说,通过调整k的值,以及参数化量子电路中参数的参数值的方式来得到所述第一量子态和所述第二量子态之间的迹距离,即通过参数优化的方式来得到迹距离,且该过程简单,实用性强,为后续量子信息的处理奠定了基础。
举例来说,k的值可以从0开始逐步增加。对于每个取值,基于本申请方案即可计算出当k取该值时的输出结果,直至输出结果不再随着k值的增加而变大为止。此时的k便是ρ-σ的正特征值的个数,而此时的输出结果便是本申请方案希望得到的ρ和σ的迹距离。
在本申请方案的一具体示例中,分别作用于所述第一量子态和所述第二量子态的所述参数化量子电路的参数值相同。也就是说,实际应用中,分别作用于第一量子态和量子态中的两个参数化量子电路不仅相同,而且,两个参数化量子电路所选择的参数值也相同;当然,再后续进行参数调整的过程,两个参数化量子电路所选择的参数值也保持相同。如此,利用参数优化的方式来高效且精准地确定出第一量子态和所述第二量子态之间的迹距离,该过程简单,实用性强。
在本申请方案的一具体示例中,所述参数化量子电路包括若干个单量子比特旋转门和受控反闸门,所述参数化量子电路的参数至少包含旋转角度。如此,为利用参数优化的方式来高效且精准地确定出第一量子态和所述第二量子态之间的迹距离奠定了基础。而且,本示例中所选择的参数化量子电路是在近期量子设备上能够实现的,所以,实用性强。
这样,通过利用投影算子,以及可以进行参数调整的参数化量子电路,来得到待进行距离度量的第一量子态和第二量子态之间的迹距离,实现了高效精确度量两个量子态之间不同,为后续量子信息的处理奠定了基础。
而且,上述过程能够在量子设备上运行,所述的参数化量子电路也是近期量子设备所能提供的,如此,解决现有仅能在理论上实现但在实践应用中无法有效度量两个量子态之间距离的问题。
这里,需要说明的是,本申请方案与量子层析传统方法的核心区别在于,本申请方案不需要消耗大量的资源去测量复原得到量子态的密度矩阵后再用经典计算机去一个个寻找特征值并求和来估计迹距离。而且,量子层析传统方法只能适用于小规模的量子态,一旦量子比特数目变很大,经典计算机甚至无法存储下密度矩阵的数据。此外,对于多量子比特的量子态,甚至无法用层析方法处理。与之相比,本申请方案对只需要通过优化后的投影测量就可以高效得到所有正特征值的和,也即两个量子态之间的迹距离。而且,本申请方案对待度量的量子态对应的量子比特数目没有限制,即对任意两个相同维度的量子态均能实现精准度量,具有很强的通用性,适用范围很广。
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,本申请方案充分利用了近期量子设备所能提供的量子神经网络U(θ)(或称为参数化量子电路,parameterizedquantum circuits)提取量子态特征值的能力。即本申请方案将计算两个相同维度的量子态ρ和σ间的迹距离D(ρ,σ)的问题转化成了通过训练量子神经网络寻找一个投影算子(projector)P使得Tr(P(ρ-σ))最大化的优化问题,而最大化后的Tr(P(ρ-σ))则正是ρ和σ间的迹距离。这里,Tr(A)代表一个矩阵A的迹(trace),即矩阵A的所有特征值(eigenvalue)之和。因为计算矩阵的迹是一个线性的操作,这就等同于D(ρ,σ)=Tr(Pρ)-Tr(Pσ)。
这样的两个值,即Tr(Pρ)和Tr(Pσ)是可以通过测量得到的。具体的,如果ρ-σ有k个正的特征值,此时,可以准备k个正交的量子态|1><1|,|2><2|,...,|k><k|,然后计算经过量子神经网络演化后的态在每个|j><j|算符下的投影之和,即可得到Tr(Pρ),即
另外,引入总损失函数L=-(Tr(Pρ)-Tr(Pσ)),并调整参数化量子电路U(θ)的参数使总损失函数L最小化,也即最大化Tr(Pρ)-Tr(Pσ),即可得ρ和σ间的迹距离D(ρ,σ)。
需要说明的是,本申请方案的工作原理大致总结如下:
量子态ρ和σ间的迹距离等价于ρ-σ的所有大于零的特征值之和。一个优化后的投影算子P作用在ρ-σ上后即可取出ρ-σ的所有正特征值,因此计算P(ρ-σ)的迹就是计算ρ与σ的迹距离,即D(ρ,σ)=Tr(P(ρ-σ))。而本申请方案利用参数化量子电路即可搜索得到最优的投影算子,以确定出ρ和σ间的迹距离。
如图2以及图3所示,具体步骤包括:
步骤1:准备两个相同的可调节参数的参数化量子电路,比如,由若干个单量子比特旋转门和受控反闸门组成的量子电路,其中的若干个旋转角度组成一个向量θ,即为这个参数化量子电路的参数,进而将整个参数化量子电路记为U(θ)。准确待处理的两个量子态,分别为ρ和σ。
步骤3:取k个两两之间正交(orthogonal)的量子态|1><1|,|2><2|,...,|k><k|,并将k个两两之间正交的量子态作为投影算子,并按照每个投影算子|j><j|对上述步骤2得到的量子态进行投影测量,得到以及基于每个投影算子|j><j|对上述步骤2得到的量子态进行投影测量,得到
步骤5:通过梯度下降法或者其他最优化方法调整参数向量θ,重复步骤2-4以最小化总损失函数L。
步骤6:输出总损失函数的最小值的绝对值|Lmin|,即为量子态ρ和σ的迹距离D(ρ,σ)。
这里,需要说明的是,本申请方案中k的选择:
在实践中,k的值通常是未知的,可以从0开始逐步增加k的值。对于每个取值,基于本申请方案即可计算出当k取该值时的输出结果(也即总损失函数的值),直至输出结果不再随着k值的增加而变大为止。此时的k便是ρ-σ的正特征值的个数,而此时的输出结果便是本申请方案希望得到的ρ和σ的迹距离。
当然,还可以采用另一个策略来选择k,设ρ和σ的秩分别为rρ和rσ,且rρ<rσ(否则交换ρ和σ),若令k=rρ,则此时的k便是ρ-σ的正特征值的个数,而此时的输出便是本申请方案希望得到的ρ和σ的迹距离。
本申请方案充分利用了近期量子设备所能提供的参数化量子电路与机器学习的思想,设计了总损失函数,高效和实用地计算了量子态之间的迹距离,从而能在近期量子设备上去衡量量子数据的相似程度。
对于度量量子数据的相似程度,本申请方案的主要优势体现在如下几个方面:
相比于传统的方法,即量子层析方法来获取整个量子态的密度矩阵,然后再进行迹距离计算的方式,本申请方案更加实用和便捷,因为量子层析对于多比特量子态的消耗会高速增长,但本申请方案则不然。
相比于传统的方法,本申请方案更具实用性与通用性。对于目前量子比特数有限并且无法避免噪声的近期量子设备而言,本申请方案中无论是量子神经网络还是投影测量计算总损失函数L的方式均能够在物理上实现,而非仅仅是理论方案。此外,本申请方案无需对待度量的量子态的性质作任何限制,也即无需对待度量的量子态对应的量子比特的性质做任何限制,方案的通用性也得到了保证。
相比于传统的方法,本申请方案具有很好的泛用性和拓展性,因为,本方案估计量子数据之间的距离不仅可以衡量量子态的制备效果,还可以帮助测试量子方案,甚至进一步的启发新型量子机器学习算法的开发。
本申请方案还提供一种量子设备,如图4所示,包括:
确定单元401,用于确定待处理的第一量子态和第二量子态;
参数化电路控制单元402,用于将参数化量子电路作用到所述第一量子态得到新的第一量子态,以及作用到所述第二量子态得到新的第二量子态;
投影算子确定单元403,用于确定k个两两之间正交的量子态,以作为k个投影算子,所述k为大于等于1的正整数;
测量结果获取单元404,用于获取基于所述投影算子进行投影测量后所得到的第一测量结果和第二测量结果,其中,所述第一测量结果是基于所述投影算子对所述新的第一量子态进行投影测量后所得到的,所述第二测量结果是基于所述投影算子对所述新的第二量子态进行投影测量后所得到的;
距离确定单元405,用于至少基于所述第一测量结果和所述第二测量结果得到所述第一量子态和所述第二量子态之间的迹距离。
在本申请方案的一具体示例中,所述距离确定单元,还用于:
调整所述参数化量子电路的参数值来最小化总损失函数,其中,所述总损失函数是累加k个所述第一测量结果、以及累加k个所述第二测量结果后所得到的;将所述总损失函数的最小函数值作为所述第一量子态和所述第二量子态之间的迹距离。
在本申请方案的一具体示例中,所述k与所述第一量子态与所述第二量子态之差后所对应的正特征值的数量相关。
在本申请方案的一具体示例中,所述k是基于所述第一量子态的秩与所述第二量子态的秩进行比较后的比较结果而确定出的。
在本申请方案的一具体示例中,所述距离确定单元,还用于:
调整所述参数化量子电路的参数值来最大化总的第一测量结果与总的第二测量结果之间的差值,以得到所述第一量子态和第二量子态之间的迹距离,其中,所述总的第一测量结果是基于各所述投影算子所对应的所述第一测量结果而得到的,所述总的第二测量结果是基于各所述投影算子所对应的所述第二测量结果而得到的。
在本申请方案的一具体示例中,还包括:初始值处理单元;其中,
所述初始值处理单元,用于为k设置初始值,其中,调整所述k的值能够调整所述第一测量结果和所述第二测量结果;
所述距离确定单元,还用于调整所述k的值,以及调整所述参数化量子电路的参数值,来最大化所述总的第一测量结果和所述总的第二测量结果之间的差值,并将最大差值作为所述第一量子态和所述第二量子态之间的迹距离。
在本申请方案的一具体示例中,分别作用于所述第一量子态和所述第二量子态的所述参数化量子电路的参数值相同。
在本申请方案的一具体示例中,所述参数化量子电路包括若干个单量子比特旋转门和受控反闸门,所述参数化量子电路的参数至少包含旋转角度。
根据本申请实施例的技术方案,通过利用投影算子,以及可以进行参数调整的参数化量子电路,来得到待进行距离度量的第一量子态和第二量子态之间的迹距离,实现了高效精确度量两个量子态之间不同,为后续量子信息的处理奠定了基础。
而且,上述过程能够在量子设备上运行,所述的参数化量子电路也是近期量子设备所能提供的,如此,解决现有仅能在理论上实现但在实践应用中无法有效度量两个量子态之间距离的问题。
需要说明的是,上述各单元通过量子硬件来实现。本发明实施例各量子设备中各单元的功能可以参见上述方法中的对应描述,在此不再赘述。
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 (16)
1.一种量子数据间距离的确定方法,包括:
确定待处理的第一量子态和第二量子态;
将参数化量子电路作用到所述第一量子态得到新的第一量子态,以及作用到所述第二量子态得到新的第二量子态;
确定k个两两之间正交的量子态,以作为k个投影算子,所述k为大于等于1的正整数;
获取基于所述投影算子进行投影测量后所得到的第一测量结果和第二测量结果,其中,所述第一测量结果是基于所述投影算子对所述新的第一量子态进行投影测量后所得到的,所述第二测量结果是基于所述投影算子对所述新的第二量子态进行投影测量后所得到的;
至少基于所述第一测量结果和所述第二测量结果得到所述第一量子态和所述第二量子态之间的迹距离。
2.根据权利要求1所述的方法,其中,所述至少基于所述第一测量结果和所述第二测量结果得到所述第一量子态和所述第二量子态之间的迹距离,包括:
调整所述参数化量子电路的参数值来最小化总损失函数,其中,所述总损失函数是累加k个所述第一测量结果、以及累加k个所述第二测量结果后所得到的;
将所述总损失函数的最小函数值作为所述第一量子态和所述第二量子态之间的迹距离。
3.根据权利要求1或2所述的方法,其中,所述k与所述第一量子态与所述第二量子态之差后所对应的正特征值的数量相关。
4.根据权利要求3所述的方法,其中,所述k是基于所述第一量子态的秩与所述第二量子态的秩进行比较后的比较结果而确定出的。
5.根据权利要求1所述的方法,其中,所述至少基于所述第一测量结果和所述第二测量结果得到所述第一量子态和所述第二量子态之间的迹距离,包括:
调整所述参数化量子电路的参数值来最大化总的第一测量结果与总的第二测量结果之间的差值,以得到所述第一量子态和第二量子态之间的迹距离,其中,所述总的第一测量结果是基于各所述投影算子所对应的所述第一测量结果而得到的,所述总的第二测量结果是基于各所述投影算子所对应的所述第二测量结果而得到的。
6.根据权利要求5所述的方法,还包括:
为k设置初始值,其中,调整所述k的值能够调整所述第一测量结果和所述第二测量结果;
所述调整所述参数化量子电路的参数值来最大化总的第一测量结果与总的第二测量结果之间的差值,以得到所述第一量子态和第二量子态之间的迹距离,包括:
调整所述k的值,以及调整所述参数化量子电路的参数值,来最大化所述总的第一测量结果和所述总的第二测量结果之间的差值,并将最大差值作为所述第一量子态和所述第二量子态之间的迹距离。
7.根据权利要求1所述的方法,其中,分别作用于所述第一量子态和所述第二量子态的所述参数化量子电路的参数值相同。
8.根据权利要求1或7所述的方法,其中,所述参数化量子电路包括若干个单量子比特旋转门和受控反闸门,所述参数化量子电路的参数至少包含旋转角度。
9.一种量子设备,包括:
确定单元,用于确定待处理的第一量子态和第二量子态;
参数化电路控制单元,用于将参数化量子电路作用到所述第一量子态得到新的第一量子态,以及作用到所述第二量子态得到新的第二量子态;
投影算子确定单元,用于确定k个两两之间正交的量子态,以作为k个投影算子,所述k为大于等于1的正整数;
测量结果获取单元,用于获取基于所述投影算子进行投影测量后所得到的第一测量结果和第二测量结果,其中,所述第一测量结果是基于所述投影算子对所述新的第一量子态进行投影测量后所得到的,所述第二测量结果是基于所述投影算子对所述新的第二量子态进行投影测量后所得到的;
距离确定单元,用于至少基于所述第一测量结果和所述第二测量结果得到所述第一量子态和所述第二量子态之间的迹距离。
10.根据权利要求9所述的量子设备,其中,所述距离确定单元,还用于:
调整所述参数化量子电路的参数值来最小化总损失函数,其中,所述总损失函数是累加k个所述第一测量结果、以及累加k个所述第二测量结果后所得到的;将所述总损失函数的最小函数值作为所述第一量子态和所述第二量子态之间的迹距离。
11.根据权利要求9或10所述的量子设备,其中,所述k与所述第一量子态与所述第二量子态之差后所对应的正特征值的数量相关。
12.根据权利要求11所述的量子设备,其中,所述k是基于所述第一量子态的秩与所述第二量子态的秩进行比较后的比较结果而确定出的。
13.根据权利要求9所述的量子设备,其中,所述距离确定单元,还用于:
调整所述参数化量子电路的参数值来最大化总的第一测量结果与总的第二测量结果之间的差值,以得到所述第一量子态和第二量子态之间的迹距离,其中,所述总的第一测量结果是基于各所述投影算子所对应的所述第一测量结果而得到的,所述总的第二测量结果是基于各所述投影算子所对应的所述第二测量结果而得到的。
14.根据权利要求13所述的量子设备,还包括:初始值处理单元;其中,
所述初始值处理单元,用于为k设置初始值,其中,调整所述k的值能够调整所述第一测量结果和所述第二测量结果;
所述距离确定单元,还用于调整所述k的值,以及调整所述参数化量子电路的参数值,来最大化所述总的第一测量结果和所述总的第二测量结果之间的差值,并将最大差值作为所述第一量子态和所述第二量子态之间的迹距离。
15.根据权利要求9所述的量子设备,其中,分别作用于所述第一量子态和所述第二量子态的所述参数化量子电路的参数值相同。
16.根据权利要求9或15所述的量子设备,其中,所述参数化量子电路包括若干个单量子比特旋转门和受控反闸门,所述参数化量子电路的参数至少包含旋转角度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011420848.1A CN112633509B (zh) | 2020-12-08 | 2020-12-08 | 量子数据间距离的确定方法及量子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011420848.1A CN112633509B (zh) | 2020-12-08 | 2020-12-08 | 量子数据间距离的确定方法及量子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112633509A CN112633509A (zh) | 2021-04-09 |
CN112633509B true CN112633509B (zh) | 2021-07-13 |
Family
ID=75308588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011420848.1A Active CN112633509B (zh) | 2020-12-08 | 2020-12-08 | 量子数据间距离的确定方法及量子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633509B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114021728B (zh) * | 2021-11-04 | 2023-02-03 | 北京百度网讯科技有限公司 | 量子数据测量方法及系统、电子设备和介质 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106445883A (zh) * | 2016-09-29 | 2017-02-22 | 浙江工商大学 | 基于半定规划的贝尔对角态的量子导向 |
CN106650808A (zh) * | 2016-12-20 | 2017-05-10 | 北京工业大学 | 一种基于量子近邻算法的图像分类方法 |
CN108234028A (zh) * | 2017-12-19 | 2018-06-29 | 复旦大学 | 一种光量子ofdm通信系统及其量子信息检测方法 |
CN109004916A (zh) * | 2018-07-10 | 2018-12-14 | 中国科学技术大学 | 量子状态滤波器及相关方法 |
CN109257107B (zh) * | 2018-10-23 | 2020-06-30 | 广西民族大学 | 一种光量子态的可控远程操控方法 |
CN110210067B (zh) * | 2019-05-08 | 2023-04-25 | 合肥本源量子计算科技有限责任公司 | 一种基于测量轨迹的阈值直线确定方法、装置 |
CN110674921A (zh) * | 2019-07-11 | 2020-01-10 | 中国科学技术大学 | 构建基于经典训练的量子前馈神经网络的方法 |
CN110738320B (zh) * | 2019-10-11 | 2022-11-22 | 北京百度网讯科技有限公司 | 一种超导电路结构及超导量子芯片、超导量子计算机 |
CN111461334B (zh) * | 2020-03-30 | 2021-10-15 | 北京百度网讯科技有限公司 | 量子电路的处理方法、装置及设备 |
CN111598249B (zh) * | 2020-05-19 | 2021-09-07 | 北京百度网讯科技有限公司 | 确定近似量子门的方法、装置、经典计算机和存储介质 |
CN111931350B (zh) * | 2020-07-15 | 2021-09-07 | 北京百度网讯科技有限公司 | 超导电路中量子门的评估方法及装置、设备、存储介质 |
-
2020
- 2020-12-08 CN CN202011420848.1A patent/CN112633509B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112633509A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu | Gaussian graphical model estimation with false discovery rate control | |
Kai et al. | New efficient estimation and variable selection methods for semiparametric varying-coefficient partially linear models | |
Chang et al. | Local independence feature screening for nonparametric and semiparametric models by marginal empirical likelihood | |
Jin et al. | On factor models with random missing: Em estimation, inference, and cross validation | |
Wang et al. | Nonparametric estimation of large covariance matrices with conditional sparsity | |
CN112418387A (zh) | 量子数据处理方法及设备 | |
CN112633510B (zh) | 量子数据间距离的确定方法及量子设备 | |
Cook et al. | Fast envelope algorithms | |
CN112633509B (zh) | 量子数据间距离的确定方法及量子设备 | |
Donoho et al. | Compressed sensing over ℓ p-balls: Minimax mean square error | |
Zheng et al. | Hypothesis testing on linear structures of high dimensional covariance matrix | |
Cisneros-Velarde et al. | Distributionally robust formulation and model selection for the graphical lasso | |
Qasim et al. | A new class of efficient and debiased two-step shrinkage estimators: method and application | |
CN108170648B (zh) | 一种基于已知数据回归的非高斯过程监测方法 | |
Lan et al. | Testing the diagonality of a large covariance matrix in a regression setting | |
Liu et al. | A test for equality of two distributions via jackknife empirical likelihood and characteristic functions | |
Hen | Excitation gap from optimized correlation functions in quantum Monte Carlo simulations | |
Shi et al. | An ADMM with continuation algorithm for non-convex SICA-penalized regression in high dimensions | |
Stott et al. | Widely linear complex partial least squares for latent subspace regression | |
CN109638811B (zh) | 基于模型等值的配电网电压功率灵敏度鲁棒估计方法 | |
CN111429979A (zh) | 一种基于支持向量机分位数回归的钢材力学性能预测方法 | |
Ramasamy et al. | Comparative analysis of select techniques and metrics for data reconciliation in smart energy distribution network | |
CN115577789A (zh) | 量子纠缠程度确定方法、装置、设备及存储介质 | |
Phillips | Reduced forms and weak instrumentation | |
Zhuang et al. | Sample mean versus sample Fréchet mean for combining complex Wishart matrices: A statistical study |
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 |