CN112633510B - 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 PDF

Info

Publication number
CN112633510B
CN112633510B CN202011422040.7A CN202011422040A CN112633510B CN 112633510 B CN112633510 B CN 112633510B CN 202011422040 A CN202011422040 A CN 202011422040A CN 112633510 B CN112633510 B CN 112633510B
Authority
CN
China
Prior art keywords
quantum
new
state
loss function
state information
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
Application number
CN202011422040.7A
Other languages
English (en)
Other versions
CN112633510A (zh
Inventor
王鑫
陈然一鎏
赵炫强
宋旨欣
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 CN202011422040.7A priority Critical patent/CN112633510B/zh
Publication of CN112633510A publication Critical patent/CN112633510A/zh
Application granted granted Critical
Publication of CN112633510B publication Critical patent/CN112633510B/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)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请公开了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：确定待处理的第一系统制备出的第一量子态和第二系统制备出的第二量子态；将辅助量子比特分别添加到所述第一系统和所述第二系统上，分别得新的第一系统和新的第二系统；将参数化量子电路分别作用到所述新的第一系统和所述新的第二系统中；基于所述新的第一系统中所述辅助量子比特的状态信息以及所述新的第二系统中所述辅助量子比特的状态信息，来调整所述参数化量子电路的参数值，以确定出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

量子数据间距离的确定方法及量子设备
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
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：
确定待处理的第一系统制备出的第一量子态和第二系统制备出的第二量子态；
将辅助量子比特分别添加到所述第一系统和所述第二系统上，分别得新的第一系统和新的第二系统；
将参数化量子电路分别作用到所述新的第一系统和所述新的第二系统中；
基于所述新的第一系统中所述辅助量子比特的状态信息以及所述新的第二系统中所述辅助量子比特的状态信息，来调整所述参数化量子电路的参数值，以确定出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系统制备出的第一量子态和第二系统制备出的第二量子态；
系统调整单元，用于将辅助量子比特分别添加到所述第一系统和所述第二系统上，分别得新的第一系统和新的第二系统；
参数化电路控制单元，用于将参数化量子电路分别作用到所述新的第一系统和所述新的第二系统中；
距离确定单元，用于基于所述新的第一系统中所述辅助量子比特的状态信息以及所述新的第二系统中所述辅助量子比特的状态信息，来调整所述参数化量子电路的参数值，以确定出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：
给定可以读取的量子态ρ和量子态σ，目标是通过量子硬件测量出量子态ρ和量子态σ之间的迹距离
Figure BDA0002822813800000031
从而来衡量两个量子态的不同，其中||X||1代表一个矩阵X的迹范数(trace norm)。
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。
现有技术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，且整个方案流程简单，实用性强。
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：确定待处理的第一系统制备出的第一量子态和第二系统制备出的第二量子态。
步骤S102：将辅助量子比特分别添加到所述第一系统和所述第二系统上，分别得新的第一系统和新的第二系统。这里，所述新的第一系统和新的第二系统中均包含有该辅助量子比特。
步骤S103：将参数化量子电路分别作用到所述新的第一系统和所述新的第二系统中。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系统，比如，第一个参数化量子电路作用到第一系统中，得到新的第一系统，第二个参数化量子电路作用到第二系统中，得到新的第二系统。
步骤S104：基于所述新的第一系统中所述辅助量子比特的状态信息以及所述新的第二系统中所述辅助量子比特的状态信息，来调整所述参数化量子电路的参数值，以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，通过利用辅助量子比特，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。
需要说明的是，上述过程能够在量子设备上运行，而且，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，本申请方案对第一系统和第二系统不作限制，只要是能够制备出量子态的量子系统即可。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。
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新系统中的辅助量子比特的状态信息，具体地，确定预设的投影算子；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，其中，所述第一测量结果表征基于所述投影算子对所述新的第一系统中所述辅助量子比特进行投影测量后的结果；所述第二测量结果表征所述投影算子对所述新的第二系统中所述辅助量子比特进行投影测量后的结果；将所述第一测量结果作为所述新的第一系统中所述辅助量子比特的状态信息，以及将所述第二测量结果作为所述新的第二系统中所述辅助量子比特的状态信息。
这里，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。
举例来说，选择预设的投影算子M＝|0><0|，并基于该投影算子，分别对新系统(即新的第一系统，或新的第二系统)中辅助量子比特进行投影测量后，得到第一测量结果和第二测量结果，该第一测量结果即可直接作为所述新的第一系统中所述辅助量子比特的状态信息，同理，所述第二测量结果也可直接作为所述新的第二系统中所述辅助量子比特的状态信息。
这样，为后续精确度量出两个量子态之间的距离奠定了基础；而且，上述处理过程简单，实用性强，为降低量子计算的成本奠定了基础。
在本申请方案的一具体示例中，可以采用如下方式得到迹距离，具体地，上述基于所述新的第一系统中所述辅助量子比特的状态信息以及所述新的第二系统中所述辅助量子比特的状态信息，来调整所述参数化量子电路的参数值，以确定出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：基于所述新的第一系统中所述辅助量子比特的状态信息，以及所述新的第二系统中所述辅助量子比特的状态信息，得到总损失函数，其中，所述总损失函数包含第一损失函数和第二损失函数，所述第一损失函数是基于所述新的第一系统中所述辅助量子比特的状态信息而得到的，所述第二损失函数是基于所述新的第二系统中所述辅助量子比特的状态信息而得到的；基于所述总损失函数的最小函数值确定出所述第一量子态和所述第二量子态之间的迹距离，其中，所述最小函数值是通过调整所述参数化量子电路的参数值以最小化所述总损失函数的过程中得到的。也就是说，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。
这里，实际应用中，本示例的状态信息可以具体为上述利用投影算子进行投影测量后得到的测量结果；此时，所述总损失函数即时基于第一测量结果和第二测量结果而得到的。
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，进而确定出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，在对总损失函数进行最小化处理后，可以直接基于所述总损失函数的最小函数值来得到所述第一量子态和所述第二量子态之间的迹距离，即上述基于所述总损失函数的最小函数值确定出所述第一量子态和所述第二量子态之间的迹距离，包括：将所述总损失函数的最小函数值的绝对值作为所述第一量子态和所述第二量子态之间的迹距离。如此，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。
在本申请方案的一具体示例中，分别作用于所述新的第一系统和所述新的第二系统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，分别作用于新的第一系统和新的第二系统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，再后续基于总损失函数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，通过利用辅助量子比特，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。
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。特别的，在测量方面，本申请方案只需要测量一个辅助量子比特，即在测量方面的资源消耗是非常少的，这也意味着本申请方案在近期的量子设备上有着较好的实用性。
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ρA和σA之间的迹距离
Figure BDA0002822813800000071
的问题转化成寻找ρA-σA所有正特征值D(ρA，σA)＝∑λj之和的优化问题，这里，λj表示ρA-σA的第j个正特征值。具体的，本申请方案通过对量子态ρA和σA各自对应的系统，引入一个额外的辅助量子比特R来将原系统拓展至ρAR和σAR，并引入总损失函数L＝-(L1+L2)，其中，
Figure BDA0002822813800000072
Figure BDA0002822813800000073
这里，需要说明的是，上述公式中，括号后面右下角标R代表引入一个额外的辅助量子比特R后形成的新系统中，该辅助量子比特R所对应的子系统上的态。Tr是矩阵的迹。上述两项可以通过对形成的新的量子系统作用量子神经网络，然后对作用量子神经网络后的新的量子系统中的辅助量子比特R进行投影测量而得到。
进一步地，对总损失函数进行优化，得到的总损失函数最小值的绝对值即为目标求解的迹距离|Lmin|＝D(ρA，σA)＝∑λj。
需要说明的是，本申请方案的工作原理大致总结如下：
首先，迹距离
Figure BDA0002822813800000081
等于ρ-σ的正特征值之和；其次，量子神经网络输出的单量子比特(对应本申请方案的辅助量子比特)的测量值的期望不大于ρ-σ的前一半特征值之和。如此，通过训练量子神经网络即可计算出迹距离D(ρ，σ)。最后，为使ρ-σ的正特征值之和恰好等于ρ-σ的前一半特征值之和，本申请方案引入一个辅助量子比特，因为引入一个辅助量子比特相当于给ρ-σ加入为0的特征值。
如图2以及图3所示，具体步骤包括：
步骤1：准备两个相同的量子神经网络，即可调节参数的参数化量子电路，例如，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ρA和σA。
将ρA和σA分别对应的系统均记作系统A。这里，需要说明的是，由于两个量子态ρA和σA不同，所以，两个量子态ρA和σA对应的系统也不同，而为便于后续描述，将每个量子态对应的系统均记为系统A，但需要注意的是，量子态ρA对应的系统A(也即制备出量子态ρA的系统)，和量子态σA对应的系统A(也即制备出量子态σA的系统)不同。
步骤2：对量子态ρA对应的系统和σA对应的系统分别添加一个辅助量子比特R，将原系统拓展至
Figure BDA0002822813800000082
和
Figure BDA0002822813800000083
这里，为了区分，将辅助量子比特所在的子系统均记作系统R。其中，ρAR指量子态ρA对应的系统添加一个辅助量子比特R后所对应的量子态，σAR指量子态σA对应的系统添加一个辅助量子比特R后所对应的量子态。
步骤3：将步骤1准备的相同参数的参数化量子电路U(θ)分别作用在ρAR对应的系统和σAR对应的系统上，并分别得到作用后的量子态
Figure BDA0002822813800000091
和
Figure BDA0002822813800000092
其中，
Figure BDA00028228138000000911
运算表示共轭转置。
步骤4：利用量子测量设备，分别对得到的量子态
Figure BDA0002822813800000093
对应的系统和
Figure BDA0002822813800000094
对应的系统中辅助量子比特R进行投影测量，比如，使用的投影算子M＝|0><0|，得到
Figure BDA0002822813800000095
和
Figure BDA0002822813800000096
这里，
Figure BDA0002822813800000097
表征
Figure BDA0002822813800000098
对应的系统中辅助量子比特R所对应的量子态，以及
Figure BDA0002822813800000099
表征
Figure BDA00028228138000000910
对应的系统中辅助量子比特R所对应的量子态。进而计算最终的总损失函数L＝-(L1+L2)。
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，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ρA和σA之间的迹距离D(ρA，σA)。
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单比特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门的性质作任何限制，也即无需对待度量的量子态对应的量子比特的性质作任何限制，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系统制备出的第一量子态和第二系统制备出的第二量子态；
系统调整单元402，用于将辅助量子比特分别添加到所述第一系统和所述第二系统上，分别得新的第一系统和新的第二系统；
参数化电路控制单元403，用于将参数化量子电路分别作用到所述新的第一系统和所述新的第二系统中；
距离确定单元404，用于基于所述新的第一系统中所述辅助量子比特的状态信息以及所述新的第二系统中所述辅助量子比特的状态信息，来调整所述参数化量子电路的参数值，以确定出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，还包括：
投影算子确定单元，用于确定预设的投影算子；
测量结果处理单元，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，所述第一测量结果表征基于所述投影算子对所述新的第一系统中所述辅助量子比特进行投影测量后的结果；所述第二测量结果表征所述投影算子对所述新的第二系统中所述辅助量子比特进行投影测量后的结果；将所述第一测量结果作为所述新的第一系统中所述辅助量子比特的状态信息，以及将所述第二测量结果作为所述新的第二系统中所述辅助量子比特的状态信息。
在本申请方案的一具体示例中，所述距离确定单元，包括：
损失函数确定子单元，用于基于所述新的第一系统中所述辅助量子比特的状态信息，以及所述新的第二系统中所述辅助量子比特的状态信息，得到总损失函数，其中，所述总损失函数包含第一损失函数和第二损失函数，所述第一损失函数是基于所述新的第一系统中所述辅助量子比特的状态信息而得到的，所述第二损失函数是基于所述新的第二系统中所述辅助量子比特的状态信息而得到的；
距离确定子单元，用于基于所述总损失函数的最小函数值确定出所述第一量子态和所述第二量子态之间的迹距离，其中，所述最小函数值是通过调整所述参数化量子电路的参数值以最小化所述总损失函数的过程中得到的。
在本申请方案的一具体示例中，所述距离确定子单元，还用于将所述总损失函数的最小函数值的绝对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，分别作用于所述新的第一系统和所述新的第二系统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。
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。
根据本申请实施例的技术方案，通过利用辅助量子比特，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。
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)

1.一种量子数据间距离的确定方法，包括：
确定待处理的第一系统制备出的第一量子态和第二系统制备出的第二量子态；
将辅助量子比特分别添加到所述第一系统和所述第二系统上，分别得新的第一系统和新的第二系统；
将参数化量子电路分别作用到所述新的第一系统和所述新的第二系统中；
基于所述新的第一系统中所述辅助量子比特的状态信息以及所述新的第二系统中所述辅助量子比特的状态信息，来调整所述参数化量子电路的参数值，以确定出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，还包括：
确定预设的投影算子；
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，其中，所述第一测量结果表征基于所述投影算子对所述新的第一系统中所述辅助量子比特进行投影测量后的结果；所述第二测量结果表征所述投影算子对所述新的第二系统中所述辅助量子比特进行投影测量后的结果；
将所述第一测量结果作为所述新的第一系统中所述辅助量子比特的状态信息，以及将所述第二测量结果作为所述新的第二系统中所述辅助量子比特的状态信息。
3.根据权利要求1或2所述的方法，其中，基于所述新的第一系统中所述辅助量子比特的状态信息以及所述新的第二系统中所述辅助量子比特的状态信息，来调整所述参数化量子电路的参数值，以确定出所述第一量子态和所述第二量子态之间的迹距离，包括：
基于所述新的第一系统中所述辅助量子比特的状态信息，以及所述新的第二系统中所述辅助量子比特的状态信息，得到总损失函数，其中，所述总损失函数包含第一损失函数和第二损失函数，所述第一损失函数是基于所述新的第一系统中所述辅助量子比特的状态信息而得到的，所述第二损失函数是基于所述新的第二系统中所述辅助量子比特的状态信息而得到的；
基于所述总损失函数的最小函数值确定出所述第一量子态和所述第二量子态之间的迹距离，其中，所述最小函数值是通过调整所述参数化量子电路的参数值以最小化所述总损失函数的过程中得到的。
4.根据权利要求3所述的方法，其中，所述基于所述总损失函数的最小函数值确定出所述第一量子态和所述第二量子态之间的迹距离，包括：
将所述总损失函数的最小函数值的绝对值作为所述第一量子态和所述第二量子态之间的迹距离。
5.根据权利要求1所述的方法，其中，分别作用于所述新的第一系统和所述新的第二系统的所述参数化量子电路的参数值相同。
6.根据权利要求1或5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。
7.一种量子设备，包括：
确定单元，用于确定待处理的第一系统制备出的第一量子态和第二系统制备出的第二量子态；
系统调整单元，用于将辅助量子比特分别添加到所述第一系统和所述第二系统上，分别得新的第一系统和新的第二系统；
参数化电路控制单元，用于将参数化量子电路分别作用到所述新的第一系统和所述新的第二系统中；
距离确定单元，用于基于所述新的第一系统中所述辅助量子比特的状态信息以及所述新的第二系统中所述辅助量子比特的状态信息，来调整所述参数化量子电路的参数值，以确定出所述第一量子态和所述第二量子态之间的迹距离。
8.根据权利要求7所述的量子设备，还包括：
投影算子确定单元，用于确定预设的投影算子；
测量结果处理单元，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，所述第一测量结果表征基于所述投影算子对所述新的第一系统中所述辅助量子比特进行投影测量后的结果；所述第二测量结果表征所述投影算子对所述新的第二系统中所述辅助量子比特进行投影测量后的结果；将所述第一测量结果作为所述新的第一系统中所述辅助量子比特的状态信息，以及将所述第二测量结果作为所述新的第二系统中所述辅助量子比特的状态信息。
9.根据权利要求7或8所述的量子设备，其中，所述距离确定单元，包括：
损失函数确定子单元，用于基于所述新的第一系统中所述辅助量子比特的状态信息，以及所述新的第二系统中所述辅助量子比特的状态信息，得到总损失函数，其中，所述总损失函数包含第一损失函数和第二损失函数，所述第一损失函数是基于所述新的第一系统中所述辅助量子比特的状态信息而得到的，所述第二损失函数是基于所述新的第二系统中所述辅助量子比特的状态信息而得到的；
距离确定子单元，用于基于所述总损失函数的最小函数值确定出所述第一量子态和所述第二量子态之间的迹距离，其中，所述最小函数值是通过调整所述参数化量子电路的参数值以最小化所述总损失函数的过程中得到的。
10.根据权利要求9所述的量子设备，其中，所述距离确定子单元，还用于将所述总损失函数的最小函数值的绝对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7所述的量子设备，其中，分别作用于所述新的第一系统和所述新的第二系统的所述参数化量子电路的参数值相同。
12.根据权利要求7或11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。
CN202011422040.7A 2020-12-08 2020-12-08 量子数据间距离的确定方法及量子设备 Active CN112633510B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011422040.7A CN112633510B (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
CN202011422040.7A CN112633510B (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
CN112633510A CN112633510A (zh) 2021-04-09
CN112633510B true CN112633510B (zh) 2021-07-13

Family

ID=75308552

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011422040.7A Active CN112633510B (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) CN112633510B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807525B (zh) * 2021-09-22 2022-05-27 北京百度网讯科技有限公司 量子电路操作方法及装置、电子设备和介质
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
CN117765481B (zh) * 2024-02-22 2024-05-31 山东金桥保安器材有限公司 集成多源数据的电力系统火灾智慧预警方法及系统
CN117974816B (zh) * 2024-03-29 2024-06-25 苏州元脑智能科技有限公司 选取数据编码方式的方法、装置、计算机设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110073373A (zh) * 2016-12-08 2019-07-30 微软技术许可有限责任公司 经由量子玻尔兹曼训练进行断层摄影和生成数据建模
CN110097014A (zh) * 2019-05-08 2019-08-06 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量子比特读取信号处理方法
CN110582786A (zh) * 2017-03-20 2019-12-17 微软技术许可有限责任公司 以低空间开销和渐近输入计数进行魔幻态纯化
CN111563186A (zh) * 2020-04-30 2020-08-21 北京百度网讯科技有限公司 量子数据存储方法、读取方法、装置及计算设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110073373A (zh) * 2016-12-08 2019-07-30 微软技术许可有限责任公司 经由量子玻尔兹曼训练进行断层摄影和生成数据建模
CN110582786A (zh) * 2017-03-20 2019-12-17 微软技术许可有限责任公司 以低空间开销和渐近输入计数进行魔幻态纯化
CN110097014A (zh) * 2019-05-08 2019-08-06 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量子比特读取信号处理方法
CN111563186A (zh) * 2020-04-30 2020-08-21 北京百度网讯科技有限公司 量子数据存储方法、读取方法、装置及计算设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一类量子态的迹距离相干度量的最优化证明方法;王珍 等;《一类量子态的迹距离相干度量的最优化证明方法》;20160930;第46卷(第18期);全文 *
量子信息论中的投影测量研究;高晶亮;《中国博士学位论文全文数据库信息科技辑》;20160315(第3期);全文 *

Also Published As

Publication number Publication date
CN112633510A (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
CN112633510B (zh) 量子数据间距离的确定方法及量子设备
CN113496285B (zh) 基于量子电路的数据处理方法及装置、电子设备和介质
Chesher et al. Asymptotic expansions of the information matrix test statistic
CN114202072A (zh) 量子体系下的期望值估计方法及系统
CN112418387A (zh) 量子数据处理方法及设备
CN112633509B (zh) 量子数据间距离的确定方法及量子设备
Li et al. Event-triggered distributed fusion estimation with random transmission delays
Xu et al. A novel penalized inverse‐variance weighted estimator for Mendelian randomization with applications to COVID‐19 outcomes
Xia et al. Jump information criterion for statistical inference in estimating discontinuous curves
CN112529193A (zh) 基于量子系统的数据处理方法及量子设备
CN115577789B (zh) 量子纠缠程度确定方法、装置、设备及存储介质
Li et al. Local composite quantile regression smoothing for Harris recurrent Markov processes
Long et al. Nadaraya-Watson estimator for stochastic processes driven by stable Lévy motions
CN108170648B (zh) 一种基于已知数据回归的非高斯过程监测方法
CN115577781B (zh) 量子相对熵确定方法、装置、设备及存储介质
Ramasamy et al. Comparative analysis of select techniques and metrics for data reconciliation in smart energy distribution network
Stott et al. Widely linear complex partial least squares for latent subspace regression
CN107132500A (zh) 一种同步相量测量单元在线校准方法与装置
Xi et al. Fault diagnosis and fault-tolerant control for system with fast time-varying delay
CN115577786B (zh) 量子熵确定方法、装置、设备及存储介质
CN115329971B (zh) 消除振幅阻尼噪声的方法及装置、电子设备和介质
Li et al. On surrogate dimension reduction for measurement error regression: an invariance law
Wang et al. A bent line Tobit regression model with application to household financial assets
Zhang et al. Functional test for high-dimensional covariance matrix, with application to mitochondrial calcium concentration
Fu et al. Variational adaptive Kalman filter for unknown measurement loss and inaccurate noise statistics

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