CN112668242A - 量子控制波形的优化方法、装置、计算机设备及存储介质 - Google Patents
量子控制波形的优化方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112668242A CN112668242A CN202110006995.2A CN202110006995A CN112668242A CN 112668242 A CN112668242 A CN 112668242A CN 202110006995 A CN202110006995 A CN 202110006995A CN 112668242 A CN112668242 A CN 112668242A
- Authority
- CN
- China
- Prior art keywords
- waveform
- target
- loss function
- frequency domain
- gradient
- 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 67
- 238000005457 optimization Methods 0.000 title claims abstract description 34
- 238000011478 gradient descent method Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 82
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 239000002609 medium Substances 0.000 description 20
- 230000008569 process Effects 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000004069 differentiation Effects 0.000 description 7
- 238000001914 filtration Methods 0.000 description 6
- 239000002096 quantum dot Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 241000219095 Vitis Species 0.000 description 4
- 235000009754 Vitis X bourquina Nutrition 0.000 description 4
- 235000012333 Vitis X labruscana Nutrition 0.000 description 4
- 235000014787 Vitis vinifera Nutrition 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000009795 derivation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Landscapes
- Superconductor Devices And Manufacturing Methods Thereof (AREA)
Abstract
本发明实施例公开了一种量子控制波形的优化方法、装置、计算机设备及存储介质。该方法包括：对量子逻辑门的预设起始波形进行傅里叶变换，以得到预设起始波形的频域数据；根据预设带宽限制条件对频域数据进行带宽限制，以得到目标频域数据；对目标频域数据进行傅里叶逆变换，以得到目标波形；对目标波形进行量子动力学演化，并计算量子逻辑门的损失函数；将损失函数对目标波形利用神经网络进行自动微分，以获得损失函数的梯度；根据损失函数以及梯度判断是否满足结束条件；若不满足，则基于目标波形，利用梯度下降法更新预设起始波形后重复上述方法；若满足，则将目标波形确定为优化后波形输出。从而获得频域可控的、平滑且可解析的量子控制波形。
Description
技术领域
本发明实施例涉及量子控制技术领域，尤其涉及一种量子控制波形的优化方法、装置、计算机设备及存储介质。
背景技术
量子计算机中的物理比特，比如超导量子比特或量子点等等，需要用到任意波形生成器产生调制的微波信号来对量子比特进行控制，从而实现各种各样的逻辑门操作。
控制波形的优化长期以来主要依赖基于梯度下降的GRAPE算法来获得，包括数值以及基于反馈的实验操作，这种算法需要以波形的离散时序幅值作为参数进行优化。目前这种算法存在很多问题，如优化的参数空间非常大，其维度与波形长度以及离散化的分辨率成正比，从而严重影响优化速率，而且优化所得的波形包含很多高频分量，无法用任意波形生成器生成，即不具备可操作性，其中的高频分量还很容易被高频噪声淹没，从而对普遍存在的高频噪声不具备鲁棒性。
针对GRAPE算法优化结果具有高频分量的问题，目前通常通过对优化结果进行后处理的高斯滤波来使结果平滑，但这种后处理得到的平滑波形并不是优化的结果，通常这种后处理会损失很大的逻辑门操作的正确性和鲁棒性，还有一种改进方案是通过对相邻离散时间点的幅值的差外加最大值限制来压制优化波形中的高频成分，但这种技术不仅不具备清晰的物理图像，而且在带宽上不具备直观的可控性，无法针对任意波形产生器进行带宽调节。
发明内容
本发明实施例提供一种量子控制波形的优化方法、装置、计算机设备及存储介质，以解决传统方法的频域不可控、波形平滑性差以及调节参数过多等问题。
第一方面，本发明实施例提供了一种量子控制波形的优化方法，该方法包括：
步骤A、对量子逻辑门的预设起始波形进行傅里叶变换，以得到所述预设起始波形的频域数据；
步骤B、根据预设带宽限制条件对所述频域数据进行带宽限制，以得到目标频域数据；
步骤C、对所述目标频域数据进行傅里叶逆变换，以得到目标波形；
步骤D、对所述目标波形进行量子动力学演化，并计算所述量子逻辑门的损失函数；
步骤E、将所述损失函数对所述目标波形利用神经网络进行自动微分，以获得所述损失函数的梯度；
步骤F、根据所述损失函数以及所述梯度判断是否满足结束条件；若不满足，则基于所述目标波形，利用梯度下降法更新所述预设起始波形，并返回执行步骤A；若满足，则将所述目标波形确定为优化后波形输出。
第二方面，本发明实施例还提供了一种量子控制波形的优化装置，该装置包括：
频域数据获得模块，用于对量子逻辑门的预设起始波形进行傅里叶变换，以得到所述预设起始波形的频域数据；
带宽限制模块，用于根据预设带宽限制条件对所述频域数据进行带宽限制，以得到目标频域数据；
目标波形获得模块，用于对所述目标频域数据进行傅里叶逆变换，以得到目标波形；
损失函数计算模块，用于对所述目标波形进行量子动力学演化，并计算所述量子逻辑门的损失函数；
梯度获得模块，用于将所述损失函数对所述目标波形利用神经网络进行自动微分，以获得所述损失函数的梯度；
结束判断模块，用于根据所述损失函数以及所述梯度判断是否满足结束条件；若不满足，则基于所述目标波形，利用梯度下降法更新所述预设起始波形，并返回所述频域数据获得模块继续执行；若满足，则将所述目标波形确定为优化后波形输出。
第三方面，本发明实施例还提供了一种计算机设备，该计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所提供的量子控制波形的优化方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所提供的量子控制波形的优化方法。
本发明实施例提供了一种量子控制波形的优化方法，首先对预设起始波形进行傅里叶变换以得到对应的频域数据，进而在频域内对预设起始波形进行带宽限制并通过傅里叶逆变换得到目标波形，然后对目标波形进行量子动力学演化并计算逻辑门的损失函数，再利用神经网络将损失函数对目标波形进行自动微分以获得损失函数的梯度，当损失函数及其梯度满足结束条件时，则认为优化过程结束并将当前的目标波形确定为优化后波形进行输出，否则基于梯度下降法重复上述计算过程并再次判断。本发明实施例所提供的量子控制波形的优化方法，通过首先将预设起始波形变换到频域进行滤波，再结合梯度下降优化算法确定最终的优化后波形，使得参数空间的维度高度可控，参数数量不会随着波形长度增加而增加，同时可以将预设起始波形中的高频成分完全过滤，使得波形的平滑性更加容易调节，且与实际使用的波形生成器效果高度吻合，也更便于使用波形生成器生成所需的波形。
附图说明
图1为本发明实施例一提供的量子控制波形的优化方法的流程图；
图2为本发明实施例二提供的量子控制波形的优化装置的结构示意图；
图3为本发明实施例三提供的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一提供的量子控制波形的优化方法的流程图。本实施例可适用于生成用于量子比特控制的波形的情况，该方法可以由本发明实施例所提供的量子控制波形的优化装置来执行，该装置可以由硬件和/或软件的方式来实现，一般可集成于计算机设备中。如图1所示，具体包括如下步骤：
S11、对量子逻辑门的预设起始波形进行傅里叶变换，以得到预设起始波形的频域数据。
具体的，基于量子计算的理论推导，可以得到实现量子逻辑门的约束条件，并可以根据该约束条件设置对应的预设起始波形，以使预设起始波形具有较高的保真度。可选的，预设起始波形为有限傅里叶基矢函数。在确定了预设起始波形之后，首先对其进行傅里叶变换，从而可以将预设起始波形从时域变换到频域，即得到预设起始波形的频域数据，以便于将预设起始波形中的频率分离，实现信号处理的功能。
S12、根据预设带宽限制条件对频域数据进行带宽限制，以得到目标频域数据。
具体的，带宽限制即滤波，在本实施例中具体可以是低通滤波，通过对频域数据进行带宽限制，可以根据需要很方便的去除波形中的高频分量，即得到所需的目标频域数据。其中，预设带宽限制条件可以是用户设定的任意约束条件。可选的，在根据预设带宽限制条件对频域数据进行带宽限制，以得到目标频域数据之前，还包括：根据所使用的波形生成器的物理参数确定预设带宽限制条件。即预设带宽限制条件还可以是根据所使用的波形生成器的物理参数来确定，从而将频率限制在波形生成器可以生成的范围内，以便于后续使用波形生成器生成优化后波形对量子比特进行控制。其中，波形生成器可以是任意一种波形生成器。针对带宽限制的过程，在对预设起始波形进行傅里叶变换之后，即可获得预设起始波形的傅里叶级数，则带宽限制具体可以通过对所获得的傅里叶级数的系数进行高频截断处理来实现。
S13、对目标频域数据进行傅里叶逆变换，以得到目标波形。
具体的，对上述获得的目标频域数据进行傅里叶逆变换，可以将目标频域数据变换回时域，即可得到经过滤波后的目标波形。
S14、对目标波形进行量子动力学演化，并计算量子逻辑门的损失函数。
具体的，可以根据需求选择不同的量子动力学演化过程，示例性的，如闭合系统的薛定谔方程求解或者开放系统的主方程求解等等，方程求解可采用分段演化方法(PWC)和常微分方程方法(ODE)求解。下面以分段演化方法为例进行说明，首先给定系统的哈密顿量如下：
H(t)＝H0+μ(t)Hc
在常见的超导体系中两个transmon型量子比特通过谐振腔耦合，则描述该超导体系的哈密顿量H0可以表示为：
驱动哈密顿量Hc可以表示为：
其中，H(t)表示t时刻的哈密顿量，μ(t)表示目标波形，
和a分别表示计算量子比特a的升降算符，
和b分别表示计算量子比特b的升降算符，ωc表示腔频率，ωk表示比特频率，αk表示非谐性，gk表示耦合强度，ωd表示跃迁频率，i表示虚数，e表示自然常数。
则系统在tk时刻的演化算符为：
其中，i表示虚数，Δt表示相邻时刻之间的时间差。则最终的演化算符为：
UT＝UN*...Uk*...*U0
其中，N可以表示傅里叶级数的系数总数。在确定了最终的演化算符之后，即可根据最终的演化算符计算量子逻辑门的损失函数。可选的，损失函数为非保真度、演化时间或纠缠熵等等。以量子逻辑门的非保真度为例进行说明，非保真度的计算公式为：
其中，f表示非保真度，n表示量子比特能级，
和M分别表示计算量子比特M的升降算符，
Utar表示目标量子门，tr(·)表示求迹运算。
S15、将损失函数对目标波形利用神经网络进行自动微分，以获得损失函数的梯度。
经过以上处理后，损失函数与参数的函数关系变得非显示，并且很复杂，从而难以直接解析求导获得梯度，因此可以利用神经网络来实现自动微分的过程。可选的，将损失函数对目标波形利用神经网络进行自动微分，以获得损失函数的梯度，包括：利用Tensorflow或PyTorch的自动微分机制构建梯度磁带；根据梯度磁带计算梯度。具体的，可以利用Tensorflow或PyTorch框架下的自动微分机制构建梯度磁带，采用类似链式法则求导的方法，将损失函数对目标波形进行微分运算，从而获得损失函数的梯度。后续可以将该自动微分机制嵌入GRAPE算法中进行梯度下降优化，则每个梯度项均可以由自动微分工具提供，每个计算得到的梯度的精度接近解析求导的结果。
S16、根据损失函数以及梯度判断是否满足结束条件，若否，执行S17；若是，执行S18。
其中，可选的，结束条件包括：损失函数小于预设损失函数精度，或者梯度的模小于预设梯度精度。即在计算得到损失函数和损失函数的梯度之后，判断损失函数的值是否小于预设损失函数精度，以及判断梯度的模是否小于预设梯度精度。
S17、基于目标波形，利用梯度下降法更新预设起始波形，并返回执行S11。
具体的，若损失函数大于等于预设损失函数精度且梯度的模大于等于预设梯度精度，则说明尚未达到所期望的精度值，则此时可以进一步迭代优化，具体可以使用GRAPE算法对目标波形进行梯度下降，梯度下降的过程可以表示为：
其中，μ表示目标波形，α表示梯度下降的步长，f表示损失函数，
表示损失函数对目标波形的微分。迭代优化的过程即是将梯度下降后得到的波形替代上述的预设起始波形，并重复上述方法，即返回执行步骤S11，以得到新的目标波形，再针对新的目标波形进行判断。
S18、将目标波形确定为优化后波形输出。
具体的，若损失函数小于预设损失函数精度或者梯度的模小于预设梯度精度，则说明已经达到所期望的精度值，可以认定优化过程完成，则当前得到的目标波形即可作为最终平滑且无高频噪声的优化后波形输出。
在上述技术方案的基础上，可选的，在若不满足，则基于目标波形，利用梯度下降法更新预设起始波形之后，还包括：统计方法的迭代次数；若迭代次数达到预设迭代次数，则将更新后的预设起始波形确定为优化后波形输出，否则返回执行步骤S11。
具体的，在确定损失函数以及损失函数的梯度不满足结束条件之后，还可以进一步判断当前迭代次数是否达到预设迭代次数，具体可以在每次判断结束条件不满足之后，对当前迭代次数加一进行统计。对于本实施例所提出的方法，更希望通过尽可能少的迭代次数来达到足够高的精度，因此可以通过设置预设迭代次数，来权衡迭代次数与精度之间的关系，确定更加合适的结束点，从而避免因迭代次数过多而对优化效率造成的影响。
本发明实施例所提供的技术方案，首先对预设起始波形进行傅里叶变换以得到对应的频域数据，进而在频域内对预设起始波形进行带宽限制并通过傅里叶逆变换得到目标波形，然后对目标波形进行量子动力学演化并计算逻辑门的损失函数，再利用神经网络将损失函数对目标波形进行自动微分以获得损失函数的梯度，当损失函数及其梯度满足结束条件时，则认为优化过程结束并将当前的目标波形确定为优化后波形进行输出，否则基于梯度下降法重复上述计算过程并再次判断。通过首先将预设起始波形变换到频域进行滤波，再结合梯度下降优化算法确定最终的优化后波形，使得参数空间的维度高度可控，参数数量不会随着波形长度增加而增加，同时可以将预设起始波形中的高频成分完全过滤，使得波形的平滑性更加容易调节，且与实际使用的波形生成器效果高度吻合，也更便于使用波形生成器生成所需的波形。
实施例二
图2为本发明实施例二提供的量子控制波形的优化装置的结构示意图，该装置可以由硬件和/或软件的方式来实现，一般可集成于计算机设备中。如图2所示，该装置包括：
频域数据获得模块21，用于对量子逻辑门的预设起始波形进行傅里叶变换，以得到预设起始波形的频域数据；
带宽限制模块22，用于根据预设带宽限制条件对频域数据进行带宽限制，以得到目标频域数据；
目标波形获得模块23，用于对目标频域数据进行傅里叶逆变换，以得到目标波形；
损失函数计算模块24，用于对目标波形进行量子动力学演化，并计算量子逻辑门的损失函数；
梯度获得模块25，用于将损失函数对目标波形利用神经网络进行自动微分，以获得损失函数的梯度；
结束判断模块26，用于根据损失函数以及梯度判断是否满足结束条件；若不满足，则基于目标波形，利用梯度下降法更新预设起始波形，并返回频域数据获得模块继续执行；若满足，则将目标波形确定为优化后波形输出。
本发明实施例所提供的技术方案，首先对预设起始波形进行傅里叶变换以得到对应的频域数据，进而在频域内对预设起始波形进行带宽限制并通过傅里叶逆变换得到目标波形，然后对目标波形进行量子动力学演化并计算逻辑门的损失函数，再利用神经网络将损失函数对目标波形进行自动微分以获得损失函数的梯度，当损失函数及其梯度满足结束条件时，则认为优化过程结束并将当前的目标波形确定为优化后波形进行输出，否则基于梯度下降法重复上述计算过程并再次判断。通过首先将预设起始波形变换到频域进行滤波，再结合梯度下降优化算法确定最终的优化后波形，使得参数空间的维度高度可控，参数数量不会随着波形长度增加而增加，同时可以将预设起始波形中的高频成分完全过滤，使得波形的平滑性更加容易调节，且与实际使用的波形生成器效果高度吻合，也更便于使用波形生成器生成所需的波形。
在上述技术方案的基础上，可选的，该量子控制波形的优化装置，还包括：
迭代次数统计模块，用于在若不满足，则基于目标波形，利用梯度下降法更新预设起始波形之后，统计方法的迭代次数；
迭代次数判断模块，用于若迭代次数达到预设迭代次数，则将更新后的预设起始波形确定为优化后波形输出，否则返回频域数据获得模块21继续执行。
在上述技术方案的基础上，可选的，梯度获得模块25，包括：
梯度磁带构建单元，用于利用Tensorflow或PyTorch的自动微分机制构建梯度磁带；
梯度计算单元，用于根据梯度磁带计算梯度。
在上述技术方案的基础上，可选的，结束条件包括：损失函数小于预设损失函数精度，或者梯度的模小于预设梯度精度。
在上述技术方案的基础上，可选的，该量子控制波形的优化装置，还包括：
条件确定模块，用于在根据预设带宽限制条件对频域数据进行带宽限制，以得到目标频域数据之前，根据所使用的波形生成器的物理参数确定预设带宽限制条件。
在上述技术方案的基础上，可选的，预设起始波形为有限傅里叶基矢函数。
在上述技术方案的基础上，可选的，损失函数为非保真度、演化时间或纠缠熵。
本发明实施例所提供的量子控制波形的优化装置可执行本发明任意实施例所提供的量子控制波形的优化方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，在上述量子控制波形的优化装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例三
图3为本发明实施例三提供的计算机设备的结构示意图，示出了适于用来实现本发明实施方式的示例性计算机设备的框图。图3显示的计算机设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图3所示，该计算机设备包括处理器31、存储器32、输入装置33及输出装置34；计算机设备中处理器31的数量可以是一个或多个，图3中以一个处理器31为例，计算机设备中的处理器31、存储器32、输入装置33及输出装置34可以通过总线或其他方式连接，图3中以通过总线连接为例。
存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的量子控制波形的优化方法对应的程序指令/模块(例如，量子控制波形的优化装置中的频域数据获得模块21、带宽限制模块22、目标波形获得模块23、损失函数计算模块24、梯度获得模块25及结束判断模块26)。处理器31通过运行存储在存储器32中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述的量子控制波形的优化方法。
存储器32可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器32可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器32可进一步包括相对于处理器31远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置33可用于获取预设起始波形、预设带宽限制条件以及产生与计算机设备的用户设置和功能控制有关的键信号输入等。输出装置34可包括显示屏等设备，可用于向用户展示优化后的波形。
实施例四
本发明实施例四还提供一种包含计算机可执行指令的存储介质，该计算机可执行指令在由计算机处理器执行时用于执行一种量子控制波形的优化方法，该方法包括：
步骤A、对量子逻辑门的预设起始波形进行傅里叶变换，以得到预设起始波形的频域数据；
步骤B、根据预设带宽限制条件对频域数据进行带宽限制，以得到目标频域数据；
步骤C、对目标频域数据进行傅里叶逆变换，以得到目标波形；
步骤D、对目标波形进行量子动力学演化，并计算量子逻辑门的损失函数；
步骤E、将损失函数对目标波形利用神经网络进行自动微分，以获得损失函数的梯度；
步骤F、根据损失函数以及梯度判断是否满足结束条件；若不满足，则基于目标波形，利用梯度下降法更新预设起始波形，并返回执行步骤A；若满足，则将目标波形确定为优化后波形输出。
存储介质可以是任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的量子控制波形的优化方法中的相关操作。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种量子控制波形的优化方法，其特征在于，包括：
步骤A、对量子逻辑门的预设起始波形进行傅里叶变换，以得到所述预设起始波形的频域数据；
步骤B、根据预设带宽限制条件对所述频域数据进行带宽限制，以得到目标频域数据；
步骤C、对所述目标频域数据进行傅里叶逆变换，以得到目标波形；
步骤D、对所述目标波形进行量子动力学演化，并计算所述量子逻辑门的损失函数；
步骤E、将所述损失函数对所述目标波形利用神经网络进行自动微分，以获得所述损失函数的梯度；
步骤F、根据所述损失函数以及所述梯度判断是否满足结束条件；若不满足，则基于所述目标波形，利用梯度下降法更新所述预设起始波形，并返回执行步骤A；若满足，则将所述目标波形确定为优化后波形输出。
2.根据权利要求1所述的量子控制波形的优化方法，其特征在于，在所述若不满足，则基于所述目标波形，利用梯度下降法更新所述预设起始波形之后，还包括：
统计所述方法的迭代次数；
若所述迭代次数达到预设迭代次数，则将更新后的所述预设起始波形确定为所述优化后波形输出，否则返回执行步骤A。
3.根据权利要求1所述的量子控制波形的优化方法，其特征在于，所述将所述损失函数对所述目标波形利用神经网络进行自动微分，以获得所述损失函数的梯度，包括：
利用Tensorflow或PyTorch的自动微分机制构建梯度磁带；
根据所述梯度磁带计算所述梯度。
4.根据权利要求1所述的量子控制波形的优化方法，其特征在于，所述结束条件包括：所述损失函数小于预设损失函数精度，或者所述梯度的模小于预设梯度精度。
5.根据权利要求1所述的量子控制波形的优化方法，其特征在于，在所述根据预设带宽限制条件对所述频域数据进行带宽限制，以得到目标频域数据之前，还包括：
根据所使用的波形生成器的物理参数确定所述预设带宽限制条件。
6.根据权利要求1所述的量子控制波形的优化方法，其特征在于，所述预设起始波形为有限傅里叶基矢函数。
7.根据权利要求1所述的量子控制波形的优化方法，其特征在于，所述损失函数为非保真度、演化时间或纠缠熵。
8.一种量子控制波形的优化装置，其特征在于，包括：
频域数据获得模块，用于对量子逻辑门的预设起始波形进行傅里叶变换，以得到所述预设起始波形的频域数据；
带宽限制模块，用于根据预设带宽限制条件对所述频域数据进行带宽限制，以得到目标频域数据；
目标波形获得模块，用于对所述目标频域数据进行傅里叶逆变换，以得到目标波形；
损失函数计算模块，用于对所述目标波形进行量子动力学演化，并计算所述量子逻辑门的损失函数；
梯度获得模块，用于将所述损失函数对所述目标波形利用神经网络进行自动微分，以获得所述损失函数的梯度；
结束判断模块，用于根据所述损失函数以及所述梯度判断是否满足结束条件；若不满足，则基于所述目标波形，利用梯度下降法更新所述预设起始波形，并返回所述频域数据获得模块继续执行；若满足，则将所述目标波形确定为优化后波形输出。
9.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的量子控制波形的优化方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的量子控制波形的优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110006995.2A CN112668242B (zh) | 2021-01-05 | 2021-01-05 | 量子控制波形的优化方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110006995.2A CN112668242B (zh) | 2021-01-05 | 2021-01-05 | 量子控制波形的优化方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112668242A true CN112668242A (zh) | 2021-04-16 |
| CN112668242B CN112668242B (zh) | 2023-01-24 |
Family
ID=75413014
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110006995.2A Active CN112668242B (zh) | 2021-01-05 | 2021-01-05 | 量子控制波形的优化方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112668242B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113778455A (zh) * | 2021-11-15 | 2021-12-10 | 材料科学姑苏实验室 | 一种代码转换方法、装置、电子设备及存储介质 |
| CN115225986A (zh) * | 2021-04-19 | 2022-10-21 | 烽火通信科技股份有限公司 | 一种osu带宽自适应调整的方法和装置 |
| WO2023165500A1 (zh) * | 2022-03-04 | 2023-09-07 | 本源量子计算科技（合肥）股份有限公司 | 数据处理任务的处理方法、装置、存储介质及电子设备 |
| CN116738128A (zh) * | 2022-03-04 | 2023-09-12 | 本源量子计算科技（合肥）股份有限公司 | 一种利用量子线路求解含时偏微分方程的方法及装置 |
| CN116738126A (zh) * | 2022-03-04 | 2023-09-12 | 本源量子计算科技（合肥）股份有限公司 | 一种基于计算域分解的微分方程求解方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180096257A1 (en) * | 2016-10-03 | 2018-04-05 | The John Hopkins University | Apparatus and Method for Synthesizing Quantum Controls |
| US20180232649A1 (en) * | 2015-08-10 | 2018-08-16 | Microsoft Technology Licensing, Llc | Efficient online methods for quantum bayesian inference |
| US20190065956A1 (en) * | 2017-08-31 | 2019-02-28 | International Business Machines Corporation | Facilitating neural networks |
| CN109820515A (zh) * | 2019-03-01 | 2019-05-31 | 中南大学 | TensorFlow平台上基于LSTM神经网络的多传感跌倒检测的方法 |
| US20190378047A1 (en) * | 2018-06-07 | 2019-12-12 | International Business Machines Corporation | Quantum computations of classical specifications |
| US20200169396A1 (en) * | 2017-06-02 | 2020-05-28 | Google Llc | Quantum neural network |
| CN111369004A (zh) * | 2020-04-17 | 2020-07-03 | 合肥本源量子计算科技有限责任公司 | 量子逻辑门的优化方法、存储介质和计算机设备 |
| WO2020168158A1 (en) * | 2019-02-15 | 2020-08-20 | Rigetti & Co, Inc. | Automated synthesizing of quantum programs |
| CN111836296A (zh) * | 2020-06-29 | 2020-10-27 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 一体化波形通信测量系统 |
-
2021
- 2021-01-05 CN CN202110006995.2A patent/CN112668242B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180232649A1 (en) * | 2015-08-10 | 2018-08-16 | Microsoft Technology Licensing, Llc | Efficient online methods for quantum bayesian inference |
| US20180096257A1 (en) * | 2016-10-03 | 2018-04-05 | The John Hopkins University | Apparatus and Method for Synthesizing Quantum Controls |
| US20200169396A1 (en) * | 2017-06-02 | 2020-05-28 | Google Llc | Quantum neural network |
| US20190065956A1 (en) * | 2017-08-31 | 2019-02-28 | International Business Machines Corporation | Facilitating neural networks |
| US20190378047A1 (en) * | 2018-06-07 | 2019-12-12 | International Business Machines Corporation | Quantum computations of classical specifications |
| WO2020168158A1 (en) * | 2019-02-15 | 2020-08-20 | Rigetti & Co, Inc. | Automated synthesizing of quantum programs |
| CN109820515A (zh) * | 2019-03-01 | 2019-05-31 | 中南大学 | TensorFlow平台上基于LSTM神经网络的多传感跌倒检测的方法 |
| CN111369004A (zh) * | 2020-04-17 | 2020-07-03 | 合肥本源量子计算科技有限责任公司 | 量子逻辑门的优化方法、存储介质和计算机设备 |
| CN111836296A (zh) * | 2020-06-29 | 2020-10-27 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 一体化波形通信测量系统 |
Non-Patent Citations (2)
| Title |
|---|
| MURALI P ET AL: "Software mitigation of crosstalk on noisy intermediate-scale quantum computers", 《PROCEEDINGS OF THE TWENTY-FIFTH INTERNATIONAL CONFERENCE ON ARCHITECTURAL SUPPORT FOR PROGRAMMING LANGUAGES AND OPERATING SYSTEMS》 * |
| ROL M A ET AL: "A fast, low-leakage, high-fidelity two-qubit gate for a programmable superconducting quantum computer", 《ARXIV PREPRINT ARXIV:1903.02492》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115225986A (zh) * | 2021-04-19 | 2022-10-21 | 烽火通信科技股份有限公司 | 一种osu带宽自适应调整的方法和装置 |
| CN113778455A (zh) * | 2021-11-15 | 2021-12-10 | 材料科学姑苏实验室 | 一种代码转换方法、装置、电子设备及存储介质 |
| WO2023165500A1 (zh) * | 2022-03-04 | 2023-09-07 | 本源量子计算科技（合肥）股份有限公司 | 数据处理任务的处理方法、装置、存储介质及电子设备 |
| CN116738128A (zh) * | 2022-03-04 | 2023-09-12 | 本源量子计算科技（合肥）股份有限公司 | 一种利用量子线路求解含时偏微分方程的方法及装置 |
| CN116738126A (zh) * | 2022-03-04 | 2023-09-12 | 本源量子计算科技（合肥）股份有限公司 | 一种基于计算域分解的微分方程求解方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112668242B (zh) | 2023-01-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112668242B (zh) | 量子控制波形的优化方法、装置、计算机设备及存储介质 | |
| JP7379445B2 (ja) | 強化学習を通した量子計算 | |
| Zhang et al. | Sampled-data control systems with non-uniform sampling: A survey of methods and trends | |
| US11055627B2 (en) | Universal control for implementing quantum gates | |
| Osher et al. | Laplacian smoothing gradient descent | |
| Zouari et al. | Neural network controller design for fractional-order systems with input nonlinearities and asymmetric time-varying Pseudo-state constraints | |
| Rakkiyappan et al. | Exponential synchronization criteria for Markovian jumping neural networks with time-varying delays and sampled-data control | |
| Peng et al. | Data-driven solitons and parameter discovery to the (2+ 1)-dimensional NLSE in optical fiber communications | |
| CN113159239A (zh) | 一种量子图卷积神经网络处理图数据的方法 | |
| Zhang et al. | Parallel computational approach to gradient based EM optimization of passive microwave circuits | |
| Wei et al. | Analysis and description of the infinite-dimensional nature for nabla discrete fractional order systems | |
| Neçaibia et al. | Self-tuning fractional order PI λ D µ controller based on extremum seeking approach | |
| Pu et al. | Fast alternating minimization algorithm for model predictive control | |
| Mondal et al. | Differential evolution with wavelet mutation in digital finite impulse response filter design | |
| JPWO2019220755A1 (ja) | 情報処理装置および情報処理方法 | |
| Rottschäfer et al. | On the transition from the Ginzburg-Landau equation to the extended Fisher-Kolmogorov equation | |
| Rakkiyappan et al. | Non-fragile robust synchronization for Markovian jumping chaotic neural networks of neutral-type with randomly occurring uncertainties and mode-dependent time-varying delays | |
| Wu et al. | Sampled-data synchronization criteria for Markovian jumping neural networks with additive time-varying delays using new techniques | |
| CN116894778A (zh) | 一种用于图像生成的扩散模型采样方法和装置 | |
| Marini et al. | A Euclidean signature semi-classical program | |
| CN115526107A (zh) | 一种用于超表面智能设计的物理驱动机器学习方法 | |
| Bhat et al. | Dynamic learning of correlation potentials for a time-dependent Kohn-Sham system | |
| CN112149617A (zh) | 一种基于深度学习的脉冲波形去噪方法 | |
| CN104049532B (zh) | 基于按顺序的确定性的优化的控制系统和方法 | |
| Sims et al. | Localization in One Dimensional Random Media:¶ A Scattering Theoretic Approach |
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 |