CN112784472A - 循环神经网络模拟量子输运过程中的量子条件主方程的模拟方法 - Google Patents
循环神经网络模拟量子输运过程中的量子条件主方程的模拟方法 Download PDFInfo
- Publication number
- CN112784472A CN112784472A CN202110111596.2A CN202110111596A CN112784472A CN 112784472 A CN112784472 A CN 112784472A CN 202110111596 A CN202110111596 A CN 202110111596A CN 112784472 A CN112784472 A CN 112784472A
- Authority
- CN
- China
- Prior art keywords
- quantum
- equation
- neural network
- simulation
- time
- 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 92
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 54
- 238000004088 simulation Methods 0.000 title claims abstract description 38
- 125000004122 cyclic group Chemical group 0.000 title claims abstract description 23
- 230000008569 process Effects 0.000 title claims description 55
- 239000011159 matrix material Substances 0.000 claims abstract description 37
- 230000000306 recurrent effect Effects 0.000 claims abstract description 32
- 238000001228 spectrum Methods 0.000 claims abstract description 30
- 230000015654 memory Effects 0.000 claims abstract description 27
- 239000002096 quantum dot Substances 0.000 claims description 49
- 238000012549 training Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 15
- 230000007787 long-term memory Effects 0.000 claims description 10
- 239000002245 particle Substances 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 230000006403 short-term memory Effects 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000021615 conjugation Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 241000695274 Processa Species 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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
- G06N10/20—Models of quantum computing, e.g. quantum circuits or universal quantum computers
-
- 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
- G06N10/40—Physical realisations or architectures of quantum processors or components for manipulating qubits, e.g. qubit coupling or qubit control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Neurology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
- Semiconductor Memories (AREA)
- Superconductor Devices And Manufacturing Methods Thereof (AREA)
Abstract
本发明公开了一种循环神经网络模拟量子输运过程中的量子条件主方程的模拟方法,包括:建立循环神经网络,循环神经网络为长短时记忆网络;长短时记忆网络包括T个按时间顺序排列的LSTM细胞,每个LSTM细胞具有输入值xt和输出值ht,LSTM细胞内具有参数(W,b);将根据量子条件主方程得到的电流的散粒噪声谱S(ω),替代输入值xt;利用量子条件主方程中的密度矩阵迹,替代输出值ht;利用前后时刻的量子条件主方程中的密度矩阵迹之间联系,替代参数(W,b)。本发明建立了循环神经网络中的长短时记忆网络和量子条件主方程的联系,利用量子系统产生的散粒噪声谱的数据,解决求解量子条件主方程时方程无限循环闭合的难题,实现循环神经网络对量子条件主方程的模拟。
Description
技术领域
本发明涉及一种循环神经网络模拟量子输运过程中的量子条件主方程的模拟方法。
背景技术
量子输运现象作为介观系统中的一种重要的物理现象,近年来被广泛研究。对于传统器件,信噪比可以通过抑制散粒噪声来提高,但是在量子点构成的系统中,散粒噪声不会被无限的减少。事实上,量子器件的量子输运噪声并不是一定有害的。这些和精细时间有关的散粒噪声能敏感的反应输运过程中精细的动力学,丰富的量子输运性质以及在其中的精细的能量尺度。因此,在研究低维介观纳米器件的输运特点的过程中,对量子散粒噪声系统的测试和分析会成为一个重要的理论工具和方法。
对于理论计算,我们需要去面对一个含有噪声和量子点的开放系统并研究其性质。前人提出了很多方法去研究它,包括Buttiker和Beenaker等人提出的散射矩阵方法、非平衡格林函数方法、量子主方程方法。不同于前人的研究,李兴奇等人沿着Gurvitz的方法提出了一个研究电荷比特细致输运过程的条件主方程。
尽管量子条件主方程能够描述细致的描述电荷的输运过程,但是进一步研究此过程相关的物理量却是非常困难的,因为其是一个无限递归的微分方程系统。因此,对输运过程中的量子条件主方程的求解就显得极为重要。
因此,提供循环神经网络模拟量子输运过程中的量子条件主方程的模拟方法,属于本领域亟待解决的问题。其中,模拟量子条件主方程的循环神经网络可以用于指导微纳量子器件的设计。
发明内容
本发明的目的在于克服现有技术的不足,提供循环神经网络模拟量子输运过程中的量子条件主方程的模拟方法。
本发明的目的是通过以下技术方案来实现的:
本发明的第一方面,提供循环神经网络模拟量子输运过程中的量子条件主方程的模拟方法,包括以下步骤:
建立一个循环神经网络,所述循环神经网络为长短时记忆网络;所述长短时记忆网络包括T个按时间顺序排列的LSTM细胞,每个LSTM细胞具有输入值xt和输出值ht,输出值ht会传入下一时刻的LSTM细胞中,LSTM细胞内具有参数(W,b);
将根据量子条件主方程得到的电流的散粒噪声谱,替代输入值xt;利用量子条件主方程中的密度矩阵迹,替代输出值ht;利用前后时刻即t-1时刻和t时刻的量子条件主方程中的密度矩阵迹之间联系,替代参数(W,b);
利用量子输运过程中产生的散粒噪声谱的数据来训练所述循环神经网络从而达到模拟量子条件主方程的目的;所述量子输运过程对应一个可实现的物理实际系统。
进一步地,所述量子条件主方程由二能级量子电荷比特输运系统推导;所述二能级量子电荷比特输运系统包括量子点系统S和电源V,量子点系统S的左电极L与电源V的正极连接,量子点系统S的右电极R与电源V的负极连接;所述二能级量子电荷比特输运系统的总哈密顿量为:
式中,Hs表示的是量子点系统S的哈密顿量,HE表示的是左电极L和右电极R的哈密顿量,H′表示的是量子点系统S和电极之间相互作用的哈密顿量。
进一步地,假设量子点系统S和环境之间的相互作用不是很强,把H′当作微扰来处理,根据二阶矩累积展开和Lindblad方程,得到描述量子输运过程的量子主方程:
式中,刘维尔超算符定义为: G(t,τ)是与量子点系统S哈密顿量Hs有关的传播子;量子点系统S的约化密度矩阵为ρ(t)=TrE[ρT(t)],<(…)>=TrE[(…)ρE],ρE表示电极的密度矩阵;i表示虚数单位,ρ(t)表示在t时刻的密度矩阵,τ表示小于时间t的任意时刻,表示ρ(t)对时间的一阶导数;
进一步地,Hs、HE和H′的具体形式为:
式中,s表示电子的自旋,↑,↓分别表示自旋向上和自旋向下;j表示能级,∈j表示第j个能级的能量;分别表示电子处于第j个能级上且自旋为s的产生/湮灭算符;ω是两个电子占据同一能级但自旋不相同的库伦作用能,nj↑、nj↓、njs分别表示电子占据第j个能级且自旋为↑,↓,s时的粒子数算符;CE是与占据能级的电子数有关的电荷能;α表示电极;k表示的是电子的动量;∈αks表示电极上动量为k的电子的能量,考虑到电极上的电子处于热统计平衡状态,其分布函数为:
μ表示费米能量,考虑外部电压是对成的加在系统上的,这里费米能量等于μL=eV/2,μR=-eV/2;T表示的是温度,就是量子输运系统处于的温度,kB表示玻尔兹曼常数;
流过量子点系统S中的电流表示为:
式中,P(n,t)表示在Δt时间内由n个电子穿过量子点系统的概率,e表示单位电荷,n表示单位时间穿过量子点系统S的电子数目;
根据MacDonald公式,电流的散粒噪声谱表示为:
式中,ω表示散粒噪声S(ω)函数中的自变量。
进一步地,所述LSTM细胞的输入值xt和输出值ht的关系,由下式方程给出:
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
Ot=σ(WO·[ht-1,xt]+bO)
ht=Ot×tanh(Ct)
把Tr[ρ(n)(t)]和长短时记忆网络中的ht参数相对应;
进一步地,所述方法还包括以下步骤:
用Tr[ρ(n)(t)]对总电流的贡献度的方法来有效的截断n值,n表示量子条件主方程的改写方程中的粒子数;定义评估函数:
式中,M是数值实验上能取到的最大粒子数值,PM对应为有M个电子流过量子点系统的概率值;
通过不断调整M的值,绘制出了E(M)随M的变化图像,根据所述变化图像来确定M的取值。
进一步地,所述量子输运过程中产生的散粒噪声谱的数据分为训练数据和测试数据;
利用训练数据来训练所述循环神经网络,得到训练数据的误差随迭代次数的第一关系;利用所述测试数据来测试所述循环神经网络,得到测试数据的误差随迭代次数的第二关系;
利用第一关系和第二关系确定长短时记忆网络模拟量子条件主方程的模拟效果。
本发明的有益效果是:
(1)在本发明的一示例性实施例中,建立了循环神经网络中的长短时记忆网络和量子条件主方程的联系,得到二者的等价关系。同时利用量子系统产生的散粒噪声谱的数据,解决求解量子条件主方程时方程无限循环闭合的难题,实现循环神经网络对量子条件主方程的模拟。
(2)在本发明的又一示例性实施例中,公开了量子条件主方程的推导前提,即二能级量子电荷比特输运系统的具体实现方式;同时在本发明的又一示例性实施例中,公开了长短时记忆网络的具体结构。
(3)在本发明的又一示例性实施例中,用Tr[ρ(n)(t)]对总电流的贡献度的方法来有效的截断n值,进一步解决求解量子条件主方程时方程无限循环闭合的难题,实现循环神经网络对量子条件主方程的模拟。
附图说明
图1为本发明一示例性实施例公开的方法流程图;
图2为本发明一示例性实施例公开的技术实现路线图;
图3为本发明一示例性实施例公开的二能级量子电荷比特输运系统结构示意图;
图4为本发明一示例性实施例公开的量子隐马尔可夫计算图;
图5为本发明一示例性实施例公开的长短时记忆网络计算图;
图6为本发明一示例性实施例公开的长短时记忆网络的LSTM细胞结构示意图;
图7为本发明一示例性实施例公开的截断判断中E(M)随M的变化图;
图8为本发明一示例性实施例公开的训练数据的误差随迭代次数的关系图;
图9为本发明一示例性实施例公开的测试数据的误差随迭代次数的关系图。
具体实施方式
下面结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
具体地,在下述示例性实施例中,通过推导出描述量子输运过程的量子条件主方程,然后发现量子隐马尔可夫过程和量子主方程有一定的联系,经过展开量子隐马尔可夫过程的计算图发现了其和循环神经网络之间的联系。然后用量子输运过程(一个可实现的物理实际系统)中产生的噪声谱的数据来训练循环神经网络从而达到模拟量子条件主方程的目的。可以用于微纳量子器件的设计。
参见图1,图1示出了本发明的一示例性实施例提供的循环神经网络模拟量子输运过程中的量子条件主方程的模拟方法,包括以下步骤:
建立一个循环神经网络,所述循环神经网络为长短时记忆网络;所述长短时记忆网络包括T个按时间顺序排列的LSTM细胞,每个LSTM细胞具有输入值xt和输出值ht,输出值ht会传入下一时刻的LSTM细胞中,LSTM细胞内具有参数(W,b);
将根据量子条件主方程得到的电流的散粒噪声谱S(ω)(其中,散粒噪声谱S(ω)表示实际计算值,在有实验条件的情况下,可以从量子输运系统中采集),替代输入值xt;利用量子条件主方程中的密度矩阵迹Tr[ρ(n)(t)],替代输出值ht;利用前后时刻即t-1时刻和t时刻的量子条件主方程中的密度矩阵迹之间联系替代参数(W,b);
利用量子输运过程中产生的散粒噪声谱的数据来训练所述循环神经网络从而达到模拟量子条件主方程的目的;所述量子输运过程对应一个可实现的物理实际系统。
具体地,在该示例性实施例中,建立了循环神经网络中的长短时记忆网络和量子条件主方程的联系,得到二者的等价关系。同时利用量子系统产生的散粒噪声谱的数据,解决求解量子条件主方程时方程无限循环闭合的难题,实现循环神经网络对量子条件主方程的模拟。
需要说明的是,该三个参数与长短时记忆网络的三个参数进行对应,是因为:量子条件主方程和循环神经网络是在展开计算图上是等价的,即图4和图5(下述示例性实施例将详细进行展开);同时,由于长短时记忆网络是与量子输运系统相关的,而散粒噪声谱则是用于描述该量子输运系统/输运过程,因此利用散粒噪声谱作为长短时记忆网络的输入参数xt。
也就是说,xt参数就是网络的输入参数,是一个序列数据,散粒噪声谱也是一个序列数据,在实际的操作中,就把散粒噪声谱这个序列数据当作是xt输入到网络中,也就是说第一步输入散粒噪声谱的第一个数据,第二步输入散粒噪声谱的第二个数据,以此类推。φ和网络参数的对应要从宏观的角度来看,h的前一步和这一步两个步骤之间的变化是通过φ联系起来的,然后h参数的上一步和这一步之间的联系是通过网络参数联系起来的,不管是网络参数还是φ,他们都做了同一个事情,就是联系某一个量的上一步和这一步,然后又因为h和ρ对应,我们就把φ和网络参数对应。
在其他具体示例性实施例中,该训练后的循环神经网络或长短时记忆网络可以用于指导设计微纳量子器件的技术领域。
需要说明的是,在训练过程中,输入值xt即量子输运过程中产生的散粒噪声谱S(ω)的数据为已知参数,参数(W,b)为待训练的参数,输出值ht即量子条件主方程中的密度矩阵迹Tr[ρ(n)(t)]是未知数据。需要说明的是,输出值ht是未知的,是通过长短时记忆网络计算出来的,在计算过程中,只需给定一个初始值h0,后面的时间步都是通过长短时记忆网络计算得到的。
具体地,下述示例性实施例首先通过推导出描述量子输运过程的量子条件主方程,然后发现量子隐马尔可夫过程和量子主方程有一定的联系,经过展开量子隐马尔可夫过程的计算图发现了其和循环神经网络之间的联系,如图2所示。
更优地,在一示例性实施例中,所述量子条件主方程由二能级量子电荷比特输运系统推导;如图3所示,所述二能级量子电荷比特输运系统包括量子点系统S和电源V,量子点系统S的左电极L与电源V的正极连接,量子点系统S的右电极R与电源V的负极连接;电子在外部电压的激励下从量子点中流过。
所述二能级量子电荷比特输运系统的总哈密顿量为:
式中,Hs表示的是量子点系统S的哈密顿量,HE表示的是左电极L和右电极R的哈密顿量,H′表示的是量子点系统S和电极之间相互作用的哈密顿量。
更优地,而在又一示例性实施例中,Hs、HE和H′的具体形式为:
式中,s表示电子的自旋,↑,↓分别表示自旋向上和自旋向下;j表示能级,∈j表示第j个能级的能量;分别表示电子处于第j个能级上且自旋为s的产生/湮灭算符;ω是两个电子占据同一能级但自旋不相同的库伦作用能,nj↑、nj↓、njs分别表示电子占据第j个能级且自旋为↑,↓,s时的粒子数算符;CE是与占据能级的电子数有关的电荷能;α表示电极;k表示的是电子的动量;∈αks表示电极上动量为k的电子的能量,考虑到电极上的电子处于热统计平衡状态,其分布函数为:
μ表示费米能量,考虑外部电压是对成的加在系统上的,这里费米能量等于μL=eV/2,μR=-eV/2;T表示的是温度,就是量子输运系统处于的温度,kB表示玻尔兹曼常数;
更优地,在一示例性实施例中,假设量子点系统S和环境之间的相互作用不是很强,可以把H′当作微扰来处理,根据二阶矩累积展开和Lindblad方程,得到描述量子输运过程的量子主方程:
式中,刘维尔超算符定义为: G(t,τ)是与量子点系统S哈密顿量Hs有关的传播子(格林函数);量子点系统S的约化密度矩阵为ρ(t)=TrE[ρT(t)],<(…)>=TrE[(…)ρE],ρE表示电极的密度矩阵;i表示虚数单位,ρ(t)表示在t时刻的密度矩阵,τ表示小于时间t的任意时刻,表示ρ(t)对时间的一阶导数;
如果我们对电极所处的希尔伯特空间进行划分,用E(n)表示在Δt时间内有n个电子经过量子点系统S时电极处于的空间,则电极所在的空间就可以表示为值得提的是,当n=0时,由于没有电子经过量子点系统,此时所处的希尔伯特空间由左右两个独立的电极的子空间所张成,即
把所述假设带到量子主方程(4)中,得到量子条件主方程:
式中, 是电极中电子的谱函数;ρ(n)即ρ(n)(t),表示处于第j个能级上、自旋为s的电子的产生算符,表示处于第j个能级上、自旋为s的电子湮灭算符,γ表示谱函数中的自变量。下述内容将式(6)称为量子条件主方程的改写方程。
流过量子点系统S中的电流表示为:
式中,P(n,t)表示在Δt时间内由n个电子穿过量子点系统S的概率,e表示单位电荷,n表示单位时间穿过量子点系统S的电子数目;
根据MacDonald公式,电流的散粒噪声谱表示为:
式中,ω表示散粒噪声S(ω)函数中的自变量,可以类似理解为傅里叶变换中的频率。
上述示例性实施例推导出描述量子输运过程的量子条件主方程,下述内容发现量子隐马尔可夫过程和量子主方程有一定的联系,经过展开量子隐马尔可夫过程的计算图发现了其和循环神经网络之间的联系。具体地:
更优地,在一示例性实施例中,所述二能级量子电荷比特输运系统的密度矩阵在不同时刻之间的联系,利用Kraus算符即量子隐马尔可夫进行表示:即式中m表示不同的K,Km是第m个Kraus算符;该公式与所述量子主方程即公式(4)等价;
根据量子条件主方程的改写方程即公式(6),可以看出ρ(n)(t+Δt)和ρ(n)(t),ρ(n-1)(t),ρ(n+1)(t)相关,因此联合上式可知:即该式与量子条件主方程的改写方程(6)有关系,而我们的目标就是构建不含时的映射
下述内容对比了量子隐马尔科夫的计算图和循环神经网络的计算图,发现两者有很高的相似性。具体地:
图4为量子隐马尔可夫计算图。对于量子隐马尔科夫,密度矩阵的演化过程实际上是一个不随时间变化的参数的循环计算的过程,即每一次变换都是利用φ参数。而图5为长短时记忆网络计算图,在长短时记忆网络训练后,每一次计算的(W,b)参数不变。因此可以看到,过展开量子隐马尔可夫过程的计算图发现了其和循环神经网络(长短时记忆网络计算图)之间的联系。
具体地,长短时记忆网络是循环神经网络的一个子类,在处理时间序列数据上有很大的优势。图6示出了长短时记忆网络LSTM细胞的具体结构图。
更优地,在一示例性实施例中,所述LSTM细胞的输入值xt和输出值ht的关系,由下式方程给出:
式中,(Wf,Wi,Wc,Wo,bf,bi,bc,bo)作为所述参数(W,b);ft为遗忘门限层的输出,it和为输入门限层的输出,Oi和hi为输出门限层的输出。该部分的内容属于现有技术的具体内容,在此不进行赘述。
xt是当前的输入值,ht可以作为当前的输出值进行输出并且传入下一时刻的LSTM细胞中。
更优地,在一示例性实施例中,由于电流的散粒噪声谱(即式(8))的计算只用到了密度矩阵迹的信息,所以只能用散粒噪声谱的数据来构建密度矩阵迹之间即t-1时刻和t时刻之间的联系,即构建(构建出来的关系不含时间);
密度矩阵在演化的过程中始终保持迹为1,因此根据ρ(t)=∑nρ(n)(t)可知,在量子条件主方程下(即式(5))只能保证总体密度矩阵的迹Tr[ρ(t)]=Tr[∑nρ(n)(t)]=∑nTr[ρ(n)(t)]=1保持不变,并不能保证Tr[ρ(n)(t)]不发生变化;这个公式(Tr[ρ(n)(t)])不会恒等于1,所以才有模拟的必要;
密度矩阵的演化过程实际上是一个不随时间变化的参数的循环计算的过程,这与循环神经网络的计算思想是一致的,即循环神经网络训练后,参数(W,b)保持不变;
把Tr[ρ(n)(t)]和长短时记忆网络中的ht参数相对应,因为ht参数在经过SoftMax函数作用后也会有Tr[ht]=Tr[∑nht (n)]=∑nTr[ht (n)]=1,这与Tr[ρ(n)(t)]的行为相同(即整体求和为1,但是单体变化);
我们的目标就是用二能级量子系统产生的噪声谱的数据构建这样一个关系。
但是这里还存在一个问题,在方程(6)中粒子数n的取值可以取到任意值,但是在数值实验中我们必须对n做一个有效的截断。
更优地,在一示例性实施例中,所述方法还包括以下步骤:
用Tr[ρ(n)(t)]对总电流的贡献度的方法来有效的截断n值,n表示量子条件主方程的改写方程中的粒子数;定义评估函数:
式中,M是数值实验上能取到的最大粒子数值,PM对应为有M个电子流过量子点系统的概率值;
通过不断调整M的值,绘制出了E(M)随M的变化图像,如图7所示。可以根据图7来确定M的取值,在其中一示例性实施例中,取M=50,Tr[ρ(50)(t)]对总电流的贡献只占0.4%。
更优地,所述量子输运过程中产生的散粒噪声谱的数据分为训练数据和测试数据;
利用训练数据来训练所述循环神经网络,得到训练数据的误差随迭代次数的第一关系;利用所述测试数据来测试所述循环神经网络,得到测试数据的误差随迭代次数的第二关系;
利用第一关系和第二关系确定长短时记忆网络模拟量子条件主方程的模拟效果。
具体地,图8展示了训练数据的误差随迭代次数的关系,图9展示了测试数据的误差随迭代次数的关系。从图中中可以看到,误差随着迭代次数逐渐减小直至收敛,这说明我们通过长短时记忆网络很好的构建了也就是说,我们利用长短时记忆网络很好的模拟了量子条件主方程。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.循环神经网络模拟量子输运过程中的量子条件主方程的模拟方法,其特征在于:包括以下步骤:
建立一个循环神经网络,所述循环神经网络为长短时记忆网络;所述长短时记忆网络包括T个按时间顺序排列的LSTM细胞,每个LSTM细胞具有输入值xt和输出值ht,输出值ht会传入下一时刻的LSTM细胞中,LSTM细胞内具有参数(W,b);
将根据量子条件主方程得到的电流的散粒噪声谱,替代输入值xt;利用量子条件主方程中的密度矩阵迹,替代输出值ht;利用前后时刻即t-1时刻和t时刻的量子条件主方程中的密度矩阵迹之间联系,替代参数(W,b);
利用量子输运过程中产生的散粒噪声谱的数据来训练所述循环神经网络从而达到模拟量子条件主方程的目的;所述量子输运过程对应一个可实现的物理实际系统。
3.根据权利要求2所述的循环神经网络模拟量子输运过程中的量子条件主方程的模拟方法,其特征在于:假设量子点系统S和环境之间的相互作用不是很强,把H′当作微扰来处理,根据二阶矩累积展开和Lindblad方程,得到描述量子输运过程的量子主方程:
式中,刘维尔超算符定义为: G(t,τ)是与量子点系统S哈密顿量Hs有关的传播子;量子点系统S的约化密度矩阵为ρ(t)=TrE[ρT(t)],<(…)>=TrE[(…)ρE],ρE表示电极的密度矩阵;i表示虚数单位,ρ(t)表示在t时刻的密度矩阵,τ表示小于时间t的任意时刻,ρ(t)表示ρ(t)对时间的一阶导数;
4.根据权利要求3所述的循环神经网络模拟量子输运过程中的量子条件主方程的模拟方法,其特征在于:Hs、HE和H′的具体形式为:
式中,s表示电子的自旋,↑,↓分别表示自旋向上和自旋向下;j表示能级,∈j表示第j个能级的能量;分别表示电子处于第j个能级上且自旋为s的产生/湮灭算符;ω是两个电子占据同一能级但自旋不相同的库伦作用能,nj↑、nj↓、njs分别表示电子占据第j个能级且自旋为↑,↓,s时的粒子数算符;CE是与占据能级的电子数有关的电荷能;α表示电极;k表示的是电子的动量;∈αks表示电极上动量为k的电子的能量,考虑到电极上的电子处于热统计平衡状态,其分布函数为:
μ表示费米能量,考虑外部电压是对成的加在系统上的,这里费米能量等于μL=eV/2,μR=-eV/2;T表示的是温度,就是量子输运系统处于的温度,kB表示玻尔兹曼常数;
10.根据权利要求1所述的循环神经网络模拟量子输运过程中的量子条件主方程的模拟方法,其特征在于:所述量子输运过程中产生的散粒噪声谱的数据分为训练数据和测试数据;
利用训练数据来训练所述循环神经网络,得到训练数据的误差随迭代次数的第一关系;利用所述测试数据来测试所述循环神经网络,得到测试数据的误差随迭代次数的第二关系;
利用第一关系和第二关系确定长短时记忆网络模拟量子条件主方程的模拟效果。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110111596.2A CN112784472B (zh) | 2021-01-27 | 2021-01-27 | 循环神经网络模拟量子输运过程中的量子条件主方程的模拟方法 |
JP2021544270A JP7370618B2 (ja) | 2021-01-27 | 2021-05-26 | 回帰型ニューラルネットワークにより量子を転送する過程を模擬する際における量子条件のマスター方程式による模擬方法 |
US17/432,198 US20240046129A1 (en) | 2021-01-27 | 2021-05-26 | A method of stimulating a conditional quantum master equation in a quantum transport process by a recurrent neural network |
PCT/CN2021/095988 WO2022160528A1 (zh) | 2021-01-27 | 2021-05-26 | 循环神经网络模拟量子输运过程中的量子条件主方程的模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110111596.2A CN112784472B (zh) | 2021-01-27 | 2021-01-27 | 循环神经网络模拟量子输运过程中的量子条件主方程的模拟方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112784472A true CN112784472A (zh) | 2021-05-11 |
CN112784472B CN112784472B (zh) | 2023-03-24 |
Family
ID=75758288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110111596.2A Active CN112784472B (zh) | 2021-01-27 | 2021-01-27 | 循环神经网络模拟量子输运过程中的量子条件主方程的模拟方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20240046129A1 (zh) |
JP (1) | JP7370618B2 (zh) |
CN (1) | CN112784472B (zh) |
WO (1) | WO2022160528A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113609704A (zh) * | 2021-08-20 | 2021-11-05 | 四川元匠科技有限公司 | 基于不同测量方式的量子开放系统模拟方法、存储介质及终端 |
CN114446414A (zh) * | 2022-01-24 | 2022-05-06 | 电子科技大学 | 基于量子循环神经网络的逆向合成分析方法 |
WO2022160528A1 (zh) * | 2021-01-27 | 2022-08-04 | 电子科技大学 | 循环神经网络模拟量子输运过程中的量子条件主方程的模拟方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016145850A1 (zh) * | 2015-03-19 | 2016-09-22 | 清华大学 | 基于选择性注意原理的深度长短期记忆循环神经网络声学模型的构建方法 |
CN108182478A (zh) * | 2018-01-25 | 2018-06-19 | 电子科技大学 | 一种基于多环境量子器件的量子关联冻结调控方法 |
US20200050960A1 (en) * | 2018-08-13 | 2020-02-13 | Purdue Research Foundation | Method of modeling interactions between many particles |
WO2020100698A1 (ja) * | 2018-11-12 | 2020-05-22 | 国立大学法人京都大学 | シミュレーション装置、コンピュータプログラム及びシミュレーション方法 |
US20200410343A1 (en) * | 2018-01-31 | 2020-12-31 | Google Llc | Quantum computation through reinforcement learning |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10621494B2 (en) * | 2017-11-08 | 2020-04-14 | Samsung Electronics Co., Ltd. | System and method for circuit simulation based on recurrent neural networks |
CN109447305B (zh) * | 2018-06-23 | 2021-09-07 | 四川大学 | 一种基于量子加权长短时记忆神经网络的趋势预测方法 |
CN112784472B (zh) * | 2021-01-27 | 2023-03-24 | 电子科技大学 | 循环神经网络模拟量子输运过程中的量子条件主方程的模拟方法 |
-
2021
- 2021-01-27 CN CN202110111596.2A patent/CN112784472B/zh active Active
- 2021-05-26 US US17/432,198 patent/US20240046129A1/en active Pending
- 2021-05-26 JP JP2021544270A patent/JP7370618B2/ja active Active
- 2021-05-26 WO PCT/CN2021/095988 patent/WO2022160528A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016145850A1 (zh) * | 2015-03-19 | 2016-09-22 | 清华大学 | 基于选择性注意原理的深度长短期记忆循环神经网络声学模型的构建方法 |
CN108182478A (zh) * | 2018-01-25 | 2018-06-19 | 电子科技大学 | 一种基于多环境量子器件的量子关联冻结调控方法 |
US20200410343A1 (en) * | 2018-01-31 | 2020-12-31 | Google Llc | Quantum computation through reinforcement learning |
US20200050960A1 (en) * | 2018-08-13 | 2020-02-13 | Purdue Research Foundation | Method of modeling interactions between many particles |
WO2020100698A1 (ja) * | 2018-11-12 | 2020-05-22 | 国立大学法人京都大学 | シミュレーション装置、コンピュータプログラム及びシミュレーション方法 |
Non-Patent Citations (8)
Title |
---|
I. A. LUCHNIKOV等: ""Machine Learning Non-Markovian Quantum Dynamics"", 《ARXIV.ORG/ABS/1902.07019V3》 * |
I. A. LUCHNIKOV等: ""Machine Learning Non-Markovian Quantum Dynamics"", 《ARXIV.ORG/ABS/1902.07019V3》, 12 April 2020 (2020-04-12), pages 1 - 17 * |
STEVE CAMPBELL等: ""System-environment correlations and Markovian embedding of quantum non-Markovian dynamics"", 《PHYSICAL REVIEW A》 * |
STEVE CAMPBELL等: ""System-environment correlations and Markovian embedding of quantum non-Markovian dynamics"", 《PHYSICAL REVIEW A》, vol. 98, no. 1, 30 July 2018 (2018-07-30), pages 1 - 11 * |
李康源等: "用于预测电子输运性质的神经网络", 《浙江师范大学学报(自然科学版)》 * |
李康源等: "用于预测电子输运性质的神经网络", 《浙江师范大学学报(自然科学版)》, vol. 43, no. 04, 29 October 2020 (2020-10-29), pages 373 - 380 * |
陈晓彬等: "低维纳米材料量子热输运与自旋热电性质――非平衡格林函数方法的应用", 《物理学报》 * |
陈晓彬等: "低维纳米材料量子热输运与自旋热电性质――非平衡格林函数方法的应用", 《物理学报》, vol. 64, no. 18, 6 September 2015 (2015-09-06), pages 86 - 106 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022160528A1 (zh) * | 2021-01-27 | 2022-08-04 | 电子科技大学 | 循环神经网络模拟量子输运过程中的量子条件主方程的模拟方法 |
CN113609704A (zh) * | 2021-08-20 | 2021-11-05 | 四川元匠科技有限公司 | 基于不同测量方式的量子开放系统模拟方法、存储介质及终端 |
CN113609704B (zh) * | 2021-08-20 | 2023-08-01 | 四川元匠科技有限公司 | 基于不同测量方式的量子开放系统模拟方法、存储介质及终端 |
CN114446414A (zh) * | 2022-01-24 | 2022-05-06 | 电子科技大学 | 基于量子循环神经网络的逆向合成分析方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2023515731A (ja) | 2023-04-14 |
CN112784472B (zh) | 2023-03-24 |
WO2022160528A1 (zh) | 2022-08-04 |
US20240046129A1 (en) | 2024-02-08 |
JP7370618B2 (ja) | 2023-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112784472B (zh) | 循环神经网络模拟量子输运过程中的量子条件主方程的模拟方法 | |
Liu et al. | A data-driven approach with uncertainty quantification for predicting future capacities and remaining useful life of lithium-ion battery | |
Chen et al. | State of charge estimation of lithium-ion battery using denoising autoencoder and gated recurrent unit recurrent neural network | |
Qu et al. | A neural-network-based method for RUL prediction and SOH monitoring of lithium-ion battery | |
Chen et al. | Lithium-ion batteries remaining useful life prediction based on BLS-RVM | |
Qu et al. | Lithium-ion battery performance degradation evaluation in dynamic operating conditions based on a digital twin model | |
Ji et al. | An RUL prediction approach for lithium-ion battery based on SADE-MESN | |
Xi et al. | Learning of battery model bias for effective state of charge estimation of lithium-ion batteries | |
Chen et al. | Online battery state of health estimation based on Genetic Algorithm for electric and hybrid vehicle applications | |
CN109991542A (zh) | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 | |
CN108519556A (zh) | 一种基于循环神经网络的锂离子电池soc预测方法 | |
CN103033761B (zh) | 动态灰色相关向量机的锂离子电池剩余寿命预测方法 | |
Li et al. | On-line estimation method of lithium-ion battery health status based on PSO-SVM | |
Zheng et al. | State of health estimation for lithium battery random charging process based on CNN-GRU method | |
CN111783361B (zh) | 基于三重多层感知机的数值天气预报混合资料同化方法 | |
Zhao et al. | Bearing health condition prediction using deep belief network | |
Zhou et al. | Remaining useful life prediction and state of health diagnosis for lithium-ion batteries based on improved grey wolf optimization algorithm-deep extreme learning machine algorithm | |
Van et al. | Estimation of SoH and internal resistances of Lithium ion battery based on LSTM network | |
Tian et al. | State-of-charge estimation for lithium-ion batteries based on attentional sequence-to-sequence architecture | |
CN114660497A (zh) | 一种针对容量再生现象的锂离子电池寿命预测方法 | |
Vilsen et al. | Transfer learning for adapting battery state-of-health estimation from laboratory to field operation | |
Wang et al. | State of charge estimation in lithium-sulfur cells using lstm recurrent neural networks | |
Xue et al. | Stacking integrated learning model via ELM and GRU with mixture correntropy loss for robust state of health estimation of lithium-ion batteries | |
Chen et al. | State of charge estimation for lithium-ion battery based on whale optimization algorithm and multi-kernel relevance vector machine | |
Li et al. | State of health estimation of lithium-ion batteries using EIS measurement and transfer learning |
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 |