CN113011594B - 量子比特的校准方法及装置、量子计算机 - Google Patents
量子比特的校准方法及装置、量子计算机 Download PDFInfo
- Publication number
- CN113011594B CN113011594B CN202110338523.7A CN202110338523A CN113011594B CN 113011594 B CN113011594 B CN 113011594B CN 202110338523 A CN202110338523 A CN 202110338523A CN 113011594 B CN113011594 B CN 113011594B
- Authority
- CN
- China
- Prior art keywords
- quantum
- signal
- qubit
- output signal
- parameters
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种量子比特的校准方法及装置、量子计算机,利用机器学习建立的模型对发生信号异常的量子比特的输出信号进行实时有效的识别,具体为建立当前信号异常与各项参数间的关联度,并按照关联度的大小依次对所述量子比特进行对应参数的校准操作,直至量子比特的性能恢复正常。基于这种方案,可以及时有效地分辨出量子比特具体哪个参数发生了信号异常,并针对性地进行自动校准,在一定程度上提高了量子计算任务的执行效率以及量子芯片的性能。
Description
技术领域
本发明涉及量子计算领域,尤其是涉及一种量子比特的校准方法及装置、量子计算机。
背景技术
量子计算机是一类遵循量子力学规律进行高速数学和逻辑运算、存储及处理量子信息的物理装置。量子计算机的特点主要有运行速度较快、处置信息能力较强、应用范围较广等。与一般计算机比较起来,信息处理量愈多,对于量子计算机实施运算也就愈加有利,也就更能确保运算具备精准性。
量子芯片之于量子计算机就相当于CPU之于传统计算机,量子芯片是量子计算机的核心部件。随着量子计算相关技术的不断研究推进,量子芯片上的量子比特位数也在逐年增加,可以预见的是,后续会出现更大规模的量子芯片,届时量子芯片中的量子比特位数将会更多,量子计算机中也会搭载更大规模的量子芯片。随着量子芯片中量子比特位数的增加,在使用过程中必然会面临一些量子比特出现参数漂移的问题,此时就需要对这些量子比特进行相应的校准操作。
通常量子芯片在从研发到上线使用过程中,需要经过多次前期测试阶段,直到该量子芯片的性能参数符合上线要求时,才能上线使用。在前期测试阶段中,可以按照一套测试流程对量子芯片中的所有量子比特进行详细的测试和校准,因此,在这个前期测试阶段可以及时获取到具体哪些参数发生漂移。在上线使用后,例如,某个量子芯片在执行量子计算任务时,该量子芯片中的某个量子比特的性能出现异常情况,我们是无法及时获取到具体哪个参数发生漂移。现有技术中针对这个问题,通常是利用工作人员根据过往经验依据量子比特的输出信号进行判断,这种方案效率较低,极大地影响了量子计算任务的执行效率。
因此,如何在量子比特的性能异常时,及时获取到具体参数漂移情况并进行校准成为本领域亟待解决的技术问题。
需要说明的是,公开于本申请背景技术部分的信息仅仅旨在加深对本申请一般背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种量子比特的校准方法及装置、量子计算机,用于解决现有技术中在量子比特的性能异常时,无法及时获取到具体参数漂移情况并进行校准的问题。
为了解决上述技术问题,本发明提出一种量子比特的校准方法,包括以下步骤:
基于量子比特的输出信号,分析所述输出信号的信号异常的类型;
使用模型对所述输出信号对应的信号异常进行分析,获取当前信号异常与所述量子比特的各项参数的关联度,其中,所述模型为使用多组数据通过机器学习训练得到的,所述多组数据中的每组数据均包括用于训练的量子比特的输出信号以及表示信号异常与参数的关联度的标签;
按照所述关联度从大到小的顺序依次对所述量子比特进行对应参数的校准操作,在每次完成所述校准操作时,均判断所述量子比特的输出信号是否发生信号异常;
若是,则返回执行基于量子比特的输出信号,分析所述输出信号的信号异常的类型;
若否,则校准完成。
可选地,当在对一参数执行所述校准操作后,判断出所述量子比特的输出信号为发生信号异常,则将该参数标记为已排查参数。
可选地,所述按照所述关联度从大到小的顺序依次对所述量子比特进行对应参数的校准操作,包括:获取除所述已排查参数外的参数中与当前信号异常的关联度最大的参数,并进行校准操作。
可选地,所述基于量子比特的输出信号,分析所述输出信号的信号异常的类型,包括:
获取所述量子比特的输出信号;
判断所述输出信号是否发生信号异常;
若是,则利用第一数据库中存储的信息,对所述输出信号进行分析,获取所述输出信号发生的信号异常的类型;其中,所述第一数据库用于存储所述量子比特和/或其它量子比特的已发生信号异常的历史数据。
可选地,所述信号异常的类型包括读取保真度下降或两量子比特随机基准测试下降。
可选地,所述读取保真度下降中的参数包括:读取功率以及读取频率。
可选地,与所述读取保真度下降的关联度从大到小的参数依次为:所述读取频率以及所述读取功率。
可选地,所述两量子比特随机基准测试下降中的参数包括:量子比特频率以及耦合强度。
可选地,与所述两量子比特基准测试下降的关联度从大到小的参数依次为:所述量子比特频率以及所述耦合强度。
基于同一发明构思,本发明还提出一种量子比特的校准装置,包括:
第一模块,其被配置为基于量子比特的输出信号,分析所述输出信号的信号异常的类型;
第二模块,其被配置为使用模型对所述输出信号对应的信号异常进行分析,获取当前信号异常与所述量子比特的各项参数的关联度,其中,所述模型为使用多组数据通过机器学习训练得到的,所述多组数据中的每组数据均包括用于训练的量子比特的输出信号以及表示信号异常与参数的关联度的标签;
第三模块,其被配置为按照所述关联度从大到小的顺序依次对所述量子比特进行对应参数的校准操作;
第四模块,其被配置为在每次完成所述校准操作时,均判断所述量子比特的输出信号是否发生信号异常;若是,则返回执行基于量子比特的输出信号,分析所述输出信号的信号异常的类型;若否,则校准完成。
基于同一发明构思,本发明还提出一种量子芯片校准方法,量子芯片中包括若干个量子比特,利用上述特征描述中任一项所述的校准方法对所述量子芯片中的若干个芯片进行校准操作。
基于同一发明构思,本发明还提出一种量子计算机,其特征在于,利用上述特征描述中任一项所述的量子比特的校准方法或包括所述的量子比特的校准装置。
基于同一发明构思,本发明还提出一种可读存储介质,其上存储有计算机程序,所述计算机程序被一处理器执行时能实现上述特征描述中任一项所述的量子比特的校准方法。
与现有技术相比,本发明具有以下有益效果:
本发明提出的量子比特的校准方法,利用机器学习建立的模型对发生信号异常的量子比特的输出信号进行实时有效的识别,具体为建立当前信号异常与各项参数间的关联度,并按照关联度的大小依次对所述量子比特进行对应参数的校准操作,直至量子比特的性能恢复正常。基于这种方案,可以及时有效地分辨出量子比特具体哪个参数发生了信号异常,并针对性地进行自动校准,在一定程度上提高了量子计算任务的执行效率以及量子芯片的性能。
本发明提出的量子比特的校准装置、量子芯片校准方法、量子计算机以及可读存储介质,与所述量子比特的校准方法属于同一发明构思,因此,具有相同的有益效果,在此不做赘述。
附图说明
图1为本实施例中提出的一种量子比特的校准方法的流程示意图。
具体实施方式
下面将结合示意图对本发明的具体实施方式进行更详细的描述。根据下列描述和权利要求书,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。
在本发明的描述中,需要理解的是,术语“中心”、“上”、“下”、“左”、“右”等指示的方位或者位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
发明人发现在量子比特校准实验,由于参数漂移等问题导致的校准状态改变不可以被即时感知,因此,决策者必须要根据对芯片的全局与部分区域的观察来推断校准状态,这样的问题可以由部分可观察马尔可夫决策过程(POMDP)解决。正是基于上述发现,发明人提出通过机器学习利用部分可观察马尔可夫决策过程的原理训练并建立对应的模型,使用模型对所述输出信号对应的信号异常进行分析,获取当前信号异常与所述量子比特的各项参数的关联度,这样可以实现实时地获取量子比特参数漂移的情况。以下结合具体实施例来详细阐述本申请的核心思想:
请参考图1,本实施例提出一种量子比特的校准方法,包括以下步骤:
S1:基于量子比特的输出信号,分析所述输出信号的信号异常的类型;
S2:使用模型对所述输出信号对应的信号异常进行分析,获取当前信号异常与所述量子比特的各项参数的关联度,其中,所述模型为使用多组数据通过机器学习训练得到的,所述多组数据中的每组数据均包括用于训练的量子比特的输出信号以及表示信号异常与参数的关联度的标签;
S3:按照所述关联度从大到小的顺序依次对所述量子比特进行对应参数的校准操作,在每次完成所述校准操作时,均判断所述量子比特的输出信号是否发生信号异常;若是,则返回执行基于量子比特的输出信号,分析所述输出信号的信号异常的类型;若否,则校准完成。
与现有技术不同之处在于,本发明提出的量子比特的校准方法,利用机器学习建立的模型对发生信号异常的量子比特的输出信号进行实时有效的识别,具体为建立当前信号异常与各项参数间的关联度,并按照关联度的大小依次对所述量子比特进行对应参数的校准操作,直至量子比特的性能恢复正常。基于这种方案,可以及时有效地分辨出量子比特具体哪个参数发生了信号异常,并针对性地进行自动校准,在一定程度上提高了量子计算任务的执行效率以及量子芯片的性能。
通过背景技术部分以及本实施例前述分析可知,当前期测试阶段完成之后,由于量子比特发生参数漂移或系统重新配置等问题导致校准要从某一步开始重新进行。在这种情况下,具体是哪一个参数出现问题我们是不能即时知道的,需要根据全局或局域观察结果推断环境状态,这种问题可以由部分可观察马尔可夫决策过程解决。以下对如何结合机器学习利用部分可观察马尔可夫决策过程做简要阐述,在形式上,部分可观察马尔可夫决策过程包括七个要素(S,A,T,R,Ω,O,γ)。S={s_1,s_2,s_3,s_4…}是环境状态的集合,在量子比特的校准过程中,S可以认为是量子芯片中各个量子比特的性能状态的集合(也即各种参数漂移或信号异常的类型);A={a_1,a_2...}是动作集合,在量子比特的校准过程中,A可以认为是与各个参数对应的校准实验。T是不同环境状态之间的一组条件转移概率,在量子比特的校准过程中,由于在对其中某一个参数进行校准时,可能会对其它参数或其它量子比特产生影响,这个影响的大小可以认为是T。R是奖励,在量子比特的校准过程中,输出信号与对应可能发生参数漂移或信号异常之间存在不同的概率,R的大小与概率的大小成正比。Ω={Ω_1,Ω_2,Ω_3...}是一组观察,它是能够从环境中接收到的所有可能的观察,观察是环境的部分信息(甚至是含噪声的),在任意时刻,只能接收到一个观察,在量子比特的校准过程中,Ω可以认为是对于当前量子比特或邻近的几个量子的性能状态信息。O是观察函数,它是观察Ω_(t+1)在给定环境状态s_(t+1)和给定动作a_t的条件概率,在量子比特的校准过程中,O可以认为是针对Ω的观察结果选择对参数进行测试或校准操作的概率。γ在0到1之间,是设定的折扣因子,它决定了在多远的距离开始执行检查动作,当γ等于0时,表示只关心哪个检查动作会产生最大的预期即时奖励,检查将逐次进行,当γ=1时,表示只关心哪个检查动作会最大化未来奖励的预期综合,检查将从头开始。在本申请技术方案中所述关联度可以认为是通过上述部分可观察马尔可夫过程中这些参数综合获取的,以上即机器学习训练数据得到模型所依据的原理。
进一步地,当在对一参数执行所述校准操作后,判断出所述量子比特的输出信号为发生信号异常,则将该参数标记为已排查参数。
可选地,所述按照所述关联度从大到小的顺序依次对所述量子比特进行对应参数的校准操作,包括:获取除所述已排查参数外的参数中与当前信号异常的关联度最大的参数,并进行校准操作。通过设置所述已排查参数,可实时排除一些无关因素,可以有效降低筛选可能会引起信号异常的参数需要的时间。
可选地,所述基于量子比特的输出信号,分析所述输出信号的信号异常的类型,也即所述步骤S1包括:
获取所述量子比特的输出信号;
判断所述输出信号是否发生信号异常;
若是,则利用第一数据库中存储的信息,对所述输出信号进行分析,获取所述输出信号发生的信号异常的类型;其中,所述第一数据库用于存储所述量子比特和/或其它量子比特的已发生信号异常的历史数据。
在本实施例中,所述信号异常的类型包括读取保真度下降或两量子比特随机基准测试下降,需要注意的是,在其它实施例中,所述信号异常的类型还有很多种,例如,所述信号异常的类型还可包括量子态层析结果分布值不正确,在此不一一赘述。为了便于理解本申请的技术方案,以下对读取保真度下降或两量子比特随机基准测试下降这两种信号异常类型进行具体说明。
具体地,所述读取保真度下降中的参数包括:读取功率以及读取频率。本领域技术人员可以理解的是,可能影响所述读取保真度下降的参数并不局限于所述读取功率以及读取频率。在本实施例中,仅示出对读取保真度影响较大的两个参数,在其它实施例中,还有很多其它的参数,例如,所述读取保真度下降中的参数还可包括:采样延时或采样宽度,当然还有其它参数,在此不一一赘述。读取功率与读取频率会影响到量子比特激发态占据分布情况,因此,这两个参数占据了导致所述读取保真度下降的大部分原因,其中,所述读取功率以及所述读取频率与与所述读取保真度下降的关联度从大到小依次为:所述读取频率以及所述读取功率。
另外,所述两量子比特随机基准测试下降中的参数包括:量子比特频率以及耦合强度。耦合强度的大小直接决定了两比特门的快慢,但耦合强度不能过大否则在两个量子比特相互作用结束后还会有很强的残余耦合带来控制错误。可使用可调耦合结构来解决这个矛盾,可调耦合不想固定耦合结构通过增大两个量子比特在工作点的失谐,使其远大于耦合强度来关闭耦合,而是直接通过调节耦合器的频率来调节两个量子比特间耦合强度,有效地增加了耦合的开关比,并且可以避免固定耦合由于需要调节相邻比特失谐带来的频率拥挤问题。与上面类似地,可能影响所述两量子比特随机基准测试下降的参数并不局限于所述量子比特频率以及所述耦合强度。在本实施例中,仅示出对两量子比特随机基准测试下降影响较大的两个参数,在其它实施例中,还有很多其它的参数,在此不一一赘述。与所述两量子比特基准测试下降的关联度从大到小的参数依次为:所述量子比特频率以及所述耦合强度。
基于同一发明构思,本实施例还提出一种量子比特的校准装置,包括:
第一模块,其被配置为基于量子比特的输出信号,分析所述输出信号的信号异常的类型;
第二模块,其被配置为使用模型对所述输出信号对应的信号异常进行分析,获取当前信号异常与所述量子比特的各项参数的关联度,其中,所述模型为使用多组数据通过机器学习训练得到的,所述多组数据中的每组数据均包括用于训练的量子比特的输出信号以及表示信号异常与参数的关联度的标签;
第三模块,其被配置为按照所述关联度从大到小的顺序依次对所述量子比特进行对应参数的校准操作;
第四模块,其被配置为在每次完成所述校准操作时,均判断所述量子比特的输出信号是否发生信号异常;若是,则返回执行基于量子比特的输出信号,分析所述输出信号的信号异常的类型;若否,则校准完成。
可以理解的是,所述第一模块、所述第二模块、所述第三模块以及所述第四模块可以合并在一个装置中实现,或者其中的任意一个模块可以被拆分成多个子模块,或者,所述第一模块、所述第二模块、所述第三模块以及所述第四模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个功能模块中实现。根据本发明的实施例,所述第一模块、所述第二模块、所述第三模块以及所述第四模块中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以以对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式的适当组合来实现。或者,所述第一模块、所述第二模块、所述第三模块以及所述第四模块中的至少一个可以至少被部分地实现为计算机程序模块,当该程序被计算机运行时,可以执行相应模块的功能。
基于同一发明构思,本实施例还提出一种量子芯片校准方法,量子芯片中包括若干个量子比特,利用上述特征描述中任一项所述的校准方法对所述量子芯片中的若干个芯片进行校准操作。
基于同一发明构思,本实施例还提出一种量子计算机,利用上述特征描述中任一项所述的量子比特的校准方法或包括上面所述的量子比特的校准装置。
基于同一发明构思,本实施例还提出一种可读存储介质,其上存储有计算机程序,所述计算机程序被一处理器执行时能实现上述特征描述中任一项所述的量子比特的校准方法。
所述可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备,例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所描述的计算机程序可以从可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收所述计算机程序,并转发该计算机程序,以供存储在各个计算/处理设备中的可读存储介质中。用于执行本发明操作的计算机程序可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。所述计算机程序可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机程序的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、系统和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机程序实现。这些计算机程序可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些程序在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机程序存储在可读存储介质中,这些计算机程序使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有该计算机程序的可读存储介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机程序加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的计算机程序实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”或“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例中以合适的方式结合。此外,本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
上述仅为本发明的优选实施例而已,并不对本发明起到任何限制作用。任何所属技术领域的技术人员,在不脱离本发明的技术方案的范围内,对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动,均属未脱离本发明的技术方案的内容,仍属于本发明的保护范围之内。
Claims (13)
1.一种量子比特的校准方法,其特征在于,包括以下步骤:
基于量子比特的输出信号,分析所述输出信号的信号异常的类型;
使用模型对所述输出信号对应的信号异常进行分析,获取当前信号异常与所述量子比特的各项参数的关联度,其中,所述模型为使用多组数据通过机器学习训练得到的,所述多组数据中的每组数据均包括用于训练的量子比特的输出信号以及表示信号异常与参数的关联度的标签;
按照所述关联度从大到小的顺序依次对所述量子比特进行对应参数的校准操作,在每次完成所述校准操作时,均判断所述量子比特的输出信号是否发生信号异常;若是,则返回执行基于量子比特的输出信号,分析所述输出信号的信号异常的类型;若否,则校准完成。
2.如权利要求1所述的量子比特的校准方法,其特征在于,当在对一参数执行所述校准操作后,判断出所述量子比特的输出信号为发生信号异常,则将该参数标记为已排查参数。
3.如权利要求2所述的量子比特的校准方法,其特征在于,所述按照所述关联度从大到小的顺序依次对所述量子比特进行对应参数的校准操作,包括:获取除所述已排查参数外的参数中与当前信号异常的关联度最大的参数,并进行校准操作。
4.如权利要求1所述的量子比特的校准方法,其特征在于,所述基于量子比特的输出信号,分析所述输出信号的信号异常的类型,包括:
获取所述量子比特的输出信号;
判断所述输出信号是否发生信号异常;
若是,则利用第一数据库中存储的信息,对所述输出信号进行分析,获取所述输出信号发生的信号异常的类型;其中,所述第一数据库用于存储所述量子比特和/或其它量子比特的已发生信号异常的历史数据。
5.如权利要求4所述的量子比特的校准方法,其特征在于,所述信号异常的类型包括读取保真度下降或两量子比特随机基准测试下降。
6.如权利要求5所述的量子比特的校准方法,其特征在于,所述读取保真度下降中的参数包括:读取功率以及读取频率。
7.如权利要求6所述的量子比特的校准方法,其特征在于,与所述读取保真度下降的关联度从大到小的参数依次为:所述读取频率以及所述读取功率。
8.如权利要求5所述的量子比特的校准方法,其特征在于,所述两量子比特随机基准测试下降中的参数包括:量子比特频率以及耦合强度。
9.如权利要求8所述的量子比特的校准方法,其特征在于,与所述两量子比特基准测试下降的关联度从大到小的参数依次为:所述量子比特频率以及所述耦合强度。
10.一种量子比特的校准装置,其特征在于,包括:
第一模块,其被配置为基于量子比特的输出信号,分析所述输出信号的信号异常的类型;
第二模块,其被配置为使用模型对所述输出信号对应的信号异常进行分析,获取当前信号异常与所述量子比特的各项参数的关联度,其中,所述模型为使用多组数据通过机器学习训练得到的,所述多组数据中的每组数据均包括用于训练的量子比特的输出信号以及表示信号异常与参数的关联度的标签;
第三模块,其被配置为按照所述关联度从大到小的顺序依次对所述量子比特进行对应参数的校准操作;
第四模块,其被配置为在每次完成所述校准操作时,均判断所述量子比特的输出信号是否发生信号异常;若是,则返回执行基于量子比特的输出信号,分析所述输出信号的信号异常的类型;若否,则校准完成。
11.一种量子芯片校准方法,量子芯片中包括若干个量子比特,其特征在于,利用如权利要求1-9中任一项所述的校准方法对所述量子芯片中的若干个芯片进行校准操作。
12.一种量子计算机,其特征在于,利用权利要求1至9中任一项所述的量子比特的校准方法或包括权利要求10所述的量子比特的校准装置。
13.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被一处理器执行时能实现权利要求1至9中任一项所述的量子比特的校准方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110338523.7A CN113011594B (zh) | 2021-03-26 | 2021-03-26 | 量子比特的校准方法及装置、量子计算机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110338523.7A CN113011594B (zh) | 2021-03-26 | 2021-03-26 | 量子比特的校准方法及装置、量子计算机 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113011594A CN113011594A (zh) | 2021-06-22 |
CN113011594B true CN113011594B (zh) | 2023-08-08 |
Family
ID=76409150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110338523.7A Active CN113011594B (zh) | 2021-03-26 | 2021-03-26 | 量子比特的校准方法及装置、量子计算机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011594B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115700613B (zh) * | 2021-07-28 | 2024-04-05 | 本源量子计算科技(合肥)股份有限公司 | 量子比特控制信号的优化方法、装置、以及量子计算机 |
CN115470920B (zh) * | 2022-03-28 | 2024-02-06 | 本源量子计算科技(合肥)股份有限公司 | 量子比特校准方法以及装置、量子计算机 |
CN115470922B (zh) * | 2022-03-28 | 2024-04-05 | 本源量子计算科技(合肥)股份有限公司 | 量子比特校准方法及装置、量子控制系统、量子计算机 |
CN115269195B (zh) * | 2022-08-04 | 2024-08-30 | 无锡江南计算技术研究所 | 一种基于操作系统内核的量子计算资源管理方法 |
CN115660095B (zh) * | 2022-10-14 | 2024-08-06 | 山东云海国创云计算装备产业创新中心有限公司 | 一种超导量子芯片参数校准方法、系统、装置及介质 |
CN116840554A (zh) * | 2023-06-28 | 2023-10-03 | 北京百度网讯科技有限公司 | 量子比特激发频率的标定方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108885720A (zh) * | 2015-11-06 | 2018-11-23 | 谷歌有限责任公司 | 原位量子错误校正 |
CN109804387A (zh) * | 2016-06-09 | 2019-05-24 | 谷歌有限责任公司 | 自动量子比特校准 |
WO2019117955A1 (en) * | 2017-12-15 | 2019-06-20 | Klimov Paul | Refining qubit calibration models using supervised learning |
CN111656374A (zh) * | 2017-12-14 | 2020-09-11 | 谷歌有限责任公司 | 量子位校准 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11048839B2 (en) * | 2019-03-29 | 2021-06-29 | International Business Machines Corporation | Adaptive error correction in quantum computing |
-
2021
- 2021-03-26 CN CN202110338523.7A patent/CN113011594B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108885720A (zh) * | 2015-11-06 | 2018-11-23 | 谷歌有限责任公司 | 原位量子错误校正 |
CN109804387A (zh) * | 2016-06-09 | 2019-05-24 | 谷歌有限责任公司 | 自动量子比特校准 |
CN111656374A (zh) * | 2017-12-14 | 2020-09-11 | 谷歌有限责任公司 | 量子位校准 |
WO2019117955A1 (en) * | 2017-12-15 | 2019-06-20 | Klimov Paul | Refining qubit calibration models using supervised learning |
CA3085866A1 (en) * | 2017-12-15 | 2019-06-20 | Google Llc | Refining qubit calibration models using supervised learning |
CN111712842A (zh) * | 2017-12-15 | 2020-09-25 | 谷歌有限责任公司 | 使用监督学习细化量子位校准模型 |
Non-Patent Citations (1)
Title |
---|
金贻荣 ; .超导与量子计算.自然杂志.2020,(第04期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113011594A (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113011594B (zh) | 量子比特的校准方法及装置、量子计算机 | |
US12014282B2 (en) | Data processing method and apparatus, electronic device, and storage medium | |
US11915104B2 (en) | Normalizing text attributes for machine learning models | |
US11709979B1 (en) | Bridge damage identification method considering uncertainty | |
US10330655B2 (en) | Air quality forecasting based on dynamic blending | |
CN111428866A (zh) | 一种增量学习方法、装置、存储介质及电子设备 | |
CN112801315A (zh) | 电力二次设备的状态诊断方法、装置及终端 | |
CN115456107A (zh) | 一种时间序列异常检测系统及方法 | |
CN113127342A (zh) | 基于电网信息系统特征选择的缺陷预测方法及装置 | |
CN110991124B (zh) | 集成电路修补方法及装置、存储介质、电子设备 | |
CN115470921A (zh) | 量子比特校准方法以及装置、量子计算机 | |
CN111128775A (zh) | 集成电路制程异常的定位方法和装置 | |
CN114416422A (zh) | 问题定位方法、装置、设备、介质和程序产品 | |
US11182265B2 (en) | Method and apparatus for test generation | |
CN111209214B (zh) | 代码测试处理方法、装置、电子设备及介质 | |
US20210373987A1 (en) | Reinforcement learning approach to root cause analysis | |
JP2019003333A (ja) | バグ混入確率計算プログラム及びバグ混入確率計算方法 | |
JP2014186702A (ja) | 物理故障解析プログラム、物理故障解析方法および物理故障解析装置 | |
CN114461499A (zh) | 异常信息检测模型的构建方法和灰度环境异常检测方法 | |
CN115470922B (zh) | 量子比特校准方法及装置、量子控制系统、量子计算机 | |
CN116523056B (zh) | 量子芯片中量子比特状态的获取方法以及获取装置 | |
WO2019209571A1 (en) | Proactive data modeling | |
US20240044973A1 (en) | Detecting a Function Section in a Representation of a Quantum Circuit | |
US20240255843A1 (en) | Method for examining samples pertaining to microlithography | |
Nedelcu et al. | UML diagrams classificatio with MIMO and SISO Neural Networks |
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 | ||
CB02 | Change of applicant information |
Address after: 230088 6th floor, E2 building, phase II, innovation industrial park, 2800 innovation Avenue, high tech Zone, Hefei City, Anhui Province Applicant after: Benyuan Quantum Computing Technology (Hefei) Co.,Ltd. Address before: 230088 6th floor, E2 building, phase II, innovation industrial park, 2800 innovation Avenue, high tech Zone, Hefei City, Anhui Province Applicant before: ORIGIN QUANTUM COMPUTING COMPANY, LIMITED, HEFEI |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |