CN113012066A - 基于参数化玻色采样的量子线路学习方法及图像模糊方法 - Google Patents
基于参数化玻色采样的量子线路学习方法及图像模糊方法 Download PDFInfo
- Publication number
- CN113012066A CN113012066A CN202110277055.7A CN202110277055A CN113012066A CN 113012066 A CN113012066 A CN 113012066A CN 202110277055 A CN202110277055 A CN 202110277055A CN 113012066 A CN113012066 A CN 113012066A
- Authority
- CN
- China
- Prior art keywords
- parametric
- sampling
- probability distribution
- quantum
- bosom
- 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
- 238000005070 sampling Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000006870 function Effects 0.000 claims abstract description 49
- 238000012805 post-processing Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 13
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 210000000481 breast Anatomy 0.000 claims description 42
- 239000011521 glass Substances 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000013461 design Methods 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 6
- 239000004576 sand Substances 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 238000010801 machine learning Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000005610 quantum mechanics Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000000044 Amnesia Diseases 0.000 description 1
- 208000026139 Memory disease Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006984 memory degeneration Effects 0.000 description 1
- 208000023060 memory loss Diseases 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Spectrometry And Color Measurement (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于参数化玻色采样的量子线路学习方法,包括设计量子线路学习框架并准备输入态;设计参数化玻色采样量子线路;线路参数初始化;计算参数化玻色采样的酉变换并得到输出态,计算输出态中不同光子配置的概率排列组合概率分布并后处理;对比后处理的概率分布与目标概率分布并计算损失函数;根据损失函数更新线路参数;重复上述步骤得到训练后的概率分布。本发明还公开了包括所述基于参数化玻色采样的量子线路学习方法的图像模糊方法。本发明在玻色采样模型中引入参数化的结构,得到了如神经网络的参数化玻色采样模型,实现了函数拟合的功能,能够通过量子计算机对大数据时期的大量数据的处理和分析。
Description
技术领域
本发明具体涉及一种基于参数化玻色采样的量子线路学习方法及图像模糊方法。
背景技术
近年来,机器学习技术发展浪潮汹涌,在这个需要处理的数据量愈发庞大的时代,机器学习技术已经成为了最具潜力的技术之一。机器学习可以根据已有数据所组成的训练集进行学习策略的探索和潜在结构的发现,基于所得模型进行预测及预警。同时,近年来逐渐膨胀的大数据为众多产业提供了相当可观的价值,但与此同时也在技术层面让从业人员不得不面临更加严峻的挑战。许多传统的机器学习算法及网络模型都已无法应对大数据时代海量数据的处理和分析,因此不得不寻找新的方法来解决问题。
如今,世界范围内已经出现了众多新的研究,探索量子计算应如何与机器学习进行结合。研究人员们既希望通过引入量子计算来解决机器学习的运算效率问题,又在努力探索尝试利用量子力学所独有的一些量子优势,研究更具智能的机器学习算法以及网络模型。量子神经网络(QNN-Quantum Neural Network),是基于量子力学原理的神经网络模型。与经典神经网络相比,量子神经网络在理论上具有更快的计算速度、更高的记忆容量、更小的网络规模以及可消除灾变性失忆现象的能力。要验证这些出色的能力,玻色采样过程是一个可供实践的研究对象。由于玻色采样过程将计算需要的信息编码在玻色子(如光子)的粒子数态上,因而在不需要实现量子门的情况下,也能够展示出经典计算无法比拟的计算能力。
但现在的量子计算机尚没有广泛应用,且目前量子计算机规模不大、容错能力较低,还无法实现量子线路参数学习和承载大型数据的处理任务。然而通过与经典优化算法结合,量子计算机却能够在特定任务上展现出良好效果,实现远超经典计算机的计算能力。
发明内容
本发明的目的之一在于提供一种基于参数化玻色采样的量子线路学习方法,能够利用经典的机器学习算法解决目前的量子计算机线路学习问题,并通过混合量子经典算法实现高斯函数快速拟合。
本发明的目的之二在于提供一种包括了所述基于参数化玻色采样的量子线路学习方法的图像模糊方法。
本发明提供的这种基于参数化玻色采样的量子线路学习方法,包括如下步骤:
S1.设计基于参数化玻色采样的量子线路学习框架,并准备参数化玻色采样量子线路的输入态;
S2.设计参数化玻色采样量子线路;
S3.参数化玻色采样量子线路中的线路参数均以随机值初始化;
S4.计算参数化玻色采样的酉变换U,并得到参数化玻色采样量子线路的输出态,对输出态中不同光子配置的概率排列组合得到概率分布p,并对概率分布p进行后处理;
S5.将经过后处理的概率分布与目标概率分布对比,计算出损失函数;
S6.根据损失函数计算出参数化玻色采样量子线路中线路参数的梯度并进行更新;
S7.重复S4~S6完成迭代过程,得到训练后的概率分布。
所述的步骤S1,设计基于参数化玻色采样的量子线路学习框架,具体包括准备参数化玻色采样量子线路的输入态,定义参数化玻色采样量子线路的输入与参数化玻色采样量子线路的输出;对于m个模式、n个光子的参数化玻色采样,参数化玻色采样量子线路的输入的定义为|1>和|0>的乘积态,参数化玻色采样量子线路的输入态为其中,m为参数化玻色采样量子线路的模式数,n为参数化玻色采样量子线路的光子数,参数化玻色采样量子线路的输入由用户输入数据编码获得。
步骤S2所述的设计参数化玻色采样量子线路,具体为由m个模式和n个光子组成的参数化玻色采样量子线路包括d层移相器和分束器组成的阵列;每一层移相器组成的阵列均由作用在每个模式上的m个移相器构成;移相器是一个单模式上的旋转门,对单模式的幅度αS作用eiφ,对其他m-1模式作用单位矩阵Im-1,其中S为不同情况的光子配置,φ为特定的旋转角;分束器组成的阵列分为奇数列的分束器和偶数列的分束器,奇数列的分束器和偶数列的分束器以奇偶顺序依层交替排列;其中奇数列的分束器作用于相邻的两个模式上,对i和i+1模式的幅度αS和αt的作用为:
步骤S3所述的参数化玻色采样量子线路中的线路参数均以随机值初始化,具体为线路参数包括φ、θ和其中,φ为光学器件移相器特定的旋转角,θ和则是另一光学器件分束器的参数,分别为相位角和偏置角,φ、θ和的取值范围均为[0,2π)。
所述的步骤S4,具体为参数化玻色采样量子线路的输入通过参数化玻色采样的酉变换U演化后得到参数化玻色采样量子线路的输出,参数化玻色采样量子线路的输出态为并且参数化玻色采样量子线路的输出态|ψout>=U|ψin>;其中S为不同情况的光子配置,γS为有关配置S的复振幅,m为参数化玻色采样的模式数,ni为参数化玻色采样第i个模式的光子数。
步骤S4所述的后处理,具体为通过复振幅得到不同情况光子配置S的概率pS=Pr[S]=|γS|2,将M种配置的概率组合后得到概率分布p=[p1,…,pM],M是概率分布的样本数量,再将得到的概率分布根据目标概率分布的样本值按大小进行排列,并只在第一次迭代过程中按照目标概率分布的样本值进行大小排列,之后迭代时均以后处理的概率分布排列顺序对概率分布进行排列。
所述的步骤S5,具体为利用参数化玻色采样模型学习拟合高斯函数;采用第一评价指标和第二评价指标作为参数化玻色采样模型学习的损失函数;所述的第一评价指标为最大均值差异(Maximum Mean Discrepancy,MMD),所述的第二评价指标为平均绝对误差(Mean Absolute Error,MAE);第一评价指标和第二评价指标均用于将输出概率分布更接近于目标概率分布;
最大均值差异定义的损失函数为:
其中p为输出概率分布,p'为目标概率分布,pi和pj均为输出概率分布的预测值,p'i和p'j均为目标概率分布的真实值,M是概率分布的样本数量;最大均值差异中包括如下高斯核函数:
k(x,y)=exp(-||x-y||2/2σ2)
其中σ是控制高斯核函数的带宽参数;
平均绝对误差定义的损失函数为:
其中pl为输出概率分布的预测值,pl'为目标概率分布的真实值。
本发明还提供一种包括上述基于参数化玻色采样的量子线路学习方法的图像模糊方法,包括如下步骤:
A.采用所述的基于参数化玻色采样的量子线路学习方法,进行高斯函数拟合,确定高斯函数的平均值与标准差,并准备需要模糊的图片;
B.计算权重矩阵;
C.计算高斯模糊值;
D.对图片中所有像素点重复步骤B和步骤C,最终得到高斯模糊后的图像。
本发明提供的这种基于参数化玻色采样的量子线路学习方法及其图像模糊方法,利用在玻色采样模型中引入参数化的结构,得到了如同神经网络的参数化玻色采样模型,实现了函数拟合的功能,能够通过量子计算机对大数据时期的大量数据的处理和分析。
附图说明
图1为本发明的量子线路学习方法的方法流程示意图。
图2为本发明方法的量子线路设计示意图。
图3为本发明实施例的量子线路设计示意图。
图4为本发明的图像模糊方法的方法流程示意图。
具体实施方式
如图1为本发明方法的流程示意图。本发明提供的这种基于参数化玻色采样的量子线路学习方法,包括如下步骤:
S1.设计基于参数化玻色采样的量子线路学习框架,具体包括准备参数化玻色采样量子线路的输入态,定义参数化玻色采样量子线路的输入与参数化玻色采样量子线路的输出;对于m个模式、n个光子的参数化玻色采样,参数化玻色采样量子线路的输入的定义为|1>和|0>的乘积态,参数化玻色采样量子线路的输入态为其中,m为参数化玻色采样量子线路的模式数,n为参数化玻色采样量子线路的光子数,参数化玻色采样量子线路的输入由用户输入数据编码获得;
S2.设计参数化玻色采样量子线路,具体为由m个模式和n个光子组成的参数化玻色采样量子线路包括d层移相器和分束器组成的阵列。
每一层的移相器组成的阵列均由作用在每个模式上的m个移相器构成。移相器R(φ)是一个作用于单模式上的旋转门,对单模式的幅度αS作用eiφ,对其他m-1模式作用单位矩阵Im-1,其中S为不同情况的光子配置,φ为特定的旋转角;分束器组成的阵列分为奇数列的分束器和偶数列的分束器,奇数列的分束器和偶数列的分束器以奇偶顺序依层交替排列;其中奇数列的分束器作用于相邻的两个(i和i+1,i为奇数)模式上,对i和i+1模式的幅度αS和αt的作用为:
如图2为本发明方法的量子线路设计示意图;在本实施例中,当m=4,n=3,d=2求得如图3所示的量子线路设计示意图。
S3.参数化玻色采样量子线路中的线路参数均以随机值初始化,所述的参数化玻色采样量子线路中的线路参数包括φ、θ和其中,φ为光学器件移相器特定的旋转角,θ和则是另一光学器件分束器的参数,分别为相位角和偏置角,φ、θ和的取值范围均为[0,2π);
S4.计算参数化玻色采样的酉变换U,并得到参数化玻色采样量子线路的输出态;具体为参数化玻色采样量子线路的输入通过参数化玻色采样的酉变换U演化后得到参数化玻色采样量子线路的输出,参数化玻色采样量子线路的输出态为并且参数化玻色采样量子线路的输出态|ψout>=U|ψin>;其中S为不同情况的光子配置,γS为有关配置S的复振幅,m为参数化玻色采样的模式数,ni为参数化玻色采样第i个模式的光子数。对输出态中不同光子配置的概率排列组合得到概率分布p,并对概率分布p进行后处理;具体为通过复振幅得到不同情况光子配置S的概率pS=Pr[S]=|γS|2,将M种配置的概率组合后得到概率分布p=[p1,...,pM],M是概率分布的样本数量,再将得到的概率分布根据目标概率分布的样本值按大小进行排列,并只在第一次迭代过程中按照目标概率分布的样本值进行大小排列,之后迭代时均以后处理的概率分布排列顺序对概率分布进行排列。
S5.将排列后的概率分布与目标概率分布对比,计算出损失函数;具体为利用参数化玻色采样模型学习拟合高斯函数;采用第一评价指标和第二评价指标作为参数化玻色采样模型学习的损失函数;所述的第一评价指标为最大均值差异(Maximum MeanDiscrepancy,MMD),所述的第二评价指标为平均绝对误差(Mean Absolute Error,MAE);第一评价指标和第二评价指标均用于将输出概率分布更接近于目标概率分布;
最大均值差异定义的损失函数为:
其中p为输出概率分布,p'为目标概率分布,pi和pj均为输出概率分布的预测值,p'i和p'j均为目标概率分布的真实值,M是概率分布的样本数量;最大均值差异中包括如下高斯核函数:
k(x,y)=exp(-||x-y||2/2σ2)
其中σ是控制高斯核函数的带宽参数;
平均绝对误差定义的损失函数为:
其中pl为输出概率分布的预测值,pl'为目标概率分布的真实值。
具体实施时:
第一损失函数和第二损失函数作为一个评估标准,损失函数值越小,那么输出概率分布拟合目标概率分布的程度越高。最大均值差异从概率分布整体上评估预测值与真实值之间的差异,而平均绝对误差则是根据概率分布的样本位置考虑两者之间的差异。对参数化玻色采样量子线路的输出态中不同光子配置的概率排列组合得到概率分布p,并只在第一次迭代过程中按照目标概率分布的样本值进行后处理,之后迭代时均以S4中的后处理的概率分布排列顺序对概率分布进行排列。将排列后的概率分布与目标概率分布对比,计算出损失函数;
S7.重复S4~S6完成迭代过程,求出训练后的概率分布。
本发明提供的这种基于参数化玻色采样的量子线路学习方法,可以用于图像模糊,图像加噪,图像加密,荧光光谱图分析,信号处理,统计学,数学等应用场合,以图像模糊为例,其具体实现过程如下(如图4所示):
步骤1:采用本发明所提供的基于参数化玻色采样的量子线路学习方法,进行高斯函数拟合,确定高斯函数的平均值与标准差,并准备需要模糊的图片;
步骤2:计算权重矩阵;
以9个像素点为例,根据标准差计算图片1个像素点和周围8个像素点的权重矩阵,保证权重矩阵所有数值之和为1;
步骤3:计算高斯模糊值;
以9个像素点为例,灰度值均保持在[0,255]之间,矩阵灰度值与权重矩阵对应值相互乘积并相加,得到中心像素点高斯模糊值;
步骤4:对图片中所有像素点重复步骤2和步骤3,最终得到高斯模糊后的图像。
Claims (9)
1.一种基于参数化玻色采样的量子线路学习方法,包括如下步骤:
S1.设计基于参数化玻色采样的量子线路学习框架,并准备参数化玻色采样量子线路的输入态;
S2.设计参数化玻色采样量子线路;
S3.参数化玻色采样量子线路中的线路参数均以随机值初始化;
S4.计算参数化玻色采样的酉变换U,并得到参数化玻色采样量子线路的输出态,对输出态中不同光子配置的概率排列组合得到概率分布p,并对概率分布p进行后处理;
S5.将经过后处理的概率分布与目标概率分布对比,计算出损失函数;
S6.根据损失函数计算出参数化玻色采样量子线路中线路参数的梯度并进行更新;
S7.重复步骤S4~S6完成迭代过程,得到训练后的概率分布。
3.根据权利要求2所述的基于参数化玻色采样的量子线路学习方法,其特征在于步骤S2所述的设计参数化玻色采样量子线路,具体为由m个模式和n个光子组成的参数化玻色采样量子线路包括d层移相器和分束器组成的阵列;每一层移相器组成的阵列均由作用在每个模式上的m个移相器构成;移相器是一个单模式上的旋转门,对单模式的幅度αS作用eiφ,对其他m-1模式作用单位矩阵Im-1,其中S为不同情况的光子配置,φ为特定的旋转角;分束器组成的阵列分为奇数列的分束器和偶数列的分束器,奇数列的分束器和偶数列的分束器以奇偶顺序依层交替排列;其中奇数列的分束器作用于相邻的两个模式上,对i和i+1模式的幅度αS和αt的作用为:
6.根据权利要求5所述的基于参数化玻色采样的量子线路学习方法,其特征在于步骤S4所述的后处理,具体为通过复振幅得到不同情况光子配置S的概率pS=Pr[S]=|γS|2,将M种配置的概率组合后得到概率分布p=[p1,...,pM],M是概率分布的样本数量,再将得到的概率分布根据目标概率分布的样本值按大小进行排列,并只在第一次迭代过程中按照目标概率分布的样本值进行大小排列,之后迭代时均以后处理的概率分布排列顺序对概率分布进行排列。
7.根据权利要求6所述的基于参数化玻色采样的量子线路学习方法,其特征在于所述的步骤S5,具体为利用参数化玻色采样模型学习拟合高斯函数;采用第一评价指标和第二评价指标作为参数化玻色采样模型学习的损失函数;所述的第一评价指标为最大均值差异,所述的第二评价指标为平均绝对误差;第一评价指标和第二评价指标均用于将输出概率分布更接近于目标概率分布;
最大均值差异定义的损失函数为:
其中p为输出概率分布,p'为目标概率分布,pi和pj均为输出概率分布的预测值,p'i和p'j均为目标概率分布的真实值,M是概率分布的样本数量;最大均值差异中包括如下高斯核函数:
k(x,y)=exp(-||x-y||2/2σ2)
其中σ是控制高斯核函数的带宽参数;
平均绝对误差定义的损失函数为:
其中pl为输出概率分布的预测值,p′l为目标概率分布的真实值。
9.一种包括权利要求1~8之一所述的基于参数化玻色采样的量子线路学习方法的图像模糊方法,其特征在于包括如下步骤:
A.采用所述的基于参数化玻色采样的量子线路学习方法,进行高斯函数拟合,确定高斯函数的平均值与标准差,并准备需要模糊的图片;
B.计算权重矩阵;
C.计算高斯模糊值;
D.对图片中所有像素点重复步骤B和步骤C,最终得到高斯模糊后的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110277055.7A CN113012066B (zh) | 2021-03-15 | 2021-03-15 | 基于参数化玻色采样的量子线路学习方法及图像模糊方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110277055.7A CN113012066B (zh) | 2021-03-15 | 2021-03-15 | 基于参数化玻色采样的量子线路学习方法及图像模糊方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113012066A true CN113012066A (zh) | 2021-06-22 |
CN113012066B CN113012066B (zh) | 2022-06-17 |
Family
ID=76407399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110277055.7A Active CN113012066B (zh) | 2021-03-15 | 2021-03-15 | 基于参数化玻色采样的量子线路学习方法及图像模糊方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113012066B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114444701A (zh) * | 2022-02-01 | 2022-05-06 | 上海图灵智算量子科技有限公司 | 训练量子线路及数据嵌入的方法 |
CN116401377B (zh) * | 2023-04-04 | 2024-01-23 | 华中师范大学 | 一种基于扩散概率分布的时序知识图谱推理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170164191A1 (en) * | 2015-12-07 | 2017-06-08 | International Business Machines Corporation | Remote Authentication Through Reconfigurable Boson Samplers |
CN111162913A (zh) * | 2020-01-02 | 2020-05-15 | 中南大学 | 基于玻色采样随机幺正操作的仲裁量子签名方法 |
CN111542935A (zh) * | 2018-01-05 | 2020-08-14 | 耶鲁大学 | 鲁棒的量子逻辑门 |
CN111707385A (zh) * | 2020-06-19 | 2020-09-25 | 上海交通大学 | 基于时间飞行探测技术实现时间戳玻色采样量子计算系统 |
CN111783990A (zh) * | 2020-07-01 | 2020-10-16 | 中南大学 | 基于高斯玻色采样的单向函数设计方法及其密码验证方法 |
-
2021
- 2021-03-15 CN CN202110277055.7A patent/CN113012066B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170164191A1 (en) * | 2015-12-07 | 2017-06-08 | International Business Machines Corporation | Remote Authentication Through Reconfigurable Boson Samplers |
CN111542935A (zh) * | 2018-01-05 | 2020-08-14 | 耶鲁大学 | 鲁棒的量子逻辑门 |
CN111162913A (zh) * | 2020-01-02 | 2020-05-15 | 中南大学 | 基于玻色采样随机幺正操作的仲裁量子签名方法 |
CN111707385A (zh) * | 2020-06-19 | 2020-09-25 | 上海交通大学 | 基于时间飞行探测技术实现时间戳玻色采样量子计算系统 |
CN111783990A (zh) * | 2020-07-01 | 2020-10-16 | 中南大学 | 基于高斯玻色采样的单向函数设计方法及其密码验证方法 |
Non-Patent Citations (2)
Title |
---|
ALEXANDRA ET AL.: "Quantum simulation of partially distinguishiable boson sampling", 《PHYSICAL REVIEW A》 * |
施荣华 等: "基于正则图上量子游走的仲裁量子签名方案", 《电子与信息学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114444701A (zh) * | 2022-02-01 | 2022-05-06 | 上海图灵智算量子科技有限公司 | 训练量子线路及数据嵌入的方法 |
CN114444701B (zh) * | 2022-02-01 | 2023-10-27 | 上海图灵智算量子科技有限公司 | 训练量子线路及数据嵌入的方法 |
CN116401377B (zh) * | 2023-04-04 | 2024-01-23 | 华中师范大学 | 一种基于扩散概率分布的时序知识图谱推理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113012066B (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yao et al. | Dr2-net: Deep residual reconstruction network for image compressive sensing | |
EP3270330B1 (en) | Method for neural network and apparatus performing same method | |
CN113012066B (zh) | 基于参数化玻色采样的量子线路学习方法及图像模糊方法 | |
WO2019136772A1 (zh) | 一种模糊图像的复原方法、装置、设备及存储介质 | |
Zeng et al. | Single image super-resolution using a polymorphic parallel CNN | |
CA3117223A1 (en) | Hybrid quantum-classical computer for packing bits into qubits for quantum optimization algorithms | |
JP7181560B2 (ja) | 量子回路学習装置、量子回路学習方法、コンピュータプログラム、及び記録媒体 | |
US20240095563A1 (en) | Quantum convolution operator | |
CN111105017B (zh) | 神经网络量化方法、装置及电子设备 | |
Jin et al. | Unsupervised neural networks for quantum eigenvalue problems | |
Zhao et al. | Single MR image super-resolution via channel splitting and serial fusion network | |
Wang et al. | Variational probabilistic generative framework for single image super-resolution | |
CN108805844B (zh) | 一种基于先验滤波的轻量化回归网络构建方法 | |
Jiang et al. | Toward pixel-level precision for binary super-resolution with mixed binary representation | |
Röding et al. | Inverse design of anisotropic spinodoid materials with prescribed diffusivity | |
Xin et al. | Advanced binary neural network for single image super resolution | |
Zhang et al. | Dimensionality-varying diffusion process | |
CN116385265B (zh) | 一种图像超分辨率网络的训练方法及装置 | |
Tang et al. | Lightweight network with one-shot aggregation for image super-resolution | |
CN111179171A (zh) | 基于残差模块和注意力机制的图像超分辨率重建方法 | |
Wang et al. | Deep learning super‐resolution electron microscopy based on deep residual attention network | |
Yang et al. | Image super-resolution based on the down-sampling iterative module and deep CNN | |
Chen et al. | Material structure segmentation method based on graph attention | |
Xin et al. | Learn from each other: Comparison and fusion for medical segmentation loss | |
CN116823627A (zh) | 一种基于图像复杂度评价的超大尺寸图像快速去噪方法 |
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 |