CN113033703B - 量子神经网络训练方法及装置、电子设备和介质 - Google Patents

量子神经网络训练方法及装置、电子设备和介质 Download PDF

Info

Publication number
CN113033703B
CN113033703B CN202110432127.0A CN202110432127A CN113033703B CN 113033703 B CN113033703 B CN 113033703B CN 202110432127 A CN202110432127 A CN 202110432127A CN 113033703 B CN113033703 B CN 113033703B
Authority
CN
China
Prior art keywords
quantum
neural network
state
communication
parties
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
CN202110432127.0A
Other languages
English (en)
Other versions
CN113033703A (zh
Inventor
王鑫
于思拙
宋旨欣
赵炫强
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 CN202110432127.0A priority Critical patent/CN113033703B/zh
Publication of CN113033703A publication Critical patent/CN113033703A/zh
Application granted granted Critical
Publication of CN113033703B publication Critical patent/CN113033703B/zh
Priority to JP2022031755A priority patent/JP7369810B2/ja
Priority to US17/712,640 priority patent/US20220222507A1/en
Priority to AU2022202647A priority patent/AU2022202647C1/en
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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
    • 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
    • G06N10/80—Quantum programming, e.g. interfaces, languages or software-development kits for creating or handling programs capable of running on quantum computers; Platforms for simulating or accessing quantum computers, e.g. cloud-based quantum computing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Optical Communication System (AREA)

Abstract

本公开提供了一种量子神经网络训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品，涉及量子计算领域，尤其涉及量子信息传输技术领域。实现方案为：对于量子通信双方中的每一方：初始化待训练的第一量子神经网络和至少两个第二量子神经网络，并获取量子态训练集；设置双方共享的一个或多个处于纠缠态的量子比特对；对于每一个量子态组合：将量子态组合中的量子态输入各自对应的第一量子神经网络中，并测量其输出的且不输入到至少两个第二量子神经网络中的每一个的量子比特以得到相应的量子态；根据测量的结果选择性运行第二量子神经网络，以获得双方输出量子比特的量子态以计算损失函数；以及调整参数值，以使得损失函数达到最小值。

Description

量子神经网络训练方法及装置、电子设备和介质
技术领域
本公开涉及量子计算领域，尤其涉及量子信息传输技术领域，具体涉及一种量子神经网络训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人类正处于新一轮量子科技高速兴起的浪潮之中，越来越多的量子科技在不断涌现，量子硬件的技术也在逐年提升，量子通信以及量子互联网也在不断发展，这其中最根本的一项技术就是量子隐形传态(Quantum Teleportation，QT)，泛指通过量子纠缠和经典通信来实现量子信息的传输。该技术通过利用量子纠缠(Quantum entanglement)，可以实现任意距离上的量子信息传输，因此对量子通信、分布式量子计算和量子网络的发展都有着不可替代的重要性。
当前对量子双向隐形传态需要进行两次量子单向隐形传态，而量子纠缠资源的制备和分配是困难的。因此，如何利用尽可能少的纠缠资源来完成更多量子信息的传输，对于量子科技的实际应用有着至关重要的意义。
发明内容
本公开提供了一种量子神经网络训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面，提供了一种量子神经网络训练方法，包括：对于量子通信双方中的每一方：初始化待训练的第一量子神经网络和至少两个第二量子神经网络，并获取对应于待传输的量子比特的量子态训练集，其中，所述第一量子神经网络被配置为接收用于量子通信的量子比特，所述至少两个第二量子神经网络中的每一个被配置为接收所述第一量子神经网络输出的与待传输的量子比特数量相同的量子比特；设置量子通信双方共享的一个或多个处于纠缠态的量子比特对；对于每一个量子态组合，其中所述每一个量子态组合包括分别来自两组所述训练集的一个量子态：将所述量子态组合中的量子态以及所述处于纠缠态的量子比特对中的量子比特输入各自对应的所述第一量子神经网络中，并测量所述第一量子神经网络输出的且不输入到所述至少两个第二量子神经网络中的每一个的量子比特以得到相应的量子态；根据对方的所述测量的结果选择性运行相应的第二量子神经网络，以获得双方的所述相应的第二量子神经网络各自输出的量子比特的量子态，作为进行所述量子通信后双方交换得到的量子信息；以及计算所述量子通信双方中的每一方所得到的量子态与所述量子态组合中的相应量子态之间的误差；基于所有所述量子态组合所对应的误差计算损失函数；以及调整量子通信双方中的每一方的所述第一量子神经网络和所述第二量子神经网络的参数值，以使得所述损失函数达到最小值，从而获得训练后的所述第一量子神经网络和所述第二量子神经网络。
根据本公开的另一方面，提供了一种双向量子隐形传态方法，包括：设置量子通信双方共享的一个或多个处于纠缠态的量子比特对；对于量子通信双方中的每一方：将用于量子通信的量子比特输入第一量子神经网络，并将所述第一量子神经网络输出的与待传输的量子比特数量相同的量子比特输入第二量子神经网络；测量所述第一量子神经网络输出的且不输入到所述第二量子神经网络中的量子比特，以得到相应的量子态；根据对方的所述测量的结果选择性运行相应的第二量子神经网络，以获得双方的所述相应的第二量子神经网络各自输出的量子比特的量子态，作为进行所述量子通信后双方交换得到的量子信息，其中，所述量子通信双方的所述第一量子神经网络以及所述第二量子神经网络通过根据本公开所述的量子神经网络训练方法获得。
根据本公开的另一方面，提供了一种量子神经网络训练装置，包括：初始化单元，配置为：对于量子通信双方中的每一方：初始化待训练的第一量子神经网络和至少两个第二量子神经网络，并获取对应于待传输的量子比特的量子态训练集，其中，所述第一量子神经网络被配置为接收用于量子通信的量子比特，所述至少两个第二量子神经网络中的每一个被配置为接收所述第一量子神经网络输出的与待传输的量子比特数量相同的量子比特；纠缠态分配单元，配置为：设置量子通信双方共享的一个或多个处于纠缠态的量子比特对；通信单元，配置为：对于每一个量子态组合，其中所述每一个量子态组合包括分别来自两组所述训练集的一个量子态：将所述量子态组合中的量子态以及所述处于纠缠态的量子比特对中的量子比特输入各自对应的所述第一量子神经网络中，并测量所述第一量子神经网络输出的且不输入到所述至少两个第二量子神经网络中的每一个的量子比特以得到相应的量子态；根据对方的所述测量的结果选择性运行相应的第二量子神经网络，以获得双方的所述相应的第二量子神经网络各自输出的量子比特的量子态，作为进行所述量子通信后双方交换得到的量子信息；以及计算所述量子通信双方中的每一方所得到的量子态与所述量子态组合中的相应量子态之间的误差；计算单元，配置为：基于所有所述量子态组合所对应的误差计算损失函数；以及训练单元，配置为：调整量子通信双方中的每一方的所述第一量子神经网络和所述第二量子神经网络的参数值，以使得所述损失函数达到最小值，从而获得训练后的所述第一量子神经网络和所述第二量子神经网络。
根据本公开的另一方面，提供了一种双向量子隐形传态装置，包括：纠缠态分配单元，配置为：设置量子通信双方共享的一个或多个处于纠缠态的量子比特对；第一传输单元，配置为：对于量子通信双方中的每一方：将用于量子通信的量子比特输入第一量子神经网络，并将所述第一量子神经网络输出的与待传输的量子比特数量相同的量子比特输入第二量子神经网络；测量单元，配置为：测量所述第一量子神经网络输出的且不输入到所述第二量子神经网络中的量子比特，以得到相应的量子态；第二传输单元，配置为：根据对方的所述测量的结果选择性运行相应的第二量子神经网络，以获得双方的所述相应的第二量子神经网络各自输出的量子比特的量子态，作为进行所述量子通信后双方交换得到的量子信息，其中，所述量子通信双方的所述第一量子神经网络以及所述第二量子神经网络通过根据本公开所述的量子神经网络训练方法获得。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器能够执行根据本公开所述的量子神经网络训练方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行根据本公开所述的量子神经网络训练方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现根据本公开所述的量子神经网络训练方法。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器能够执行根据本公开所述的双向量子隐形传态方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行根据本公开所述的双向量子隐形传态方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现根据本公开所述的双向量子隐形传态方法。
根据本公开的一个或多个实施例，通过在量子通信双方各自创建若干个可以不断优化训练参数的量子神经网络，从而使得训练后的量子神经网络达到双向量子隐形传态，并且还能进一步减少纠缠资源消耗，具有很强的拓展性和适应性。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
图2示出了示例性实施例的单向量子隐形传态的示意图；
图3示出了示例性实施例的量子双向隐形传态的示意图；
图4示出了示例性实施例的单向量子隐形传态的电路模板示意图；
图5示出了根据本公开的实施例的量子神经网络训练方法的流程图；
图6示出了根据本公开的实施例的双向量子隐形传态的电路模板示意图；
图7示出了基于图6所示电路模板模拟训练过程中的损失函数变化的示意图；
图8示出了根据本公开的实施例的利用三个含噪声纠缠对来双向传送四个量子态的电路模板示意图；
图9示出了根据本公开的实施例的双向量子隐形传态方法的流程图；
图10示出了根据本公开的实施例的量子神经网络训练装置的结构框图；
图11示出了根据本公开的实施例的双向量子隐形传态装置的结构框图；以及
图12示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围。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。
在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中，服务器120可以运行使得能够执行图像填充方法的一个或多个服务或软件应用。
在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
客户端设备101、102、103、104、105和/或106可以用来用于训练、传输的数据、指令等等。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如Microsoft Windows、AppleiOS、类UNIX操作系统、Linux或类Linux操作系统(例如Google Chrome OS)；或包括各种移动操作系统，例如Microsoft Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如训练集、参数等数据。数据存储库130可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中，由服务器120使用的数据存储库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
以传输1量子比特(qubit)信息为例，假设量子通信双方分别为：发送方Alice和接收方Bob。如图2所示，发送和接收双方在传输信息之前共享一对具有一定纠缠的量子比特对，记为A和B(当需要传输多个量子比特信息时，纠缠资源也需要相应的增加)。为了确保传输的最高保真度，这对纠缠的量子比特对AB一般制备为贝尔态Φ+(Bell state)。Alice需要传输的信息则存储在另一个量子比特C。在这类任务中，由于通信双方通常相隔两地，故允许的物理操作是Alice和Bob各自的本地量子操作和经典通信(LOCC，local operationsand classical communication)。其中，量子操作通常指作用于量子比特的量子门和量子测量，而本地量子操作表示Alice和Bob只能对各自实验室中的量子比特做量子操作；经典通信通常用于两人交流量子测量得到的结果。
上述的量子隐形传态是一种单方面的信息传输过程，但存在一种更为高效的双向传输方案，即双向量子隐形传态(Bidirectional Quantum Teleportation，BQT)。双向量子隐形传态可以在一次传输过程中交换通信双方各自的量子信息，如图3所示。
当前，对量子双向隐形传态一般需要进行两次量子单向隐形传态。具体地，如图4所示，Alice和Bob作为量子通信双方，持有一对预先分配的纠缠对，即图3中的量子比特A和B，A和B处于贝尔态Φ+。同时，Alice具有一个额外的处于某个特定的量子态ρ的量子比特C。为将量子比特C的量子态传送给Bob：(1)Alice对量子比特C和A施加受控非门(CNOT gate)，之后对量子比特C施加H(Hadamard)门；(2)Alice对量子比特C和A进行测量，并将测量结果m1m2∈{00,01,10,11}通过经典通信的方式发送给Bob；Bob根据Alice发送过来的测量结果，条件性的施加X和Z旋转门在其本地的量子比特B上，例如Alice对C和A的测量结果分别为0和1，则Bob只施加X门，而不施加Z门。经典通信可以包括通过邮件、电话等等方式。如果要实现量子双向隐形传态，即Bob也希望将其本地的一个量子比特的量子态发送给Alice，则需要双方共享两对贝尔态，并重复(1)-(3)中的操作两次，从而分别将双方各自拥有的量子态发送给对方。
对于多个量子比特，不同形式的纠缠资源(不同于最大纠缠态，例如团簇态(cluster state))的双向传态目前还没有统一的方案，现有文献中提出的解决方法还处于基于个例(case-by-case)的量子线路。对于交换n对量子比特的量子态的应用场景，现有的方案至少需要消耗2n个量子比特纠缠对的资源。
在实际应用中，量子纠缠资源的制备和分配是困难的。因此，如何利用尽可能少的纠缠资源来完成更多量子信息的传输，对于量子科技的实际应用有着至关重要的意义。
因此，根据本公开的实施例提供了一种量子神经网络训练方法500，如图5所示，包括：对于量子通信双方中的每一方：初始化待训练的第一量子神经网络和至少两个第二量子神经网络，并获取对应于待传输的量子比特的量子态训练集(步骤510)；设置量子通信双方共享的一个或多个处于纠缠态的量子比特对(步骤520)；对于每一个量子态组合，其中所述每一个量子态组合包括分别来自两组所述训练集的一个量子态：将所述量子态组合中的量子态以及所述处于纠缠态的量子比特对中的量子比特输入各自对应的所述第一量子神经网络中，并测量所述第一量子神经网络输出的且不输入到所述至少两个第二量子神经网络中的每一个的量子比特以得到相应的量子态(步骤530)；根据对方的所述测量的结果选择性运行相应的第二量子神经网络，以获得双方的所述相应的第二量子神经网络各自输出的量子比特的量子态，作为进行所述量子通信后双方交换得到的量子信息(步骤540)；以及计算所述量子通信双方中的每一方所得到的量子态与所述量子态组合中的相应量子态之间的误差(步骤550)；基于所有所述量子态组合所对应的误差计算损失函数(步骤560)；以及调整量子通信双方中的每一方的所述第一量子神经网络和所述第二量子神经网络的参数值，以使得所述损失函数达到最小值，从而获得训练后的所述第一量子神经网络和所述第二量子神经网络(步骤570)。
根据本公开的实施例，根据本公开的方法在量子通信双方各自创建若干个可以不断优化训练参数的量子神经网络，从而使得训练后的量子神经网络达到双向量子隐形传态，并且还能进一步减少纠缠资源消耗，具有很强的拓展性和适应性。
量子神经网络(Quantum Neural Network，QNN)通常由若干个单量子比特旋转门和CNOT门组成，其中的若干个旋转角度组成了向量θ，即可调节的参数。更为一般的，量子神经网络可以是由若干参数可以调节的量子电路。量子神经网络在各种量子算法中有着广泛地应用，例如求解一个量子系统的最低能量的VQE算法。根据本公开的方法，在Alice和Bob两方的本地各自创建可以不断优化训练参数的量子神经网络，并通过本地测量结果和经典通讯来条件性地使得通信双方再进行一次参数化的本地操作从而达到双向量子隐形传态。
在一些示例中，用于量子通信的量子比特包括处于纠缠态的量子比特以及待传输的量子比特。
在一些示例中，Alice和Bob首先需要在本地准备若干个可调节参数的量子神经网络，并分别在Alice和Bob的本地定义一组量子态{ρi}i＝1…n和{σj}j＝1…m作为训练集。训练集中的量子态作为量子通信过程将要互相传输的量子态。所定义的训练集中的量子态的量子比特个数与待引用的量子通信过程所要传输的量子比特数相适应，即：如果Alice实际需要将2比特的量子态传输到Bob，则在训练Alice和Bob准备的可调节参数的量子神经网络时，在Alice的本地定义一组量子态{ρi}i＝1…n训练集中的每个量子态ρi均为2比特的量子态；Bob同理，在此不再赘述。
在一些示例中，在准备好量子神经网络和量子态训练集之后，在量子神经网络的训练过程中，Alice和Bob双方即可分别把各自训练集中的量子态依次作为需要传输的量子态初始化在待传输的量子比特上。每一次训练过程中，Alice和Bob双方的待传输量子态即形成一个量子态组合。例如，{ρi}i＝1…4和{σj}j＝1…4即可形成{ρ1,σ1}、{ρ1,σ2}、{ρ1,σ3}、{ρ1,σ4}、{ρ2,σ1}…等16个量子态组合。其他量子态组合的形式也是可能的，在此不作限制。
在一些示例中，Alice和Bob分别根据预先定义的电路模版将准备的量子神经网络作用在各自的量子系统上。Alice和Bob各自测量本地的量子比特，并把测量结果通过经典通讯的方式传输给对方；Alice和Bob按照传输信息的结果再次进行本地操作，以实现将Alice和Bob本地各自的量子态进行了交换。
可以根据预先定义的电路模版准备相应的第一量子神经网络和第二量子神经网络。第二量子神经网络可以为至少两个。根据一些实施例，第一量子神经网络被配置为接收用于量子通信的量子比特，至少两个第二量子神经网络中的每一个被配置为接收第一量子神经网络输出的与待传输的量子比特数量相同的量子比特。
根据一些实施例，对于量子通信双方中的每一方：响应于处于纠缠态的量子比特对的个数小于待传输的量子比特个数，至少两个第二量子神经网络中的每一个被配置为接收第一量子神经网络输出的与设置的处于纠缠态的量子比特以及一个或多个待传输的量子比特相对应的量子比特。
根据一些实施例，对于量子通信双方中的每一方：响应于处于纠缠态的量子比特对的个数不小于待传输的量子比特个数，至少两个第二量子神经网络中的每一个被配置为接收第一量子神经网络输出的与处于纠缠态的量子比特相对应的量子比特。
可以理解的是，处于纠缠态的量子不小于待传输的量子比特个数时，量子信息传输的效果较好。但是，基于根据本公开的方法训练后的电路模板进行量子信息传输时，都至少可以比通常的量子单向隐形传态节约一半的纠缠态量子比特对。
根据一些实施例，基于以下公式计算所述损失函数：
Figure BDA0003031788050000121
其中，L为损失函数，{σj,ρi}表示来自其中一个训练集的量子态σj和来自另一个训练集的量子态ρi组成的一个量子态组合，g(σj,θk)和f(ρi,θk)分别表示在量子神经网络的参数为θk时、σj和ρi传输到对方后得到的量子态，其中，θk表示第k次训练过程中的一组参数值，所述一组参数值中的每一个参数值分别对应于所述量子通信双方中的每一方的所述第一量子神经网络以及所述至少两个第二量子神经网络中的每一个，F()表示保真度函数，m和n分别表示所述其中一个训练集的量子态个数和所述另一个训练集的量子态个数。
这里，将所有量子神经网络的参数统一记为θ，θ表示一个向量，包含了电路模板中所有可以调节的参数。需要特别指出的是，电路中的每一个量子神经网络只包含总体参数θ中的一部分，不同量子神经网络所包含的参数是相互独立的。
根据一些实施例，通过最优化方法调整第一量子神经网络和所述第二量子神经网络的参数值，包括但不限于梯度下降法等。
在根据本公开的一个示例性实施例中，Alice和Bob双方共享一对纠缠的量子比特对且Alice和Bob双方交换一个量子比特信息，如图6所示。首先，Alice和Bob都在本地定义一系列的单比特量子态作为训练集{ρi}i＝1…n和{σj}j＝1…m。示例地，可以使用密度矩阵来表示一个量子态。如图6所示，分别准备Alice和Bob的本地量子神经网络：UA(θ)、
Figure BDA0003031788050000122
UB(θ)、
Figure BDA0003031788050000123
这里用下标A标记Alice的本地电路，下标B标记Bob的本地量子神经网络。UA(θ)和UB(θ)分别为Alice和Bob的第一量子神经网络，
Figure BDA0003031788050000131
和
Figure BDA0003031788050000132
分别表示Alice和Bob的第二量子神经网络。
如图6所示，
Figure BDA0003031788050000133
和
Figure BDA0003031788050000134
分别根据B2和A2的测量结果选择性运行，而单量子比特B2和A2可能的测量结果只有两种：0或1，因此，
Figure BDA0003031788050000135
包括
Figure BDA0003031788050000136
和
Figure BDA0003031788050000137
Figure BDA0003031788050000138
包括
Figure BDA0003031788050000139
和
Figure BDA00030317880500001310
以分别根据B2和A2的测量结果选择性运行
Figure BDA00030317880500001311
和
Figure BDA00030317880500001312
中各自相应的一个。将备Alice和Bob的本地量子神经网络中的参数θ进行随机初始化，这里θ表示对应于每一个量子神经网络的一组参数值。将A1、B1设为Alice和Bob共享的纠缠量子比特对Ψ。量子神经网络的训练流程如下：
(1)初始化训练次数k＝0，参数可以记为θk。
(2)Alice和Bob从各自的训练集中分别选取一个量子ρi、σj，并将A2和B2量子比特分别制备为ρi、σj态。
(3)Alice和Bob分别运行各自本地的量子神经网络UA(θk),UB(θk)。
(4)Alice和Bob分别测量各自本地的量子比特A2、B2，并把测量结果通过经典通信告知对方。该测量为单量子比特上的01测量，故可能的测量结果只有两种：0或1。
(5)Alice和Bob分别根据对方传来的经典通信结果来选择性运行其本地的第二量子神经网络
Figure BDA00030317880500001313
和
Figure BDA00030317880500001314
例如，Alice收到了Bob传来的测量结果为1，那么Alice将运行
Figure BDA00030317880500001315
反之，运行
Figure BDA00030317880500001316
对于Bob同理。
(6)Alice和Bob分别计算A1、B1上的量子态g(σj,θk),f(ρi,θk)和步骤(2)中B2、A2上制备的初始态ρj、ρi之间的保真度F(g(σj,θk),σj),F(f(ρi,θk),ρi)，并计算Li,j＝2-F(g(σj,θk),σj)-F(f(ρi,θk),ρi)作为损失函数。当此时A1、B1上的量子比特和(2)中B2、A2上制备的初始态相同时，即传送后的态和传送前的态一致时，两个保真度都为1，损失函数为0。
(7)Alice和Bob选取不同的态来重复(2)-(6)，直至两组训练集中的量子态的所有可能组合都被遍历；并且，将每一种组合的损失函数都求和以作为本次训练的总体损失函数L。即，
Figure BDA00030317880500001317
(8)求损失函数L对于量子神经网络中的参数θk的梯度
Figure BDA0003031788050000141
根据该梯度来更新参数θk，以逐步找到令损失函数L最小的参数组合。例如
Figure BDA0003031788050000142
Figure BDA0003031788050000143
除了上述通过梯度下降法调整参数θk外，也可以用其他优化器来更新参数，广义的来说，可以令θk+1＝h(θk)。
(9)令k＝k+1，并重复(2)-(8)，直至损失函数L不再变化或训练次数达到预先设定的某个值。
当最终损失函数最小时，意味着利用参数为训练得到的θ的上述电路模版，将尽可能精确地将Alice和Bob分别输入的任意量子态传送给对方。
训练完成之后，固定住训练得到的θ，并结合图6中的电路模版，就得到了训练好的双向隐形传态协议。该协议可以在给定的纠缠资源下，使双方通过本地操作和经典通信，达到尽可能高精度(指传输前后的态的保真度尽可能接近1)的量子信息交换：Alice和Bob本地的量子态信息的双向传输。
对于具有固定表达形式的纠缠对，上述训练过程都可以在经典计算机上模拟完成，并且得到的协议对真实的量子态具有相同的效果。当然也可以在真实的量子系统中完成，以得到对于当前纠缠资源尽可能最优的结果。
在一些示例中，可以利用Paddle Quantum中的LOCCNet模块对上述实施例中的(1)-(9)中的训练过程进行模拟。选取的训练集例如为{ρ1,ρ2,ρ3,ρ4}和{σ1,σ2,σ3,σ4}，其中：
Figure BDA0003031788050000144
上述选择的训练集是单比特的一组线性独立基，对于任何一个量子态σ(σ)，都可以写成这一组基的线性组合。也就是说在这一组训练集上的损失函数为0时，该协议就可以完成任意态的双向传输。当然，也可以选择别的线性独立态作为训练集，或者用别的态作为训练集，都可以达到类似的效果。具体的，模拟结果如图7所示，可以看到，损失函数L通过训练达到了0，即整体完成了双向量子隐形传态的任务。
基于上述使用一对纠缠对交换一对量子态的方案，可以通过调节图4中各个电路模块的大小，进一步拓展到使用任意个含噪声纠缠对来双向传输任意个量子态的量子电路。并且，在给定纠缠资源的情况下，能够达到较优的传输效率，远远超出其他方法的实现范围。例如，图8示出了利用三个含噪声纠缠对来双向传送四个量子态的电路模板的示意图，该示例方案可以通过消耗三对纠缠量子对，实现A与B之间两对量子态的量子信息互换。因此，基于参数化量子电路灵活、多样的结构，使得训练得到的双向量子隐形传态有很强的拓展性和适应性，可以针对不同的应用场景和量子设备设计合适的方案。
根据本公开的实施例，还提供了一种双向量子隐形传态方法900，如图9所示，包括：设置量子通信双方共享的一个或多个处于纠缠态的量子比特对(步骤910)；对于量子通信双方中的每一方：将用于量子通信的量子比特输入第一量子神经网络，并将所述第一量子神经网络输出的与待传输的量子比特数量相同的量子比特输入第二量子神经网络(步骤920)；测量所述第一量子神经网络输出的且不输入到所述第二量子神经网络中的量子比特，以得到相应的量子态(步骤930)；根据对方的所述测量的结果选择性运行相应的第二量子神经网络，以获得双方的所述相应的第二量子神经网络各自输出的量子比特的量子态，作为进行所述量子通信后双方交换得到的量子信息(步骤940)。量子通信双方的所述第一量子神经网络以及所述第二量子神经网络通过上面任一项所述的训练方法获得。
在一些示例中，用于量子通信的量子比特包括处于纠缠态的量子比特以及待传输的量子比特。
根据本公开的实施例，还提供了一种量子神经网络训练装置1000，如图10所示，包括：初始化单元1010，配置为：对于量子通信双方中的每一方：初始化待训练的第一量子神经网络和至少两个第二量子神经网络，并获取对应于待传输的量子比特的量子态训练集，其中，所述第一量子神经网络被配置为接收用于量子通信的量子比特，所述至少两个第二量子神经网络中的每一个被配置为接收所述第一量子神经网络输出的与待传输的量子比特数量相同的量子比特；纠缠态分配单元1020，配置为：将所述用于量子通信的一个或多个量子比特制备为纠缠态；通信单元1030，配置为：对于每一个量子态组合，其中所述每一个量子态组合包括分别来自两组所述训练集的一个量子态：将所述量子态组合中的量子态以及所述处于纠缠态的量子比特对中的量子比特输入各自对应的所述第一量子神经网络中，并测量所述第一量子神经网络输出的且不输入到所述至少两个第二量子神经网络中的每一个的量子比特以得到相应的量子态；根据对方的所述测量的结果选择性运行相应的第二量子神经网络，以获得双方的所述相应的第二量子神经网络各自输出的量子比特的量子态，作为进行所述量子通信后双方交换得到的量子信息；以及计算所述量子通信双方中的每一方所得到的量子态与所述量子态组合中的相应量子态之间的误差；计算单元1040，配置为：基于所有所述量子态组合所对应的误差计算损失函数；以及训练单元1050，配置为：调整量子通信双方中的每一方的所述第一量子神经网络和所述第二量子神经网络的参数值，以使得所述损失函数达到最小值，从而获得训练后的所述第一量子神经网络和所述第二量子神经网络。
这里，量子神经网络训练装置1000的上述各单元1010～1050的操作分别与前面描述的步骤510～570的操作类似，在此不再赘述。
根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例，还提供了一种双向量子隐形传态装置1100，如图11所示，包括：纠缠态分配单元1110，配置为：将所述量子通信双方的一个或多个量子比特制备为纠缠态；第一传输单元1120，配置为：对于量子通信双方中的每一方：将用于量子通信的量子比特输入第一量子神经网络，并将所述第一量子神经网络输出的与待传输的量子比特数量相同的量子比特输入第二量子神经网络；测量单元1130，配置为：测量所述第一量子神经网络输出的且不输入到所述第二量子神经网络中的量子比特，以得到相应的量子态；第二传输单元1140，配置为：根据对方的所述测量的结果选择性运行相应的第二量子神经网络，以获得双方的所述相应的第二量子神经网络各自输出的量子比特的量子态，作为进行所述量子通信后双方交换得到的量子信息。所述量子通信双方的所述第一量子神经网络以及所述第二量子神经网络通过上面任一项所述的训练方法获得。
这里，双向量子隐形传态装置1100的上述各单元1110～1140的操作分别与前面描述的步骤910～940的操作类似，在此不再赘述。
根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
参考图12，现将描述可以作为本公开的服务器或客户端的电子设备1200的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图12所示，设备1200包括计算单元1201，其可以根据存储在只读存储器(ROM)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(RAM)1203中的计算机程序，来执行各种适当的动作和处理。在RAM1203中，还可存储设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
设备1200中的多个部件连接至I/O接口1205，包括：输入单元1206、输出单元1207、存储单元1208以及通信单元1209。输入单元1206可以是能向设备1200输入信息的任何类型的设备，输入单元1206可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1207可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1208可以包括但不限于磁盘、光盘。通信单元1209允许设备1200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元1201可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1201的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1201执行上文所描述的各个方法和处理，例如方法500、900。例如，在一些实施例中，方法500、900可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1208。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1202和/或通信单元1209而被载入和/或安装到设备1200上。当计算机程序加载到RAM 1203并由计算单元1201执行时，可以执行上文描述的方法500、900的一个或多个步骤。备选地，在其他实施例中，计算单元1201可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法500、900。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (12)

1.一种量子神经网络训练方法，包括：
对于量子通信双方中的每一方：初始化待训练的第一量子神经网络和至少两个第二量子神经网络，并获取对应于待传输的量子比特的量子态训练集，其中，所述第一量子神经网络被配置为接收用于量子通信的量子比特，所述至少两个第二量子神经网络中的每一个被配置为接收所述第一量子神经网络输出的与待传输的量子比特数量相同的量子比特；
设置量子通信双方共享的一个或多个处于纠缠态的量子比特对；
对于每一个量子态组合，其中所述每一个量子态组合包括分别来自两组所述训练集的一个量子态：
将所述量子态组合中的量子态以及所述处于纠缠态的量子比特对中的量子比特输入各自对应的所述第一量子神经网络中，并测量所述第一量子神经网络输出的且不输入到所述至少两个第二量子神经网络中的每一个的量子比特以得到相应的量子态；
根据对方的所述测量的结果选择性运行相应的第二量子神经网络，以获得双方的所述相应的第二量子神经网络各自输出的量子比特的量子态，作为进行所述量子通信后双方交换得到的量子信息；以及
计算所述量子通信双方中的每一方所得到的量子态与所述量子态组合中的相应量子态之间的误差；
基于所有所述量子态组合所对应的误差计算损失函数；以及
调整量子通信双方中的每一方的所述第一量子神经网络和所述第二量子神经网络的参数值，以使得所述损失函数达到最小值，从而获得训练后的所述第一量子神经网络和所述第二量子神经网络。
2.如权利要求1所述的方法，其中，对于量子通信双方中的每一方：
响应于所述处于纠缠态的量子比特对的个数小于待传输的量子比特个数，所述至少两个第二量子神经网络中的每一个被配置为接收所述第一量子神经网络输出的与所述设置的处于纠缠态的量子比特以及一个或多个所述待传输的量子比特相对应的量子比特。
3.如权利要求1所述的方法，其中，对于量子通信双方中的每一方：
响应于所述处于纠缠态的量子比特对的个数不小于待传输的量子比特个数，所述至少两个第二量子神经网络中的每一个被配置为接收所述第一量子神经网络输出的与处于纠缠态的量子比特相对应的量子比特。
4.如权利要求1所述的方法，其中，基于以下公式计算所述损失函数：
Figure FDA0003241116760000021
其中，L为损失函数，{σj，ρi}表示来自其中一个训练集的量子态σj和来自另一个训练集的量子态ρi组成的一个量子态组合，g(σj，θk)和f(ρi，θk)分别表示在量子神经网络的参数为θk时、σj和ρi传输到对方后得到的量子态，其中，θk表示第k次训练过程中的一组参数值，所述一组参数值中的每一个参数值分别对应于所述量子通信双方中的每一方的所述第一量子神经网络以及所述至少两个第二量子神经网络中的每一个，F()表示保真度函数，m和n分别表示所述其中一个训练集的量子态个数和所述另一个训练集的量子态个数。
5.如权利要求1所述的方法，其中，通过最优化方法调整所述第一量子神经网络和所述第二量子神经网络的参数值。
6.一种双向量子隐形传态方法，包括：
设置量子通信双方共享的一个或多个处于纠缠态的量子比特对；
对于量子通信双方中的每一方：将用于量子通信的量子比特输入第一量子神经网络，并将所述第一量子神经网络输出的与待传输的量子比特数量相同的量子比特输入第二量子神经网络；
测量所述第一量子神经网络输出的且不输入到所述第二量子神经网络中的量子比特，以得到相应的量子态；
根据对方的所述测量的结果选择性运行相应的第二量子神经网络，以获得双方的所述相应的第二量子神经网络各自输出的量子比特的量子态，作为进行所述量子通信后双方交换得到的量子信息，
其中，所述量子通信双方的所述第一量子神经网络以及所述第二量子神经网络通过如权利要求1-5中任一项所述的方法获得。
7.一种量子神经网络训练装置，包括：
初始化单元，配置为：
对于量子通信双方中的每一方：初始化待训练的第一量子神经网络和至少两个第二量子神经网络，并获取对应于待传输的量子比特的量子态训练集，其中，所述第一量子神经网络被配置为接收用于量子通信的量子比特，所述至少两个第二量子神经网络中的每一个被配置为接收所述第一量子神经网络输出的与待传输的量子比特数量相同的量子比特；
纠缠态分配单元，配置为：
设置量子通信双方共享的一个或多个处于纠缠态的量子比特对；
通信单元，配置为：
对于每一个量子态组合，其中所述每一个量子态组合包括分别来自两组所述训练集的一个量子态：
将所述量子态组合中的量子态以及所述处于纠缠态的量子比特对中的量子比特输入各自对应的所述第一量子神经网络中，并测量所述第一量子神经网络输出的且不输入到所述至少两个第二量子神经网络中的每一个的量子比特以得到相应的量子态；
根据对方的所述测量的结果选择性运行相应的第二量子神经网络，以获得双方的所述相应的第二量子神经网络各自输出的量子比特的量子态，作为进行所述量子通信后双方交换得到的量子信息；以及
计算所述量子通信双方中的每一方所得到的量子态与所述量子态组合中的相应量子态之间的误差；
计算单元，配置为：
基于所有所述量子态组合所对应的误差计算损失函数；以及
训练单元，配置为：
调整量子通信双方中的每一方的所述第一量子神经网络和所述第二量子神经网络的参数值，以使得所述损失函数达到最小值，从而获得训练后的所述第一量子神经网络和所述第二量子神经网络。
8.一种双向量子隐形传态装置，包括：
纠缠态分配单元，配置为：设置量子通信双方共享的一个或多个处于纠缠态的量子比特对；
第一传输单元，配置为：对于所述量子通信双方中的每一方：将用于量子通信的量子比特输入第一量子神经网络，并将所述第一量子神经网络输出的与待传输的量子比特数量相同的量子比特输入第二量子神经网络；
测量单元，配置为：测量所述第一量子神经网络输出的且不输入到所述第二量子神经网络中的量子比特，以得到相应的量子态；
第二传输单元，配置为：根据对方的所述测量的结果选择性运行相应的第二量子神经网络，以获得双方的所述相应的第二量子神经网络各自输出的量子比特的量子态，作为进行所述量子通信后双方交换得到的量子信息，
其中，所述量子通信双方的所述第一量子神经网络以及所述第二量子神经网络通过如权利要求1-5中任一项所述的方法获得。
9.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器够执行权利要求1-5中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。
11.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器够执行权利要求6所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求6所述的方法。
CN202110432127.0A 2021-04-21 2021-04-21 量子神经网络训练方法及装置、电子设备和介质 Active CN113033703B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202110432127.0A CN113033703B (zh) 2021-04-21 2021-04-21 量子神经网络训练方法及装置、电子设备和介质
JP2022031755A JP7369810B2 (ja) 2021-04-21 2022-03-02 量子ニューラルネットワークの訓練方法及び装置、電子機器並びに媒体
US17/712,640 US20220222507A1 (en) 2021-04-21 2022-04-04 Quantum neural network training method and apparatus, electronic device and medium
AU2022202647A AU2022202647C1 (en) 2021-04-21 2022-04-21 Quantum neural network training method and apparatus, electronic device and medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110432127.0A CN113033703B (zh) 2021-04-21 2021-04-21 量子神经网络训练方法及装置、电子设备和介质

Publications (2)

Publication Number Publication Date
CN113033703A CN113033703A (zh) 2021-06-25
CN113033703B true CN113033703B (zh) 2021-10-26

Family

ID=76457987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110432127.0A Active CN113033703B (zh) 2021-04-21 2021-04-21 量子神经网络训练方法及装置、电子设备和介质

Country Status (4)

Country Link
US (1) US20220222507A1 (zh)
JP (1) JP7369810B2 (zh)
CN (1) CN113033703B (zh)
AU (1) AU2022202647C1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723612B (zh) * 2021-08-31 2022-06-28 北京百度网讯科技有限公司 对单向量子计算机计算模型的量子系统进行操作的方法及装置
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
CN114065939B (zh) * 2021-11-22 2022-10-11 北京百度网讯科技有限公司 量子芯片设计模型的训练方法、装置、设备及存储介质
CN114490047B (zh) * 2022-01-12 2022-09-09 北京科技大学 一种核燃料裂变气体团簇动力学模拟的异构数据传输方法
CN114446414B (zh) * 2022-01-24 2023-05-23 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
CN114358258B (zh) * 2022-03-17 2022-07-12 苏州浪潮智能科技有限公司 一种量子神经网络训练方法和装置
CN115630690B (zh) * 2022-12-21 2023-04-18 量子科技长三角产业创新中心 一种用于量子神经网络结构优化的抽样方法及相关装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107683460A (zh) * 2015-05-05 2018-02-09 凯恩迪股份有限公司 在传统处理器上模拟量子样计算的quanton表示
CN109379187A (zh) * 2018-12-03 2019-02-22 三峡大学 一种基于氢原子的完全量子通信方法
CN109450626A (zh) * 2018-12-03 2019-03-08 三峡大学 一种基于氢原子的混合量子通信方法
CN110224763A (zh) * 2019-06-28 2019-09-10 中南大学 基于哈密尔顿学习的新型量子态转移方法
CN110692067A (zh) * 2017-06-02 2020-01-14 谷歌有限责任公司 量子神经网络
CN110830255A (zh) * 2020-01-10 2020-02-21 成都信息工程大学 双向用户认证与秘密信息量子通信传递方法
CN111510289A (zh) * 2020-04-14 2020-08-07 苏州大学 基于Brown态和网络编码的双向单比特态制备方法
CN112529198A (zh) * 2020-12-23 2021-03-19 北京百度网讯科技有限公司 量子纠缠态的处理方法、装置、设备、存储介质及产品
CN112529201A (zh) * 2020-12-23 2021-03-19 北京百度网讯科技有限公司 纠缠量子态转换方法、装置、设备、存储介质及产品
CN112567396A (zh) * 2018-09-11 2021-03-26 国际商业机器公司 用混合经典-量子计算系统计算分子系统的激发态属性

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2514134B (en) * 2013-05-14 2016-05-25 Toshiba Res Europe Ltd A signal manipulator for a quantum communication system
WO2015048783A1 (en) * 2013-09-30 2015-04-02 Nordholt, Jane, E. Quantum-secured communications overlay for optical fiber communications networks
CN109067518B (zh) * 2018-06-28 2021-09-28 南京邮电大学 一种基于即插即用mdi-qkd的量子网络系统及方法
US20200342293A1 (en) * 2019-04-23 2020-10-29 International Business Machines Corporation Quantum computational method and device
CN110190959B (zh) * 2019-06-28 2021-05-07 中南大学 基于连续变量量子神经网络的加解密方法
CN112016691B (zh) * 2020-08-14 2024-02-23 本源量子计算科技（合肥）股份有限公司 一种量子线路的构建方法及装置
CN112529197A (zh) * 2020-12-22 2021-03-19 北京百度网讯科技有限公司 量子态保真度确定方法、装置、设备和存储介质
CN112613571A (zh) * 2020-12-29 2021-04-06 华东计算技术研究所（中国电子科技集团公司第三十二研究所） 一种用于图像识别的量子神经网络方法、系统及介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107683460A (zh) * 2015-05-05 2018-02-09 凯恩迪股份有限公司 在传统处理器上模拟量子样计算的quanton表示
CN110692067A (zh) * 2017-06-02 2020-01-14 谷歌有限责任公司 量子神经网络
CN112567396A (zh) * 2018-09-11 2021-03-26 国际商业机器公司 用混合经典-量子计算系统计算分子系统的激发态属性
CN109379187A (zh) * 2018-12-03 2019-02-22 三峡大学 一种基于氢原子的完全量子通信方法
CN109450626A (zh) * 2018-12-03 2019-03-08 三峡大学 一种基于氢原子的混合量子通信方法
CN110224763A (zh) * 2019-06-28 2019-09-10 中南大学 基于哈密尔顿学习的新型量子态转移方法
CN110830255A (zh) * 2020-01-10 2020-02-21 成都信息工程大学 双向用户认证与秘密信息量子通信传递方法
CN111510289A (zh) * 2020-04-14 2020-08-07 苏州大学 基于Brown态和网络编码的双向单比特态制备方法
CN112529198A (zh) * 2020-12-23 2021-03-19 北京百度网讯科技有限公司 量子纠缠态的处理方法、装置、设备、存储介质及产品
CN112529201A (zh) * 2020-12-23 2021-03-19 北京百度网讯科技有限公司 纠缠量子态转换方法、装置、设备、存储介质及产品

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A universal protocol for controlled bidirectional quantum state transmission;Yi-Ru Sun等;《Quantum Information Processing》;20190731;第1-15页 *
Yao-Hsin Chou等.Controlled Bidirectional Quantum Secure Direct Communication.《e Scientific World Journal》.2014,第1-14页. *
神经网络量子态及其应用;蒋文杰和邓东灵;《物理》;20210212;第50卷(第2期);第76-83页 *
量子双向通信原理及其Matlab仿真;吴拓;《中国优秀硕士学位论文全文数据库 基础科学辑》;20200315(第3期);第A005-29页 *
量子隐形传态与远程制备协议设计;王小宇;《中国优秀硕士学位论文全文数据库 基础科学辑》;20180215(第2期);第A005-35页 *

Also Published As

Publication number Publication date
AU2022202647C1 (en) 2024-01-04
JP2022071108A (ja) 2022-05-13
AU2022202647A1 (en) 2022-11-10
AU2022202647B2 (en) 2023-08-31
JP7369810B2 (ja) 2023-10-26
US20220222507A1 (en) 2022-07-14
CN113033703A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
CN113033703B (zh) 量子神经网络训练方法及装置、电子设备和介质
CN113011593B (zh) 消除量子测量噪声的方法及系统、电子设备和介质
JP2021505993A (ja) 深層学習アプリケーションのための堅牢な勾配重み圧縮方式
WO2022141968A1 (zh) 对象推荐方法及装置、计算机设备和介质
JP7405933B2 (ja) 量子チャンネルクラシック容量の推定方法及び装置、電子機器と媒体
US10643384B2 (en) Machine learning-based geometric mesh simplification
WO2023124296A1 (zh) 基于知识蒸馏的联合学习训练方法、装置、设备及介质
CN114021728B (zh) 量子数据测量方法及系统、电子设备和介质
CN113098803B (zh) 量子噪声信道的逆映射分解方法及装置、电子设备和介质
CN114675965B (zh) 联邦学习方法、装置、设备和介质
CN112784985A (zh) 神经网络模型的训练方法及装置、图像识别方法及装置
CN114091672B (zh) 分布式模型推理方法及装置、电子设备和介质
CN113723612B (zh) 对单向量子计算机计算模型的量子系统进行操作的方法及装置
CN113098802B (zh) 量子噪声信道的逆映射分解方法及装置、电子设备和介质
WO2023174189A1 (zh) 图网络模型节点分类方法、装置、设备及存储介质
CN114095564A (zh) 数据处理方法及装置、设备和介质
CN114528893A (zh) 机器学习模型训练方法、电子设备及存储介质
CN115334159B (zh) 处理流式数据的方法、装置、设备和介质
CN115098165B (zh) 数据处理方法、装置、芯片、设备及介质
US20240020510A1 (en) System and method for execution of inference models across multiple data processing systems
CN117648987A (zh) 量子依赖关系图构建方法及装置、电子设备和介质
CN116599895A (zh) 数据传输方法及装置、设备和介质
CN116032425A (zh) 量子信道经典容量的估计方法及装置、电子设备和介质
CN114548261A (zh) 数据处理方法、装置、电子设备以及存储介质
KR20240077474A (ko) 데이터 전송 방법, 장치, 기기 및 매체

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