CN113283607B - 用于估计量子态保真度的方法、装置、电子设备和介质 - Google Patents
用于估计量子态保真度的方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN113283607B CN113283607B CN202110660575.6A CN202110660575A CN113283607B CN 113283607 B CN113283607 B CN 113283607B CN 202110660575 A CN202110660575 A CN 202110660575A CN 113283607 B CN113283607 B CN 113283607B
- Authority
- CN
- China
- Prior art keywords
- quantum state
- dimension
- quantum
- fidelity
- reduced
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000006835 compression Effects 0.000 claims abstract description 61
- 238000007906 compression Methods 0.000 claims abstract description 61
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000009471 action Effects 0.000 claims description 22
- 238000005516 engineering process Methods 0.000 claims description 19
- 238000004587 chromatography analysis Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002096 quantum dot Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Superconductor Devices And Manufacturing Methods Thereof (AREA)
Abstract
本公开的实施例公开了用于估计量子态保真度的方法、装置、电子设备和介质。该方法的一具体实施方式包括:获取待估计量子态保真度所涉及的第一量子态和第二量子态,其中,该第一量子态和第二量子态对应的秩不大于预设阈值;将该第一量子态进行维度压缩,生成降维后的量子态;生成该降维后的量子态对应的本征向量;基于该本征向量和该维度压缩的方式构造新的量子态;基于该新的量子态和该第二量子态之间的对应关系,生成该待估计量子态保真度。该实施方式实现了在多项式时间内较为准确地估计出比现有技术适用的维度更高的量子态保真度。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及用于估计量子态保真度的方法、装置、电子设备和介质。
背景技术
随着量子计算的飞速发展,量子态的保真度(quantum fidelity)的测量成为评估量子计算机性能的重要指标。然而,由于计算量子态的保真度的计算复杂度会随着量子比特数的线性增加呈指数增长趋势。近期研究表明,即使是在合理误差内估算两个低秩量子态的保真度对于经典计算机也是指数困难的。在量子制造技术飞速发展的今天,如何评估这些量子设备的性能成为了十分棘手的问题。
现有技术中,用于估计低秩量子态的保真度的方法之一是先采用量子态层析(quantum tomography)的技术将量子态的信息全部或部分读取到经典计算机中再加以分析。然而这类技术的弊端在于运算复杂度指数依赖于量子比特数,基本不适用于30量子比特以上的量子态保真度估计。随着现有50量子比特以上的量子计算机的成功制造,如何评估更大量子比特(例如250×250大小)的量子态保真度成为了学术界和工业界十分关注的问题。
发明内容
本公开的实施例提出了用于估计量子态保真度的方法、装置、电子设备和介质。
第一方面,本公开的实施例提供了一种用于估计量子态保真度的方法,该方法包括:获取待估计量子态保真度所涉及的第一量子态和第二量子态,其中,第一量子态和第二量子态对应的秩不大于预设阈值;将第一量子态进行维度压缩,生成降维后的量子态;生成降维后的量子态对应的本征向量;基于本征向量和维度压缩的方式构造新的量子态;基于新的量子态和第二量子态之间的对应关系,生成待估计量子态保真度。
在一些实施例中,上述将第一量子态进行维度压缩,生成降维后的量子态,包括:将第一量子态输入至预先训练的量子态压缩模型,生成与第一量子态对应的降维后的量子态,其中,量子态压缩模型基于梯度下降法训练得到。
在一些实施例中,上述生成降维后的量子态对应的本征向量,包括:利用量子态层析技术将降维后的量子态发送至目标设备,以使目标设备基于谱分解(spectraldecomposition)技术生成降维后的量子态对应的本征向量和本征值;从目标设备获取降维后的量子态对应的本征向量和本征值。
在一些实施例中,上述基于本征向量和维度压缩的方式构造新的量子态,包括:利用预先训练的量子态压缩模型和降维后的量子态对应的本征向量构造出与降维后的量子态对应的至少一个新的量子态,其中,至少一个新的量子态用以与第二量子态作用以生成作用矩阵。
在一些实施例中,上述基于新的量子态和第二量子态之间的对应关系,生成待估计量子态保真度,包括:基于新的量子态和本征值,生成新的量子态与第二量子态之间的作用矩阵;根据作用矩阵,生成待估计量子态保真度。
第二方面,本公开的实施例提供了一种用于估计量子态保真度的装置,该装置包括:获取单元,被配置成获取待估计量子态保真度所涉及的第一量子态和第二量子态,其中,第一量子态和第二量子态对应的秩不大于预设阈值;压缩单元,被配置成将第一量子态进行维度压缩,生成降维后的量子态;生成单元,被配置成生成降维后的量子态对应的本征向量;构造单元,被配置成基于本征向量和维度压缩的方式构造新的量子态;估计单元,被配置成基于新的量子态和第二量子态之间的对应关系,生成待估计量子态保真度。
在一些实施例中,上述压缩单元被进一步配置成:将第一量子态输入至预先训练的量子态压缩模型,生成与第一量子态对应的降维后的量子态,其中,量子态压缩模型基于梯度下降法训练得到。
在一些实施例中,上述生成单元被进一步配置成:利用量子态层析技术将降维后的量子态发送至目标设备,以使目标设备基于谱分解技术生成降维后的量子态对应的本征向量和本征值;从目标设备获取降维后的量子态对应的本征向量和本征值。
在一些实施例中,上述构造单元被进一步配置成:利用预先训练的量子态压缩模型和降维后的量子态对应的本征向量构造出与降维后的量子态对应的至少一个新的量子态,其中,至少一个新的量子态用以与第二量子态作用以生成作用矩阵。
在一些实施例中,上述估计单元还被进一步配置成:基于新的量子态和本征值,生成新的量子态与第二量子态之间的作用矩阵;根据作用矩阵,生成待估计量子态保真度。
第三方面,本公开的实施例提供了一种电子设备,该电子设备包括:一个或多个处理器;存储装置,其上存储有一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本公开的实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的实施例提供的用于估计量子态保真度的方法、装置、电子设备和介质,通过将待估计量子态保真度所涉及的第一量子态进行维度压缩,利用压缩后的量子态的本征向量构造新的量子态,将上述第一量子态与第二量子态的待估计量子态保真度转换为上述所生成的新的量子态与第二量子态之间所形成的对应关系,从而实现了在多项式时间内较为准确地估计出比现有技术适用的维度更高的量子态保真度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的用于估计量子态保真度的方法的一个实施例的流程图;
图3是根据本公开的实施例的用于估计量子态保真度的方法的一个应用场景的示意图;
图4是根据本公开的用于估计量子态保真度的方法的又一个实施例的流程图;
图5是根据本公开的用于估计量子态保真度的装置的一个实施例的结构示意图;
图6是适于用来实现本公开的实施例的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的用于估计量子态保真度的方法或用于估计量子态保真度的装置的示例性架构100。
如图1所示,系统架构100可以包括服务器101,网络102和服务器103。网络102用以在服务器101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
服务器101可以是用于提供各种量子计算服务的量子计算机,例如用于估计量子态保真度的服务器。服务器101可以对获取的待估计量子态保真度所涉及的第一量子态和第二量子态进行各种处理,从而生成上述待估计量子态保真度。
服务器103可以是用于提供各种服务的经典计算机,例如利用量子态层析技术对量子态的信息进行读取和分析的服务器。上述服务器103还可以将分析结果发送至上述服务器101。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开的实施例所提供的用于估计量子态保真度的方法一般由服务器101执行,相应地,用于估计量子态保真度的装置一般设置于服务器101中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本公开的用于估计量子态保真度的方法的一个实施例的流程200。该用于估计量子态保真度的方法包括以下步骤:
步骤201,获取待估计量子态保真度所涉及的第一量子态和第二量子态。
在本实施例中,用于估计量子态保真度的方法的执行主体(如图1所示的服务器101)可以通过有线连接方式或者无线连接方式获取待估计量子态保真度所涉及的第一量子态和第二量子态。其中,上述第一量子态和第二量子态对应的秩通常不大于预设阈值。从而,本申请的方案可以针对低秩量子态的保真度进行估计。作为示例,上述第二量子态(例如记为κ)可以是目标量子态。
需要说明的是,低秩量子态保真度估计(Low-rank quantum state fidelityestimation)的目的是估计两个量子态(例如可以记为ρ,κ)的相似度:
当ρ,κ对应于N-量子位状态(qubits states),它们的维度可以分别为2N×2N,并且满足半正定特性且Tr(ρ)=Tr(κ)=1。
具体地,上述执行主体可以获取预先存储于本地的第一量子态和第二量子态,也可以从与之通信连接的电子设备(例如数据库服务器)获取上述第一量子态和第二量子态。
步骤202,将第一量子态进行维度压缩,生成降维后的量子态。
在本实施例中,上述执行主体可以通过各种方式将上述步骤201所获取的第一量子态进行维度压缩,从而生成降维后的量子态。作为示例,上述执行主体可以通过各种方式从上述维度为2N×2N的第一量子态中选取2K×2K种状态,从而生成维度为2K×2K的降维后的量子态(例如可以记为σ)。其中,上述K的值通常远小于上述N的值。例如上述N的值可以为50,上述K的值可以为4。
需要说明的是,上述所选取的2K×2K种状态通常为上述2N×2N种状态中具有代表性的状态。
在本实施例的一些可选的实现方式中,上述执行主体还可以将上述步骤201所获取的第一量子态输入至预先训练的量子态压缩模型,生成与上述第一量子态对应的降维后的量子态。其中,上述量子态压缩模型可以包括基于梯度下降法训练得到的量子自编码模型。上述量子自编码模型的学习任务通常是找到一个酉矩阵(unitary matrix)U(θ),使得通过上述自编码模型的隐层的输出能够保持输入的量子信息。
在这些实现方式中,作为示例,上述量子态压缩模型所找到的酉矩阵U(θ)中的值可以通过以下公式确定:
其中,上述L(U(θ(t)),ρ)可以用于指示损失函数。上述t可以用于指示迭代的次数。上述η可以用于指示学习率。具体地,上述损失函数例如可以采用:
其中,上述MG可以用于指示测量操作(measurement operator),其可以表示为其中,上述ΠN、ΠK可以用于指示量子态(identity)。
基于上述可选的实现方式,本方案通过创新性地将上述预先训练的量子态压缩模型应用于量子态压缩,可以有效地将量子态从原本较高维度压缩至较低维度,并且能够尽可能地保持原量子态的特性,从而便于后续对量子态进行分析。
步骤203,生成降维后的量子态对应的本征向量。
在本实施例中,上述执行主体可以通过各种方式生成上述步骤202所生成的降维后的量子态对应的本征向量。具体地,上述执行主体可以首先获取上述降维后的量子态所指示的状态空间(例如记为)。而后,上述执行主体可以通过各种求解本征向量的方式生成上述状态空间对应的本征向量的方式,生成上述降维后的量子态对应的本征向量(例如可以记为/>)。
需要说明的是,上述本征向量可以是一组,也可以是多组,此处不做限定。
步骤204,基于本征向量和维度压缩的方式构造新的量子态。
在本实施例中,基于上述步骤203所生成的本征向量和步骤202所采用的维度压缩的方式,上述执行主体可以通过各种方式构造新的量子态,用以与上述第二量子态作用以生成作用矩阵。从而使得对上述第一量子态和上述第二量子态的量子态保真度的估计可以转换为对上述所构造的新的量子态与上述第二量子态之间的作用的评估。作为示例,上述执行主体可以利用与上述维度压缩方式相匹配的逆向操作(例如酉矩阵的转置矩阵)对上述步骤203所生成的本征向量进行处理,从而生成新的量子态。
需要说明的是,上述生成新的量子态的方式可以有效地在量子计算机上实现。
在本实施例的一些可选的实现方式中,基于上述量子态压缩模型,上述执行主体还可以利用上述预先训练的量子态压缩模型和上述降维后的量子态对应的本征向量构造出与上述降维后的量子态对应的至少一个新的量子态(例如可以记为)。
在这些实现方式中,作为示例,上述新的量子态的估计值可以参照以下公式得到:
其中,上述U(θ(T))可以通过上述预先训练的量子态压缩模型得到。其中,上述T可以用于指示上述量子态压缩模型训练迭代的总次数。上述可以为上述步骤203所生成的本征向量的估计值。
需要说明的是,对于上述执行主体可以生成多个对应的新的量子态。同理,还可以对应生成/>其中/>
基于上述可选的实现方式,本方案提供了一种可以构造新的量子态的方法,从而为将对上述第一量子态和上述第二量子态的量子态保真度的估计可以转换为对上述所构造的新的量子态与上述第二量子态之间的作用的评估提供技术基础。
步骤205,基于新的量子态和第二量子态之间的对应关系,生成待估计量子态保真度。
在本实施例中,根据上述步骤204所生成的新的量子态和上述步骤201所获取的第二量子态之间的对应关系,上述执行主体可以通过各种方式生成待估计量子态保真度。
作为示例,上述执行主体可以将涉及上述第一量子态和上述第二量子态的待估计量子态保真度等价为上述新的量子态和上述第二量子态之间的作用矩阵对应关系,生成待估计量子态保真度
继续参见图3,图3是根据本公开的实施例的用于估计量子态保真度的方法的应用场景的一个示意图。在图3的应用场景中,量子计算机(图中未示出)可以首先获取待估计量子态保真度所涉及的第一量子态ρ(如图3中3011所示)和第二量子态κ(如图3中3012所示)。上述第一量子态ρ和第二量子态κ均属于低秩量子态。量子计算机可以利用量子电路对上述第一量子态(例如维度为230×230)进行维度压缩,生成降维后的量子态σ(如图3中302所示,例如维度为23×23)。而后,量子计算机可以生成上述降维后的量子态σ对应的本征向量(如图3中303所示)。之后,基于上述本征向量/>和与上述维度压缩方式相对应的逆方式,量子计算机可以构造出新的量子态/>(如图3中304所示)。基于上述新的量子态和上述第二量子态κ之间的对应关系,量子计算机可以生成上述待估计量子态保真度F(ρ,κ)(如图3中305所示)。
目前,现有技术之一通常是通过量子态层析技术将量子态的信息全部或部分读取到经典计算机中再加以分析,由于运算复杂度指数依赖于量子比特数,导致30量子比特以上的量子态保真度估计无法求解。而本公开的上述实施例提供的方法,通过将待估计量子态保真度所涉及的第一量子态进行维度压缩,利用压缩后的量子态的本征向量构造新的量子态,将上述第一量子态与第二量子态的待估计量子态保真度转换为上述所生成的新的量子态与第二量子态之间所形成的对应关系,从而实现了在多项式时间内较为准确地估计出比现有技术适用的维度更高的量子态保真度。
进一步参考图4,其示出了用于估计量子态保真度的方法的又一个实施例的流程400。该用于估计量子态保真度的方法的流程400,包括以下步骤:
步骤401,获取待估计量子态保真度所涉及的第一量子态和第二量子态。
步骤402,将第一量子态进行维度压缩,生成降维后的量子态。
步骤403,利用量子态层析技术将降维后的量子态发送至目标设备,以使目标设备基于谱分解技术生成降维后的量子态对应的本征向量和本征值。
在本实施例中,用于估计量子态保真度的方法的执行主体(例如图1所示的服务器101)可以首先利用量子态层析技术生成上述降维后的量子态的矩阵表示形式。而后,上述执行主体可以将上述矩阵表示形式的上述降维后的量子态发送至目标设备。其中,上述目标设备例如可以是经典计算机。上述经典计算机可以基于谱分解技术对上述矩阵表示形式进行特征分解,从而将所生成的特征向量和特征值分别作为上述矩阵表示形式的降维后的量子态对应的本征向量和本征值。
在本实施例中,上述目标设备例如可以按照如下公式生成上述降维后的量子态对应的本征向量和本征值:
其中,上述TrE()可以用于指示部分迹(partial trace)函数。上述MG、ρ、可以与前述描述一致,此处不再赘述。上述/>和/>可以分别作为上述降维后的量子态对应的本征值和本征向量。
需要说明的是,上述本征向量和本征值可以为一组,也可以为多组,在此不做限定。
步骤404,从目标设备获取降维后的量子态对应的本征向量和本征值。
在本实施例中,上述执行主体可以从上述目标设备获取上述目标设备生成的本征向量和本征值。
步骤405,基于本征向量和维度压缩的方式构造新的量子态。
步骤406,基于新的量子态和第二量子态之间的对应关系,生成待估计量子态保真度。
上述步骤401、步骤402、步骤405、步骤406分别与前述实施例中的步骤201、步骤202、步骤204、步骤205及其可选的实现方式一致,上文针对步骤201、步骤202、步骤204、步骤205及其可选的实现方式的描述也适用于步骤401、步骤402、步骤405和步骤406,此处不再赘述。
在本实施例的一些可选的实现方式中,上述执行主体还可以按照如下步骤生成待估计量子态保真度:
第一步,基于新的量子态和本征值,生成新的量子态与第二量子态之间的作用矩阵。
在这些实现方式中,基于上述步骤405所构造的新的量子态和步骤404所获取的本征值,上述执行主体可以通过各种方式生成新的量子态与第二量子态之间的作用矩阵。作为示例,上述作用矩阵可以如下式生成:
其中,上述可以分别与前述实施例中的相应描述一致,此处不再赘述。其中,上述例如可以利用量子SWAP test技术计算得到
第二步,根据作用矩阵,生成待估计量子态保真度。
在这些实现方式中,根据上述第一步所生成的作用矩阵,上述执行主体可以通过各种方式生成上述待估计量子态保真度。作为示例,上述待估计量子态保真度可以如下式得到:
其中,上述ρ、κ、可以分别与前述描述一致,此处不再赘述。
从图4中可以看出,本实施例中的用于估计量子态保真度的方法的流程400体现了利用量子态层析技术将降维后的量子态发送至目标设备,以使目标设备基于谱分解技术生成降维后的量子态对应的本征向量和本征值的步骤,以及从目标设备获取降维后的量子态对应的本征向量和本征值的步骤。由此,本实施例描述的方案可以通过量子计算机与经典计算机之间的相互配合,实现在多项式时间内对量子态保真度的估计。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了用于估计量子态保真度的装置的一个实施例,该装置实施例与图2或图4所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例提供的用于估计量子态保真度的装置500包括获取单元501、压缩单元502、生成单元503、构造单元504和估计单元505。其中,获取单元501,被配置成获取待估计量子态保真度所涉及的第一量子态和第二量子态,其中,第一量子态和第二量子态对应的秩不大于预设阈值;压缩单元502,被配置成将第一量子态进行维度压缩,生成降维后的量子态;生成单元503,被配置成生成降维后的量子态对应的本征向量;构造单元504,被配置成基于本征向量和维度压缩的方式构造新的量子态;估计单元505,被配置成基于新的量子态和第二量子态之间的对应关系,生成待估计量子态保真度。
在本实施例中,用于估计量子态保真度的装置500中:获取单元501、压缩单元502、生成单元503、构造单元504和估计单元505的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述压缩单元502可以被进一步配置成:将第一量子态输入至预先训练的量子态压缩模型,生成与第一量子态对应的降维后的量子态,其中,量子态压缩模型基于梯度下降法训练得到。
在本实施例的一些可选的实现方式中,上述生成单元503可以被进一步配置成:利用量子态层析技术将降维后的量子态发送至目标设备,以使目标设备基于谱分解技术生成降维后的量子态对应的本征向量和本征值;从目标设备获取降维后的量子态对应的本征向量和本征值。
在本实施例的一些可选的实现方式中,上述构造单元504可以被进一步配置成:利用预先训练的量子态压缩模型和降维后的量子态对应的本征向量构造出与降维后的量子态对应的至少一个新的量子态,其中,至少一个新的量子态可以用以与第二量子态作用以生成作用矩阵。
在本实施例的一些可选的实现方式中,上述估计单元505可以被进一步配置成:基于新的量子态和本征值,生成新的量子态与第二量子态之间的作用矩阵;根据作用矩阵,生成待估计量子态保真度。
本公开的上述实施例提供的装置,通过压缩单元502将获取单元501所获取的待估计量子态保真度所涉及的第一量子态进行维度压缩,构造单元504利用生成单元503所生成的压缩后的量子态的本征向量构造新的量子态,估计单元505将上述第一量子态与第二量子态的待估计量子态保真度转换为上述所生成的新的量子态与第二量子态之间所形成的对应关系,从而实现了在多项式时间内较为准确地估计出比现有技术适用的维度更高的量子态保真度。
下面参考图6,其示出了适于用来实现本申请实施例的电子设备(例如图1中的服务器)600的结构示意图。图6示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如量子处理器、经典处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD,LiquidCrystal Display)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本申请的实施例的方法中限定的上述功能。
需要说明的是,本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(Radio Frequency,射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取待估计量子态保真度所涉及的第一量子态和第二量子态,其中,第一量子态和第二量子态对应的秩不大于预设阈值;将第一量子态进行维度压缩,生成降维后的量子态;生成降维后的量子态对应的本征向量;基于本征向量和维度压缩的方式构造新的量子态;基于新的量子态和第二量子态之间的对应关系,生成待估计量子态保真度。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”、Python语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图,图示了按照本公开的各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器,包括获取单元、压缩单元、生成单元、构造单元和估计单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取待估计量子态保真度所涉及的第一量子态和第二量子态的单元,其中,第一量子态和第二量子态对应的秩不大于预设阈值”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种用于估计量子态保真度的方法,包括:
获取待估计量子态保真度所涉及的第一量子态和第二量子态,其中,所述第一量子态和第二量子态对应的秩不大于预设阈值;
将所述第一量子态进行维度压缩,生成降维后的量子态;
生成所述降维后的量子态对应的本征向量;
基于所述本征向量和所述维度压缩的方式构造新的量子态;
基于所述新的量子态和所述第二量子态之间的对应关系,生成所述待估计量子态保真度。
2.根据权利要求1所述的方法,其中,所述将所述第一量子态进行维度压缩,生成降维后的量子态,包括:
将所述第一量子态输入至预先训练的量子态压缩模型,生成与所述第一量子态对应的降维后的量子态,其中,所述量子态压缩模型基于梯度下降法训练得到。
3.根据权利要求1所述的方法,其中,所述生成所述降维后的量子态对应的本征向量,包括:
利用量子态层析技术将所述降维后的量子态发送至目标设备,以使所述目标设备基于谱分解技术生成所述降维后的量子态对应的本征向量和本征值;
从所述目标设备获取所述降维后的量子态对应的本征向量和本征值。
4.根据权利要求2所述的方法,其中,所述基于所述本征向量和所述维度压缩的方式构造新的量子态,包括:
利用所述预先训练的量子态压缩模型和所述降维后的量子态对应的本征向量构造出与所述降维后的量子态对应的至少一个新的量子态,其中,所述至少一个新的量子态用以与所述第二量子态作用以生成作用矩阵。
5.根据权利要求3所述的方法,其中,所述基于所述新的量子态和所述第二量子态之间的对应关系,生成所述待估计量子态保真度,包括:
基于所述新的量子态和本征值,生成所述新的量子态与所述第二量子态之间的作用矩阵;
根据所述作用矩阵,生成所述待估计量子态保真度。
6.一种用于估计量子态保真度的装置,包括:
获取单元,被配置成获取待估计量子态保真度所涉及的第一量子态和第二量子态,其中,所述第一量子态和第二量子态对应的秩不大于预设阈值;
压缩单元,被配置成将所述第一量子态进行维度压缩,生成降维后的量子态;
生成单元,被配置成生成所述降维后的量子态对应的本征向量;
构造单元,被配置成基于所述本征向量和所述维度压缩的方式构造新的量子态;
估计单元,被配置成基于所述新的量子态和所述第二量子态之间的对应关系,生成所述待估计量子态保真度。
7.根据权利要求6所述的装置,其中,所述压缩单元被进一步配置成:
将所述第一量子态输入至预先训练的量子态压缩模型,生成与所述第一量子态对应的降维后的量子态,其中,所述量子态压缩模型基于梯度下降法训练得到。
8.根据权利要求6所述的装置,其中,所述生成单元被进一步配置成:
利用量子态层析技术将所述降维后的量子态发送至目标设备,以使所述目标设备基于谱分解技术生成所述降维后的量子态对应的本征向量和本征值;
从所述目标设备获取所述降维后的量子态对应的本征向量和本征值。
9.根据权利要求7所述的装置,其中,所述构造单元被进一步配置成:
利用所述预先训练的量子态压缩模型和所述降维后的量子态对应的本征向量构造出与所述降维后的量子态对应的至少一个新的量子态,其中,所述至少一个新的量子态用以与所述第二量子态作用以生成作用矩阵。
10.根据权利要求8所述的装置,其中,所述估计单元还被进一步配置成:
基于所述新的量子态和本征值,生成所述新的量子态与所述第二量子态之间的作用矩阵;
根据所述作用矩阵,生成所述待估计量子态保真度。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110660575.6A CN113283607B (zh) | 2021-06-15 | 2021-06-15 | 用于估计量子态保真度的方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110660575.6A CN113283607B (zh) | 2021-06-15 | 2021-06-15 | 用于估计量子态保真度的方法、装置、电子设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113283607A CN113283607A (zh) | 2021-08-20 |
CN113283607B true CN113283607B (zh) | 2023-11-07 |
Family
ID=77284486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110660575.6A Active CN113283607B (zh) | 2021-06-15 | 2021-06-15 | 用于估计量子态保真度的方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283607B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705711A (zh) * | 2019-09-17 | 2020-01-17 | 合肥本源量子计算科技有限责任公司 | 一种量子态信息降维编码方法及装置 |
WO2020037253A1 (en) * | 2018-08-17 | 2020-02-20 | Zapata Computing, Inc. | Quantum computer with improved quantum optimization by exploiting marginal data |
CN111563186A (zh) * | 2020-04-30 | 2020-08-21 | 北京百度网讯科技有限公司 | 量子数据存储方法、读取方法、装置及计算设备 |
WO2020263304A1 (en) * | 2019-06-28 | 2020-12-30 | Google Llc | Estimating the fidelity of quantum logic gates and quantum circuits |
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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW202007091A (zh) * | 2018-07-02 | 2020-02-01 | 美商札帕塔運算股份有限公司 | 藉由量子自動編碼器進行之壓縮的無監督量子態準備 |
EP3864586A4 (en) * | 2018-10-12 | 2021-12-22 | Zapata Computing, Inc. | IMPROVED CONTINUOUS QUANTUM GENERATOR QUANTUM COMPUTER |
-
2021
- 2021-06-15 CN CN202110660575.6A patent/CN113283607B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020037253A1 (en) * | 2018-08-17 | 2020-02-20 | Zapata Computing, Inc. | Quantum computer with improved quantum optimization by exploiting marginal data |
WO2020263304A1 (en) * | 2019-06-28 | 2020-12-30 | Google Llc | Estimating the fidelity of quantum logic gates and quantum circuits |
CN110705711A (zh) * | 2019-09-17 | 2020-01-17 | 合肥本源量子计算科技有限责任公司 | 一种量子态信息降维编码方法及装置 |
CN111563186A (zh) * | 2020-04-30 | 2020-08-21 | 北京百度网讯科技有限公司 | 量子数据存储方法、读取方法、装置及计算设备 |
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 |
Non-Patent Citations (3)
Title |
---|
Variational Quantum Fidelity Estimation;Marco Cerezo等;arXiv:1906.09253v2;第4卷;全文 * |
量子系统的测量、状态估计与调控;杨靖北;中国博士学位论文全文数据库 基础科学辑(第09期);全文 * |
量子隐形传态保真度的新公式及应用;贾芳等;物理学报;第65卷(第22期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113283607A (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106960219B (zh) | 图片识别方法及装置、计算机设备及计算机可读介质 | |
CN110852421B (zh) | 模型生成方法和装置 | |
He et al. | A splitting method for separable convex programming | |
Dieker et al. | Exact simulation of Brown-Resnick random fields at a finite number of locations | |
CN111046027A (zh) | 时间序列数据的缺失值填充方法和装置 | |
JP2022126618A (ja) | 量子デバイスのノイズ除去方法および装置、電子機器、コンピュータ可読記憶媒体並びにコンピュータプログラム | |
CN114239840A (zh) | 量子信道噪声系数估计方法及装置、电子设备和介质 | |
Huai et al. | Zerobn: Learning compact neural networks for latency-critical edge systems | |
CN111539287B (zh) | 训练人脸图像生成模型的方法和装置 | |
CN114966861B (zh) | 基于Lp伪范数和γ范数稀疏低秩约束的地震去噪方法 | |
CN111488892A (zh) | 样本数据生成方法及装置 | |
Yan et al. | Adaptive sign algorithm for graph signal processing | |
CN113283607B (zh) | 用于估计量子态保真度的方法、装置、电子设备和介质 | |
CN110046670B (zh) | 特征向量降维方法和装置 | |
CN113823312B (zh) | 语音增强模型生成方法和装置、语音增强方法和装置 | |
CN111310896B (zh) | 用于训练神经网络的方法和装置 | |
CN114639072A (zh) | 人流量信息生成方法、装置、电子设备和计算机可读介质 | |
CN110929209A (zh) | 用于发送信息的方法及装置 | |
CN113361678A (zh) | 神经网络模型的训练方法和装置 | |
CN113361701A (zh) | 神经网络模型的量化方法和装置 | |
CN113630098B (zh) | 音频放大器的增益控制方法、装置和电子设备 | |
CN114399355B (zh) | 基于用户转化率的信息推送方法、装置和电子设备 | |
CN113192491B (zh) | 声学模型生成方法、装置、计算机设备及存储介质 | |
Zhu et al. | A Smoothed-Norm and-Norm Regularization Algorithm for Computed Tomography | |
US20240169233A1 (en) | Universal randomized benchmarking |
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: 100176 601, 6th floor, building 2, No. 18, Kechuang 11th Street, Daxing Economic and Technological Development Zone, Beijing Applicant after: Jingdong Technology Information Technology Co.,Ltd. Address before: 100176 601, 6th floor, building 2, No. 18, Kechuang 11th Street, Daxing Economic and Technological Development Zone, Beijing Applicant before: Jingdong Shuke Haiyi Information Technology Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |