CN113313263A - 量子线路的参数优化方法、装置和系统 - Google Patents

量子线路的参数优化方法、装置和系统 Download PDF

Info

Publication number
CN113313263A
CN113313263A CN202110688061.1A CN202110688061A CN113313263A CN 113313263 A CN113313263 A CN 113313263A CN 202110688061 A CN202110688061 A CN 202110688061A CN 113313263 A CN113313263 A CN 113313263A
Authority
CN
China
Prior art keywords
quantum
optimization
local
parameter
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.)
Pending
Application number
CN202110688061.1A
Other languages
English (en)
Inventor
杜宇轩
陶大程
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.)
Jingdong Shuke Haiyi Information Technology Co Ltd
Original Assignee
Jingdong Shuke Haiyi Information 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 Jingdong Shuke Haiyi Information Technology Co Ltd filed Critical Jingdong Shuke Haiyi Information Technology Co Ltd
Priority to CN202110688061.1A priority Critical patent/CN113313263A/zh
Publication of CN113313263A publication Critical patent/CN113313263A/zh
Pending legal-status Critical Current

Links

Images

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

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Superconductor Devices And Manufacturing Methods Thereof (AREA)

Abstract

本申请提出一种量子线路的参数优化方法、装置和系统，其中，方法包括：本申请提供的量子线路的参数优化方法、装置和系统，通过将量子数据训练集划分为多个量子数据子集，将所述多个量子数据子集发送至对应的各节点量子设备，以使各所述节点量子设备并行采用对应的所述量子数据子集，对量子线路进行局部参数优化，得到局部优化参数。从各所述节点量子设备获取局部优化参数之后，根据各所述节点量子设备的所述局部优化参数进行全局参数优化，以得到量子线路的全局优化参数。由于并行采用了多个节点量子设备进行并行处理，提高了处理效率。

Description

量子线路的参数优化方法、装置和系统
技术领域
本申请涉及量子计算技术领域，尤其涉及一种量子线路的参数优化方法、装置和系统。
背景技术
变分量子算法(Variational quantum algorithms，VQAs)的主要应用方向为机器学习、组合优化、分子模拟。VQAs将一部分模型算法实现在经典计算机上，另一部分模型算法执行到量子设备上。具体来说，每一次对于该模型的参数更新，都需要将所有样本依次输入到量子设备的量子线路上，得到量子线路的预测信息，进而根据预测信息确定量子线路的更新参数，并提供给经典设备以进行后续处理。
相关技术中，在获得量子线路更新参数的过程效率较低，对于VQAs的样本量构成了限制。
发明内容
本申请第一方面实施例提出了一种量子线路的参数优化方法，应用于中心量子设备，包括：
将量子数据训练集划分为多个量子数据子集；
将所述多个量子数据子集发送至对应的各节点量子设备，以使各所述节点量子设备并行采用对应的所述量子数据子集，对量子线路进行局部参数优化，得到局部优化参数；
从各所述节点量子设备获取局部优化参数；
根据各所述局部优化参数进行全局参数优化，以得到所述量子线路的全局优化参数。
本申请第二方面实施例提出了另一种量子线路的参数优化方法，应用于多个节点量子设备中的目标量子设备，包括：
从中心量子设备获取所述目标量子设备对应的量子数据子集；
采用所述量子数据子集，对量子线路进行局部参数优化，得到局部优化参数；
将所述局部优化参数发送至所述中心量子设备，以使所述中心量子设备根据所述多个节点量子设备的所述局部优化参数进行全局参数优化，以得到所述量子线路的全局优化参数。
本申请第三方面实施例提出了一种量子线路的参数优化装置，应用于中心量子设备，包括：
划分模块，用于将量子数据训练集划分为多个量子数据子集；
数据发送模块，用于将所述多个量子数据子集发送至对应的各节点量子设备，以使各所述节点量子设备并行采用对应的所述量子数据子集，对量子线路进行局部参数优化，得到局部优化参数；
参数获取模块，用于从各所述节点量子设备获取局部优化参数；
全局优化模块，用于根据各所述局部优化参数进行全局参数优化，以得到所述量子线路的全局优化参数。
本申请第四方面实施例提出了另一种量子线路的参数优化装置，应用于多个节点量子设备中的目标量子设备，包括：
数据获取模块，用于从中心量子设备获取所述目标量子设备对应的量子数据子集；
局部优化模块，用于采用所述量子数据子集，对量子线路进行局部参数优化，得到局部优化参数；
参数发送模块，用于将所述局部优化参数发送至所述中心量子设备，以使所述中心量子设备根据所述多个节点量子设备的所述局部优化参数进行全局参数优化，以得到所述量子线路的全局优化参数。
本申请第五方面实施例提出了一种量子线路的参数优化系统，包括：中心量子设备，以及与所述中心量子设备通信的多个节点量子设备；
所述中心量子设备，用于执行如第一方面所述的方法；
各所述节点量子设备，用于执行如第二方面所述的方法。
本申请第六方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要第一方面所述的方法，或者，执行如第二方面所述的方法。
本申请第七方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，执行如权利要第一方面所述的方法，或者，执行如第二方面所述的方法。
本申请提供的量子线路的参数优化方法、装置和系统，通过将量子数据训练集划分为多个量子数据子集，将所述多个量子数据子集发送至对应的各节点量子设备，以使各所述节点量子设备并行采用对应的所述量子数据子集，对量子线路进行局部参数优化，得到局部优化参数。从各所述节点量子设备获取局部优化参数之后，根据各所述节点量子设备的所述局部优化参数进行全局参数优化，以得到量子线路的全局优化参数。由于并行采用了多个节点量子设备进行并行处理，提高了处理效率。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例所提供的一种量子线路的参数优化方法的流程示意图；
图2为本申请实施例所提供的另一种量子线路的参数优化方法的流程示意图；
图3为本申请实施例所提供的又一种量子线路的参数优化方法的流程示意图；
图4为本申请实施例提供的一种量子线路的参数优化装置的结构示意图；
图5为本申请实施例提供的另一种量子线路的参数优化装置的结构示意图；
以及图6为本申请实施例提供的一种量子线路的参数优化系统的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的量子线路的参数优化方法、装置和系统。
图1为本申请实施例所提供的一种量子线路的参数优化方法的流程示意图，应用于中心量子设备。如图1所示，该方法包括以下步骤：
步骤101，将量子数据训练集划分为多个量子数据子集。
本实施例中，与中心量子设备通信的节点量子设备为多个，可以根据节点量子设备的个数，将量子数据训练集划分为多个量子数据子集，从而使得各节点量子设备具有对应的量子数据子集。可选地，各节点量子设备对应的量子数据子集可以是不同的。或者可选地，每个节点量子设备可以对应一个量子数据子集，还可以至少一个节点量子设备对应多个量子数据子集。本实施例中，对于各节点量子设备对应的量子数据子集的个数不作限定。
在划分方式上，可以是根据节点量子设备的个数对量子数据训练集进行等分，还可以是不等分，本实施例中，对于划分方式也不作限定。
步骤102，将所述多个量子数据子集发送至对应的各节点量子设备，以使各所述节点量子设备并行采用对应的所述量子数据子集，对量子线路进行局部参数优化，得到局部优化参数。
VQAs需要将一部分模型算法实现在经典计算机上，另一部分模型算法执行到量子设备上。针对需要在量子设备上执行的模型算法，本实施例中，采用在多个节点量子设备上分布式执行。
针对每一个节点量子设备，可以执行至少一轮局部参数优化。即将对应的量子数据子集中的训练数据依次输入到量子设备的量子线路上，得到量子线路的预测信息，进而根据预测信息确定量子线路的更新参数。
步骤103，从各所述节点量子设备获取局部优化参数。
各节点量子设备执行局部优化的轮数可以记为第一目标轮数，可选地，各节点量子设备的第一目标轮数可以是相同的，也可以是不同的，本实施例中对此不作限定。
步骤104，根据各局部优化参数进行全局参数优化，以得到所述量子线路的全局优化参数。
可选地，各节点量子设备所优化的参数均为同一量子线路的参数，因此，在中心量子节点，可以将各节点量子设备的局部优化参数的均值，作为量子线路的全局优化参数，以便提供给后续经典设备进行后续的VQAs算法。
本实施例中，通过将量子数据训练集划分为多个量子数据子集，将所述多个量子数据子集发送至对应的各节点量子设备，以使各所述节点量子设备并行采用对应的所述量子数据子集，对量子线路进行局部参数优化，得到局部优化参数。从各所述节点量子设备获取局部优化参数之后，根据各所述节点量子设备的所述局部优化参数进行全局参数优化，以得到量子线路的全局优化参数。由于并行采用了多个节点量子设备进行并行处理，提高了处理效率。
为了清楚说明上一实施例，本实施例提供了另一种量子线路的参数优化方法，应用于多个节点量子设备中的目标量子设备，图2为本申请实施例所提供的另一种量子线路的参数优化方法的流程示意图。
需要说明的是，目标量子设备可以是多个节点量子设备中的任一个。
如图2所示，该方法可以包括以下步骤：
步骤201，从中心量子设备获取目标量子设备对应的量子数据子集。
本实施例中，中心量子设备根据节点量子设备的个数，将量子数据训练集划分为多个量子数据子集，从而使得各节点量子设备具有对应的量子数据子集。
可选地，目标量子设备对应的量子数据子集可以与其他节点量子设备对应的量子数据子集是不同的。即各节点量子设备对应的量子数据子集之间不存在交集。
或者，可选地，目标量子设备可以对应一个量子数据子集，还可以对应多个量子数据子集。本实施例中，对于各节点量子设备对应的量子数据子集的个数不作限定。
步骤202，采用量子数据子集，对量子线路进行局部参数优化，得到局部优化参数。
可选地，对量子线路进行的局部参数优化可以执行一轮，或者多轮。
在一种可能的实现方式下，量子线路进行局部参数优化的执行轮数为多轮，例如，记为第一目标轮数，将第一目标轮数中最后一轮局部优化得到的优化参数作为所述局部优化参数。
在每一轮局部优化中，将对应的量子数据子集中的各训练数据依次输入到量子设备的量子线路上，得到量子线路的预测信息，进而根据各预测信息确定量子线路的更新参数。
步骤203，将局部优化参数发送至所述中心量子设备，以使中心量子设备根据多个节点量子设备的局部优化参数进行全局参数优化，以得到量子线路的全局优化参数。
可选地，各节点量子设备所优化的参数均为同一量子线路的参数，因此，在中心量子节点，可以将各节点量子设备的局部优化参数的均值，作为量子线路的全局优化参数，以便提供给后续经典设备进行后续的VQAs算法。
需要说明的是，本领域技术人员可以想到采用其他例如加权平均的方式，本实施例中对此不作限定。
进一步地，在得到量子线路的全局优化参数之后，还可以根据所述全局优化参数初始化所述量子线路的参数，以重新进行所述第一目标轮数的局部参数优化，以及进行全局参数优化。也就是说重复执行前述的过程，为了简便可以将进行所述第一目标轮数的局部参数优化，以及进行全局参数优化称为参数更新流程。在参数更新流程执行轮数达到设定的第二目标轮数的情况下，可以停止执行，或者达到其他设定条件的情况下停止执行参数更新流程。
本实施例中，通过将量子数据训练集划分为多个量子数据子集，将所述多个量子数据子集发送至对应的各节点量子设备，以使各所述节点量子设备并行采用对应的所述量子数据子集，对量子线路进行局部参数优化，得到局部优化参数。从各所述节点量子设备获取局部优化参数之后，根据各所述节点量子设备的所述局部优化参数进行全局参数优化，以得到量子线路的全局优化参数。由于并行采用了多个节点量子设备进行并行处理，提高了处理效率。
为了清楚说明前述实施例，本实施例提供了又一种量子线路的参数优化方法，应用于多个节点量子设备和中心量子设备，图3为本申请实施例所提供的又一种量子线路的参数优化方法的流程示意图。在图3中，为了便于表述，仅示意了多个节点量子设备中的一个节点量子设备，各节点量子设备可以执行相同或相似的流程，本实施例中对此不再赘述。
步骤301，中心量子设备将量子数据训练集划分为多个量子数据子集。
量子数据训练集内，可包含多个训练数据。其中，每个训练数据均设置有标签，该标签用于指示标注标签。在一种可能的场景下，训练数据用于训练对图像进行识别，即执行图像识别任务。该量子数据训练集的第i个训练数据可以表示为(xi，yi)，其中，xi是第i个训练数据中的图像，yi是第i个训练数据中的标注标签。
步骤302，中心量子设备将多个量子数据子集发送至对应的各节点量子设备。
各节点量子设备分配到对应的量子数据子集。为了便于描述，将各节点量子设备分到的量子数据子集中所包含的训练数据的个数均记为n，本领域技术人员可以知晓，不同节点量子设备对应的n的取值可以是相同，也可以是不同的，本实施例中对此不作限定。
例如：可以将任意一节点量子设备分到的量子数据子集记为
Figure 2
步骤303，各节点量子设备采用对应的量子数据子集，对该量子线路进行多轮局部参数优化。其中，局部参数优化的轮数为设定的第一目标轮数。
可选地，参数优化可以基于梯度更新，在局部参数优化中，将量子数据子集D中的训练数据输入量子线路，得到的预测标签记为h(θ，O，xi)。其中，θ代表量子线路的优化参数，O代表量子观测算符。
将n个训练数据的预测标签h，和标注标签yi，均代入设定的损失函数L，以得到损失函数L的梯度信息g。
例如损失函数L：
Figure BDA0003125502210000092
其中，ρi代表xi对应的量子态，λ为正则项系数。
在每一轮局部优化中根据本轮确定出的梯度信息g，以及前一轮确定的量子线路的优化参数，进行参数更新，得到更新的量子线路的优化参数。
步骤304，各节点量子设备将最后一轮局部优化得到的优化参数作为局部优化参数发送至中心量子设备。
步骤305，中心量子设备对各节点量子设备发送的局部优化参数进行全局参数优化，以得到该量子线路的全局优化参数。
可选地，若节点量子设备的个数为Q个，则Q个节点量子设备发送的局部优化参数求平均值，作为全局优化参数。
步骤306，判断全局优化执行轮数是否达到第二目标轮数，若是执行步骤 307，否则执行步骤311。
步骤307，在确定全局优化执行轮数未达到设定的第二目标轮数的情况下，中心量子设备将全局优化参数作为所述量子线路的初始化参数发送至各所述节点量子设备。
通过中心量子设备将全局优化参数作为所述量子线路的初始化参数发送至各所述节点量子设备，使得各节点量子设备进行了量子线路的优化参数同步。
步骤308，各所述节点量子设备采用对应的所述量子数据子集，对所述量子线路的所述初始化参数重新进行所述第一目标轮数的局部参数优化，得到更新的局部优化参数。
各节点量子设备采用的量子数据子集为前述步骤中采用的量子数据子集，即重复执行多轮局部参数优化的过程，具体可参考前述实施例中相关描述，本步骤中不再赘述。
步骤309，各所述节点量子设备将更新的局部优化参数发送至中心量子设备。
步骤310，中心量子设备根据所述各所述节点量子设备更新的局部优化参数再次进行全局参数优化，以得到量子线路的所述全局优化参数。
步骤311，在确定全局优化执行轮数达到设定的第二目标轮数的情况下，停止重复执行步骤306至310。
需要说明的是，前述步骤306至310可以作为参数更新流程。在全局参数优化执行轮数达到第二目标轮数的情况下，停止继续执行该参数更新流程；否则，重复执行参数更新流程直至达到第二目标轮数，将最后一轮参数更新流程得到的全局优化参数作为目标参数，以将目标参数提供至经典设备进行后续处理。
本实施例中，通过将量子数据训练集划分为多个量子数据子集，将所述多个量子数据子集发送至对应的各节点量子设备，以使各所述节点量子设备并行采用对应的所述量子数据子集，对量子线路进行局部参数优化，得到局部优化参数。从各所述节点量子设备获取局部优化参数之后，根据各所述节点量子设备的所述局部优化参数进行全局参数优化，以得到量子线路的全局优化参数。由于并行采用了多个节点量子设备进行并行处理，提高了处理效率。
为了实现上述实施例，本申请还提出一种量子线路的参数优化装置，应用于中心量子设备。
图4为本申请实施例提供的一种量子线路的参数优化装置的结构示意图。
如图4所示，该装置包括：
划分模块41，用于将量子数据训练集划分为多个量子数据子集；
数据发送模块42，用于将所述多个量子数据子集发送至对应的各节点量子设备，以使各所述节点量子设备并行采用对应的所述量子数据子集，对量子线路进行局部参数优化，得到局部优化参数。
参数获取模块43，用于从各所述节点量子设备获取局部优化参数。
可选地，参数获取模块43，具体用于在各所述节点量子设备执行的局部参数优化轮数达到第一目标轮数的情况下，从各所述节点量子设备获取最后一轮参数优化得到的局部优化参数。
全局优化模块44，用于根据各所述局部优化参数进行全局参数优化，以得到所述量子线路的全局优化参数。
其中，可选地，全局优化模块44具体用于对各所述节点量子设备的所述局部优化参数进行均值计算，以得到所述量子线路的全局优化参数。
进一步地，量子线路的参数优化装置还包括执行模块，用于根据所述全局优化参数初始化所述量子线路的参数，以重新进行所述第一目标轮数的局部参数优化，以及进行全局参数优化，即执行参数更新流程。作为一种可能的实现方式，参数更新流程包括：将所述全局优化参数作为所述量子线路的初始化参数发送至各所述节点量子设备，以使各所述节点量子设备采用对应的所述量子数据子集，对所述量子线路的所述初始化参数重新进行所述第一目标轮数的局部参数优化，得到更新的局部优化参数；根据所述各所述节点量子设备更新的所述局部优化参数再次进行全局参数优化，以得到所述量子线路的所述全局优化参数。
可选地，执行模块，还用于：在所述全局参数优化执行轮数达到第二目标轮数的情况下，停止继续执行所述参数更新流程；在所述全局参数优化执行轮数未达到第二目标轮数的情况下，继续重复执行所述参数更新流程。
本实施例中，通过将量子数据训练集划分为多个量子数据子集，将所述多个量子数据子集发送至对应的各节点量子设备，以使各所述节点量子设备并行采用对应的所述量子数据子集，对量子线路进行局部参数优化，得到局部优化参数。从各所述节点量子设备获取局部优化参数之后，根据各所述节点量子设备的所述局部优化参数进行全局参数优化，以得到量子线路的全局优化参数。由于并行采用了多个节点量子设备进行并行处理，提高了处理效率。
需要说明的是，前述对方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。
基于上述实施例，本申请实施例还提供了另一种量子线路的参数优化装置的可能的实现方式，应用于多个节点量子设备中的目标量子设备。图5为本申请实施例提供的另一种量子线路的参数优化装置的结构示意图。
如图5所示，该装置包括：
数据获取模块51，用于从中心量子设备获取所述目标量子设备对应的量子数据子集。
局部优化模块52，用于采用所述量子数据子集，对量子线路进行局部参数优化，得到局部优化参数。
可选地，局部优化模块52具体用于将所述量子数据子集中的各训练数据输入所述量子线路，得到个所述训练数据的预测标签；根据各所述预测标签和各所述训练数据对应的标注标签之间的差异，确定所述局部优化参数。
局部优化模块52还具体用于采用所述量子数据子集，对所述量子线路进行多轮局部参数优化，将最后一轮局部优化得到的优化参数作为所述局部优化参数，其中，局部参数优化的轮数为设定的第一目标轮数。
参数发送模块53，用于将所述局部优化参数发送至所述中心量子设备，以使所述中心量子设备根据所述多个节点量子设备的所述局部优化参数进行全局参数优化，以得到所述量子线路的全局优化参数。
进一步地，局部优化模块52，还用于从所述中心量子设备获取初始化参数，其中，所述初始化参数是根据所述全局优化参数确定的；采用对应的所述量子数据子集，对所述量子线路的所述初始化参数重新进行所述第一目标轮数的局部参数优化。
本申请实施例中，通过将量子数据训练集划分为多个量子数据子集，将所述多个量子数据子集发送至对应的各节点量子设备，以使各所述节点量子设备并行采用对应的所述量子数据子集，对量子线路进行局部参数优化，得到局部优化参数。从各所述节点量子设备获取局部优化参数之后，根据各所述节点量子设备的所述局部优化参数进行全局参数优化，以得到量子线路的全局优化参数。由于并行采用了多个节点量子设备进行并行处理，提高了处理效率。
为了实现上述实施例，本申请还提出一种量子线路的参数优化系统，图6 为本申请实施例提供的一种量子线路的参数优化系统的结构示意图。
如图6所示，参数优化系统包括：中心量子设备61，以及与中心量子设备61通信的多个节点量子设备62。
中心量子设备61，用于执行前述实施例中图1和图3中对应的方法。
各所述节点量子设备62，用于并行执行图2和图3中对应的方法。节点量子设备62的个数可以为n个，每个节点量子设备62用于对各自对应的量子数据子集D进行处理，如图6所示，D的脚标对应节点量子设备62的序号，不同节点量子设备处理的量子数据子集存在差异。局部优化参数Q的脚标对应节点量子设备62的序号，每个节点量子设备62根据对应的量子数据子集对量子线路进行局部参数优化，从而得到局部优化参数。例如，在第一个节点量子设备62中，得到的局部优化参数为Q1，第二个节点量子设备62中，得到的局部优化参数为Q2，以此类推。
需要说明的是，图6中从D到Q的箭头，表示基于D得到局部优化参数Q， Q所指向的是量子线路，表示Q是量子线路的局部优化参数。
为了实现上述实施例，本申请还提出一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器被执行时，能够执行前述实施例中的量子线路的参数优化方法。
为了实现上述实施例，本申请还提出一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，执行前述实施例中的量子线路的参数优化方法。
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”、“具体示例”、或“一些示例”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申请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一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，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以及不同实施例或示例的特征进行结合和组合。
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至少一个该特征。在本申请的描述中，“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。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言， "计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器 (RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (14)

1.一种量子线路的参数优化方法，其特征在于，应用于中心量子设备，所述方法包括以下步骤：
将量子数据训练集划分为多个量子数据子集；
将所述多个量子数据子集发送至对应的各节点量子设备，以使各所述节点量子设备并行采用对应的所述量子数据子集，对量子线路进行局部参数优化，得到局部优化参数；
从各所述节点量子设备获取局部优化参数；
根据各所述局部优化参数进行全局参数优化，以得到所述量子线路的全局优化参数。
2.根据权利要求1所述的方法，其特征在于，所述从各节点量子设备获取局部优化参数，包括：
在各所述节点量子设备执行的局部参数优化轮数达到第一目标轮数的情况下，从各所述节点量子设备获取最后一轮参数优化得到的局部优化参数。
3.根据权利要求2所述的方法，特征在于，所述方法，还包括：
将所述全局优化参数作为所述量子线路的初始化参数发送至各所述节点量子设备，以使各所述节点量子设备采用对应的所述量子数据子集，对所述量子线路的所述初始化参数重新进行所述第一目标轮数的局部参数优化，得到更新的局部优化参数；
根据所述各所述节点量子设备更新的所述局部优化参数再次进行全局参数优化。
4.根据权利要求3所述的方法，其特征在于，所述方法，还包括：
确定全局参数优化执行轮数；
在所述全局参数优化执行轮数达到第二目标轮数的情况下，停止将所述全局优化参数作为所述量子线路的初始化参数发送至各所述节点量子设备，以及停止根据所述各所述节点量子设备更新的所述局部优化参数再次进行全局参数优化；
在所述全局参数优化执行轮数未达到第二目标轮数的情况下，继续将所述全局优化参数作为所述量子线路的初始化参数发送至各所述节点量子设备，以及继续根据所述各所述节点量子设备更新的所述局部优化参数再次进行全局参数优化。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述根据各所述局部优化参数进行全局参数优化，以得到所述量子线路的全局优化参数，包括：
对各所述节点量子设备的所述局部优化参数进行均值计算，以得到所述量子线路的全局优化参数。
6.一种量子线路的参数优化方法，其特征在于，应用于多个节点量子设备中的目标量子设备，所述方法包括以下步骤：
从中心量子设备获取所述目标量子设备对应的量子数据子集；
采用所述量子数据子集，对量子线路进行局部参数优化，得到局部优化参数；
将所述局部优化参数发送至所述中心量子设备，以使所述中心量子设备根据所述多个节点量子设备的所述局部优化参数进行全局参数优化，以得到所述量子线路的全局优化参数。
7.根据权利要求6所述的方法，其特征在于，所述采用所述量子数据子集，对量子线路进行局部参数优化，得到局部优化参数，包括：
将所述量子数据子集中的各训练数据输入所述量子线路，得到个所述训练数据的预测标签；
根据各所述预测标签和各所述训练数据对应的标注标签之间的差异，确定所述局部优化参数。
8.根据权利要求6或7所述的方法，其特征在于，所述采用所述量子数据子集，对量子线路进行局部参数优化，得到局部优化参数，包括
采用所述量子数据子集，对所述量子线路进行多轮局部参数优化，将最后一轮局部优化得到的优化参数作为所述局部优化参数，其中，局部参数优化的轮数为设定的第一目标轮数。
9.根据权利要求8所述的方法，其特征在于，所述将所述局部优化参数发送至所述中心量子设备之后，还包括：
从所述中心量子设备获取初始化参数，其中，所述初始化参数是根据所述全局优化参数确定的；
采用对应的所述量子数据子集，对所述量子线路的所述初始化参数重新进行所述第一目标轮数的局部参数优化。
10.一种量子线路的参数优化装置，其特征在于，应用于中心量子设备，包括：
划分模块，用于将量子数据训练集划分为多个量子数据子集；
数据发送模块，用于将所述多个量子数据子集发送至对应的各节点量子设备，以使各所述节点量子设备并行采用对应的所述量子数据子集，对量子线路进行局部参数优化，得到局部优化参数；
参数获取模块，用于从各所述节点量子设备获取局部优化参数；
全局优化模块，用于根据各所述局部优化参数进行全局参数优化，以得到所述量子线路的全局优化参数。
11.一种量子线路的参数优化装置，其特征在于，应用于多个节点量子设备中的目标量子设备，包括：
数据获取模块，用于从中心量子设备获取所述目标量子设备对应的量子数据子集；
局部优化模块，用于采用所述量子数据子集，对量子线路进行局部参数优化，得到局部优化参数；
参数发送模块，用于将所述局部优化参数发送至所述中心量子设备，以使所述中心量子设备根据所述多个节点量子设备的所述局部优化参数进行全局参数优化，以得到所述量子线路的全局优化参数。
12.一种量子线路的参数优化系统，其特征在于，包括：中心量子设备，以及与所述中心量子设备通信的多个节点量子设备；
所述中心量子设备，用于执行如权利要求1-5任一项所述的方法；
各所述节点量子设备，用于并行执行如权利要求6-9任一项所述的方法。
13.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，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，或者，执行如权利要求6-9任一项所述的方法。
14.一种计算机程序产品，其特征在于，当所述计算机程序产品中的指令由处理器执行时，执行如权利要求1-5中任一所述的方法，或者，执行如权利要求6-9任一项所述的方法。
CN202110688061.1A 2021-06-21 2021-06-21 量子线路的参数优化方法、装置和系统 Pending CN113313263A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110688061.1A CN113313263A (zh) 2021-06-21 2021-06-21 量子线路的参数优化方法、装置和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110688061.1A CN113313263A (zh) 2021-06-21 2021-06-21 量子线路的参数优化方法、装置和系统

Publications (1)

Publication Number Publication Date
CN113313263A true CN113313263A (zh) 2021-08-27

Family

ID=77379975

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110688061.1A Pending CN113313263A (zh) 2021-06-21 2021-06-21 量子线路的参数优化方法、装置和系统

Country Status (1)

Country Link
CN (1) CN113313263A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2997984A1 (en) * 2017-03-22 2018-09-22 Accenture Global Solutions Limited Multi-state quantum optimization engine
CN111461343A (zh) * 2020-03-13 2020-07-28 北京百度网讯科技有限公司 模型参数更新方法及其相关设备
CN111709533A (zh) * 2020-08-19 2020-09-25 腾讯科技（深圳）有限公司 机器学习模型的分布式训练方法、装置以及计算机设备
CN112052958A (zh) * 2020-09-04 2020-12-08 京东数字科技控股股份有限公司 模型训练的方法、装置、设备及计算机可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2997984A1 (en) * 2017-03-22 2018-09-22 Accenture Global Solutions Limited Multi-state quantum optimization engine
CN111461343A (zh) * 2020-03-13 2020-07-28 北京百度网讯科技有限公司 模型参数更新方法及其相关设备
CN111709533A (zh) * 2020-08-19 2020-09-25 腾讯科技（深圳）有限公司 机器学习模型的分布式训练方法、装置以及计算机设备
CN112052958A (zh) * 2020-09-04 2020-12-08 京东数字科技控股股份有限公司 模型训练的方法、装置、设备及计算机可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHEN ZHAOYUN, ET AL: "《VQNet: Library for a quantum-classical hybrid neural network》", 《ARXIV PREPRINT ARXIV:1901.09133 (2019)》, pages 1 - 11 *
丁卫平;陈森博;王杰华;管致锦;: "基于云计算的多层量子精英属性协同约简算法", 四川大学学报(工程科学版), no. 06 *

Similar Documents

Publication Publication Date Title
CN110852983B (zh) 用于检测半导体装置中的缺陷的方法
KR102025556B1 (ko) 처리 장치, 추적 유닛 및 진단 장치
CN110263732B (zh) 多尺度目标检测方法及装置
CN107402745B (zh) 数据流图的映射方法及装置
CN109886345B (zh) 基于关系推理的自监督学习模型训练方法和装置
US11397633B2 (en) Unifying semi-supervised approach for machine condition monitoring and fault diagnosis
US20180089530A1 (en) Method and system for landmark detection in medical images using deep neural networks
US20190205767A1 (en) Method and apparatus for compressing neural network
KR20130034040A (ko) 3d 메시 모델들에서 반복 구조들을 검출하기 위한 방법 및 장치
CN107977748B (zh) 一种多变量扭曲时间序列预测方法
CN113660225A (zh) 基于时序点的网络攻击事件预测方法、系统、装置及介质
US10997528B2 (en) Unsupervised model evaluation method, apparatus, server, and computer-readable storage medium
JP2020123269A (ja) 演算装置
CN113643311B (zh) 一种对边界误差鲁棒的图像分割方法和装置
CN112927244A (zh) 弱监督下的三维场景分割方法和装置
CN103077184A (zh) 用于基于规则的情景获取的方法
CN114528913A (zh) 基于信任和一致性的模型迁移方法、装置、设备及介质
CN113592071B (zh) 设备故障识别模型训练、识别方法、系统、装置及介质
CN113313263A (zh) 量子线路的参数优化方法、装置和系统
CN110135428A (zh) 图像分割处理方法和装置
CN113360911A (zh) 恶意代码同源分析方法、装置、计算机设备和存储介质
CN112733724A (zh) 基于判别样本元挖掘器的亲属关系验证方法和装置
CN117370796A (zh) 风电机组故障预测模型训练和故障预测方法及装置
CN111443954A (zh) 设备的初始化方法、装置、电子设备和计算机存储介质
CN115659124A (zh) 基于随机样本加权的稳定预测方法、装置、设备及介质

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: 601, 6 / F, building 2, No. 18, Kechuang 11th Street, Beijing Economic and Technological Development Zone, Beijing 100176

Applicant after: Jingdong Technology Information Technology Co.,Ltd.

Address before: 601, 6 / F, building 2, No. 18, Kechuang 11th Street, Beijing Economic and Technological Development Zone, Beijing 100176

Applicant before: Jingdong Shuke Haiyi Information Technology Co., Ltd

CB02 Change of applicant information