CN113361717B

CN113361717B - 量子态数据处理模型的训练方法、装置、电子设备及介质

Info

Publication number: CN113361717B
Application number: CN202110593732.6A
Authority: CN
Inventors: 王鑫; 陈然一鎏; 赵犇池
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Priority date: 2021-05-28
Filing date: 2021-05-28
Publication date: 2022-09-23
Anticipated expiration: 2041-05-28
Also published as: CN113361717A

Abstract

本公开提出了量子态数据处理模型的训练方法、装置、电子设备及介质，涉及量子计算技术领域，具体涉及量子神经网络技术领域，具体实现方案：获取样本量子态数据，并确定初始的量子态数据处理模型，并将样本量子态数据输入至初始的量子态数据处理模型之中，以得到初始的量子态数据处理模型输出的输出态数据，并对输出态数据进行纠缠加权处理，以得到目标输出态数据，以及根据目标输出态数据训练初始的量子态数据处理模型，以及得到目标量子态数据处理模型。从而，当采用目标量子态数据处理模型执行量子分析任务时，能够有效减少量子分析占用的计算资源，提升量子分析效率与实用性，有效地辅助提升量子分析效果。

Description

量子态数据处理模型的训练方法、装置、电子设备及介质

技术领域

本公开涉及量子计算技术领域，具体涉及量子神经网络技术领域，尤其涉及量子态数据处理模型的训练方法、装置、电子设备及介质。

背景技术

量子纠缠(quantum entanglement)是量子力学中特有的现象。当几个粒子在彼此之间相互作用后，由于各个粒子所拥有的特性已综合成为整体性质，此时无法单独描述各自的性质，只能描述整体系统的性质，这种现象就被称为量子纠缠。量子纠缠是量子科技中最重要的资源之一，是量子计算和量子信息处理的基本组成部分。施密特分解(SchmidtDecomposition，SD)是分析量子纠缠的基本工具，是纠缠理论中最为核心和实用的方向。

相关技术中，量子分析(例如，施密特分解)采用了神经网络技术，但是，训练的量子神经网络在进行量子分析时，通常消耗较大的计算资源，从而影响量子分析的效果。

发明内容

提供了一种量子态数据处理模型的训练方法、量子态数据处理方法、装置、电子设备、存储介质及计算机程序产品。

根据第一方面，提供了一种量子态数据处理模型的训练方法，包括：获取样本量子态数据；确定初始的量子态数据处理模型；将样本量子态数据输入至初始的量子态数据处理模型之中，以得到初始的量子态数据处理模型输出的输出态数据；对输出态数据进行纠缠加权处理，以得到目标输出态数据；以及根据目标输出态数据训练初始的量子态数据处理模型，以及得到目标量子态数据处理模型。

根据第二方面，提供了一种量子态数据处理方法，包括：获取待处理量子态数据；将待处理量子态数据输入至如上述的量子态数据处理模型的训练方法训练得到的目标量子态数据处理模型之中，以得到目标量子态数据处理模型输出的预测输出态数据；根据预测输出态数据，生成与待处理量子态数据对应的数据结果。

根据第三方面，提供了一种量子态数据处理模型的训练装置，包括：第一获取模块，用于获取样本量子态数据；确定模块，用于确定初始的量子态数据处理模型；第一处理模块，用于将样本量子态数据输入至初始的量子态数据处理模型之中，以得到初始的量子态数据处理模型输出的输出态数据；第二处理模块，用于对输出态数据进行纠缠加权处理，以得到目标输出态数据；以及训练模块，用于根据目标输出态数据训练初始的量子态数据处理模型，以及得到目标量子态数据处理模型。

根据第四方面，提供了一种量子态数据处理装置，包括：第二获取模块，用于获取待处理量子态数据；第三处理模块，用于将待处理量子态数据输入至如上述的量子态数据处理模型的训练装置训练得到的目标量子态数据处理模型之中，以得到目标量子态数据处理模型输出的预测输出态数据；生成模块，用于根据预测输出态数据，生成与待处理量子态数据对应的数据结果。

根据第五方面，提供了一种电子设备，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能够执行本公开实施例提出的量子态数据处理模型的训练方法，或者执行本公开实施例提出的量子态数据处理方法。

根据第六方面，提出了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开实施例提出的量子态数据处理模型的训练方法，或者执行本公开实施例提出的量子态数据处理方法。

根据第七方面，提出了一种计算机程序产品，包括计算机程序，当所述计算机程序由处理器执行时实现本公开实施例提出的量子态数据处理模型的训练方法，或者执行本公开实施例提出的量子态数据处理方法。

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

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开第一实施例的示意图；

图2是根据本公开实施例提供的参数化量子电路的结构示意图；

图3是根据本公开第二实施例的示意图；

图4是根据本公开实施例提供的纠缠加权电路的结构示意图；

图5是根据本公开第三实施例的示意图；

图6是根据本公开实施例提供的制备正交量子态的电路的结构示意图；

图7是根据本公开实施例的量子态数据处理模型的训练方法的流程示意图；

图8是根据本公开第四实施例的示意图；

图9是根据本公开第五实施例的示意图；

图10是根据本公开第六实施例的示意图；

图11是用来实现本公开实施例的量子态数据处理模型的训练方法的电子设备的框图。

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和精神。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。

图1是根据本公开第一实施例的示意图。

其中，需要说明的是，本实施例的量子态数据处理模型的训练方法的执行主体为量子态数据处理模型的训练装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在电子设备中，电子设备可以包括但不限于终端、服务器端等。

本公开涉及量子计算技术领域，具体涉及量子神经网络技术领域，尤其涉及量子态数据处理模型的训练方法、装置、电子设备及介质，当采用训练得到的目标量子态数据处理模型执行量子分析任务时，能够有效减少量子分析占用的计算资源，提升量子分析效率与实用性，有效地辅助提升量子分析效果。

其中，量子计算是一种遵循量子力学规律调控量子信息单元进行计算的新型计算模式。从计算的效率上，由于量子力学叠加性的存在，量子算法在处理问题时速度要快于传统的通用计算机。

而量子神经网络(QNN)是基于量子力学原理的神经网络模型，在量子神经网络研究的计算方法中，可以将人工神经网络模型与量子信息的优势相结合，以便开发更有效的算法。

量子纠缠(Quantum Entanglement，QE)，是量子科技中重要资源之一，量子纠缠是量子计算和量子信息处理的基本组成部分。

而施密特分解(Schmidt Decomposition，SD)，用于把复合系统上的一个量子态表达成两个子系统的一组正交量子态的线性组合形式，是分析量子纠缠的基本工具。

如图1所示，该量子态数据处理模型的训练方法包括：

S101：获取样本量子态数据。

其中，用于描述量子复合系统的量子态的数据，可以被称为量子态数据，量子态数据例如可以用|ψ>_AB表示，并且该量子态数据可以被执行施密特分解，其中，量子复合系统是由两个以上的量子系统构成，量子复合系统中的量子形成纠缠态，即量子纠缠。

具体而言，假设系统A、B分别拥有n_A、n_B个量子比特(n_A≤n_B)，施密特分解可以是针对复合系统AB上的一个量子态表达成两个子系统A，B的一组正交量子态的线性组合形式，即：

其中，c_j是施密特系数，满足c_j∈[0，1]和

|u_j>_A,|v_j>_B分别是系统A，B上的一组正交量子态。

而用于对量子态数据处理模型进行训练的量子态数据，可以被称为样本量子态数据，样本量子态数据可以是一个数据或者多个数据，对此不做限制。

也即是说，本公开实施例提供的量子态数据处理模型的训练方法支持对量子量子态数据处理模型进行训练，在模型训练过程中，首先获取样本量子态数据。

举例而言，复合系统AB各包含一个量子比特，即：n_A＝n_B＝1，n_A，n_B表示复合系统AB包含的量子比特数量。随机生成AB复合系统上的一个量子态：|ψ>_AB＝c₀|u₀>_A|v₀>_B+c₁|u₁>_A|v₁>_B，该量子态即可以被作为本实施例的样本量子态数据，其中样本量子态数据中的参数可以如表1所示：

表1

c<sub>0</sub>	0.64349	\|u<sub>0</sub>><sub>A</sub>	[-0.398-0.75i，0.268-0.456i]	\|u<sub>0</sub>><sub>A</sub>	[0.042+0.527i,0.686-0.5i]
						c<sub>1</sub>	0.76545	\|v<sub>1</sub>><sub>B</sub>	[-0.041-0.338i,-0.654+0.675i]	\|v<sub>1</sub>><sub>B</sub>	[0.931-0.135i,0.25+0.231i]

S102：确定初始的量子态数据处理模型。

上述获取样本量子态数据后，进一步地，本公开实施例确定初始的量子态数据处理模型。

其中，用于对样本量子态数据|ψ>_AB进行处理的模型可以被称为量子态数据处理模型，该量子态数据处理模型例如可以是神经网络模型，或者是机器学习模型，并且量子态数据处理模型例如可以根据样本量子态数据所属的系统进行确定，对此不做限制。

而具有初始网络结构的量子态数据处理模型，可以被称为初始的量子态数据处理模型，该初始的量子态数据处理模型可以理解为未经训练的网络模型。

一些实施例中，可以首先确定样本量子态数据|ψ>_AB所属的目标系统，也即是说，目标系统中存在该样本量子态数据|ψ>_AB，例如：目标系统可以是复合系统AB，样本量子态数据|ψ>_AB属于该复合系统AB。

进一步地，确定与目标系统AB对应的多个子系统，即：构成该复合系统AB的子系统，子系统例如：系统A和系统B。

进一步地，确定与多个子系统分别对应的多个初始的量子态数据处理模型，例如：确定与系统A对应的初始的量子态数据处理模型，确定与系统B对应的初始的量子态数据处理模型，从而可以得到多个初始的量子态数据处理模型。本实施例中，可以将目标系统分为多个子系统，并根据多个子系统确定对应的量子态数据处理模型，因此量子态数据处理模型与系统更加匹配，有利于对样本量子态数据执行量子分析任务(量子分析任务，例如施密特分解任务)。

可以理解的是，上述实例只是对确定初始的量子态数据处理模型进行示例性说明，在实际应用中，还可以采用其它任意可能的方法进行确定，对此不做限制。

S103：将样本量子态数据输入至初始的量子态数据处理模型之中，以得到初始的量子态数据处理模型输出的输出态数据。

上述确定初始的量子态数据处理模型后，进一步地，将样本量子态数据输入至初始的量子态数据处理模型之中，以得到初始的量子态数据处理模型输出的输出态数据。

本公开实施例的量子态数据处理模型是根据子系统(子系统例如，系统A和系统B)确定的，因此量子态数据处理模型的处理过程可以与系统A和系统B的量子电路相关，量子电路可以用参数进行表示，即：参数化量子电路。

举例而言，图2是根据本公开实施例提供的参数化量子电路的结构示意图，如图2所示，系统A和系统B可以分别用U_A和U_B表示，U_A和U_B中的初始化参数分别用

和

表示，则系统A和系统B的参数化量子电路可以表示为

和

举例而言，参数化量子电路对应的公式可以表示为：

则本公开实施例中，将样本量子态数据|ψ>_AB输入至初始的量子态数据处理模型的过程，即可以理解为将电路

和

作用在|ψ>_AB，而后可以得到对应的输出态数据，输出态数据例如可以用

表示。

S104：对输出态数据进行纠缠加权处理，以得到目标输出态数据。

上述得到输出态数据后，进一步地，对输出态数据

进行纠缠加权处理，以得到目标输出态数据。

其中，纠缠加权处理可以理解为对所有施密特系数分配互不相等的权重，纠缠加权可以用W表示，则目标输出态数据可以表示为

一些实施例中，可以对多个初始的量子态数据处理模型分别输出的多个输出态数据进行纠缠加权处理，例如：对

输出的输出态数据，和对

输出的输出态数据进行纠缠加权处理，以得到目标输出态数据

S105：根据目标输出态数据训练初始的量子态数据处理模型，以及得到目标量子态数据处理模型。

上述得到目标输出态数据，进一步地，根据目标输出态数据训练初始的量子态数据处理模型，例如：采用梯度下降法或者其他最优化方法调整参数化电路中的参数

和

直至模型训练完成，得到目标量子态数据处理模型(即：训练好的参数化量子电路)，训练好的参数化量子电路可以表示为

本实施例中，通过获取样本量子态数据，并确定初始的量子态数据处理模型，并将样本量子态数据输入至初始的量子态数据处理模型之中，以得到初始的量子态数据处理模型输出的输出态数据，并对输出态数据进行纠缠加权处理，以得到目标输出态数据，以及根据目标输出态数据训练初始的量子态数据处理模型，以及得到目标量子态数据处理模型。从而，当采用训练得到的目标量子态数据处理模型执行量子分析任务时，能够有效减少量子分析占用的计算资源，提升量子分析效率与实用性，有效地辅助提升量子分析效果。

图3是根据本公开第二实施例的示意图。

如图3所示，该量子态数据处理模型的训练方法包括：

S301：获取样本量子态数据。

S302：确定初始的量子态数据处理模型。

S303：将样本量子态数据输入至初始的量子态数据处理模型之中，以得到初始的量子态数据处理模型输出的输出态数据。

S301～S303的描述说明可以具体参见上述实施例，在此不再赘述。

S304：将多个输出态数据输入至预配置的纠缠加权电路之中，以得到纠缠加权电路输出的与多个输出态数据分别对应的多个加权值。

一些实施例中，输出态数据的数量为多个，例如：将电路

和

作用在|ψ>_AB可以得到多个输出态数据

在进行纠缠加权处理的操作中，首先将多个输出态数据输入至预配置的纠缠加权电路之中，以得到纠缠加权电路输出的与多个输出态数据分别对应的多个加权值。

也即是说，纠缠加权处理可以通过纠缠加权电路实现。在实际应用中，纠缠加权电路可以包含受控反闸门单和量子比特旋转门，在量子设备上易于实现。图4是根据本公开实施例提供的纠缠加权电路的结构示意图，如图4所示，纠缠加权电路中的Ry旋转门的角度α_j只需满足

就能实现纠缠加权。因此，任意满足

的纠缠加权电路都可以实现本公开实施例提供的纠缠加权处理。在实际操作中，可取：

本公开实施例，可以将多个输出态数据输入至该纠缠加权电路之中，输出对应的多个加权值，例如：W1、W2...等。

S305：采用多个加权值对多个输出态数据进行纠缠加权处理，以得到目标输出态数据。

进一步地，采用多个加权值对多个输出态数据进行纠缠加权处理，即：利用W1、W2分别处理对应的输出态数据

得到目标输出态数据。通过纠缠加权电路可以快速得到加权值，并且可以实现对多个输出态数据分别进行加权处理，从而可以有效提升纠缠加权的准确性。

可以理解的是，上述实例只是对纠缠加权处理进行示例性说明，在实际应用中，还可以采用其它任意可能的方法进行纠缠加权处理，对此不做限制。

S306：对目标输出态数据进行测量，以得到与目标输出态对应的第一测量值。

本公开实施例在模型训练过程中，首先可以对目标输出态数据进行测量，以得到与目标输出态对应的第一测量值，例如：采用计算基|0>_A|0>_B对目标输出态数据

进行测量，得到第一测量值。

S307：根据第一测量值，生成与量子态数据处理模型对应的损失函数值。

进一步地，根据第一测量值，生成与量子态数据处理模型对应的损失函数值，损失函数例如可以用L表示。

S308：如果损失函数值满足设定条件，则将训练得到的量子态数据处理模型作为目标量子态数据处理模型。

进一步地，判断损失函数值是否满足设定条件，例如：该设定条件是损失函数值最大化，对此不做限制。

在实际应用中，可以通过阈值的方式作为设定条件，通过机器学习算法，例如：梯度下降法或者其他最优化方法，调整量子态数据处理模型(参数化量子电路)的参数

和

直至损失函数值满足设定条件，即：损失函数值最大化，则将训练得到的量子态数据处理模型作为目标量子态数据处理模型。

举例而言，上述实施例中的参数化量子电路：

经过优化后，对应的优化参数可以如表2所示：

表2

从而，本实施例可以根据损失函数，采用机器学习算法自动的对模型进行训练，因此提升了模型的训练速度以及模型的准确度。

本实施例中，通过获取样本量子态数据，并确定初始的量子态数据处理模型，并将样本量子态数据输入至初始的量子态数据处理模型之中，以得到初始的量子态数据处理模型输出的输出态数据，并对输出态数据进行纠缠加权处理，以得到目标输出态数据，以及根据目标输出态数据训练初始的量子态数据处理模型，以及得到目标量子态数据处理模型。从而，当采用训练得到的目标量子态数据处理模型执行量子分析任务时，能够有效减少量子分析占用的计算资源，提升量子分析效率与实用性，有效地辅助提升量子分析效果。此外，通过纠缠加权电路可以快速得到加权值，并且可以实现对多个输出态数据分别进行加权处理，从而可以有效提升纠缠加权的准确性。并且，根据损失函数，采用机器学习算法自动的对模型进行训练，因此提升了模型的训练速度以及模型的准确度。

图5是根据本公开第三实施例的示意图。

如图5所示，该量子态数据处理方法包括：

S501：获取待处理量子态数据。

其中，当前需要进行处理的量子态数据可以被称为待处理量子态数据，例如可以用|ψ>_AB表示，并且待处理量子态数据可以是一个量子态数据或者多个量子态数据，对此不做限制。

S502：将待处理量子态数据输入至如上述的量子态数据处理模型的训练方法训练得到的目标量子态数据处理模型之中，以得到目标量子态数据处理模型输出的预测输出态数据。

进一步地，将待处理量子态数据输入至如上述实施例训练得到的目标量子态数据处理模型之中，输出的预测输出态数据。

举例而言，上述的目标量子态数据处理模型可以表示为

也即是说，本公开实施例可以将训练好的

作用在待处理量子态数据，得到预测输出态数据，例如用

表示。

S503：根据预测输出态数据，生成与待处理量子态数据对应的数据结果。

进一步地，根据预测输出态数据

生成与待处理量子态数据对应的数据结果，数据结果例如：施密特系数、正交量子态，或者其它任意可能的量子数据处理结果，此处不做限制。

一些实施例中，可以首先对预测输出态数据进行测量，以得到与预测输出态对应的第二测量值，例如：在计算基|j>_A|j>_B上测量预测输出态数据

得到第二测量值

举例而言，将训练好的参数化量子电路

作用在|ψ>_AB上得到

在计算基|0>_A|0>_B和|1>_A|1>_B上测量量子态

得到第二测量值，第二测量值可以如表3所示：

表3

M<sub>0</sub>	0.41408
		M<sub>1</sub>	0.58591

其中，M₀和M₁表示第二测量值。

进一步地，根据第二测量值生成与待处理量子态数据对应的施密特系数，并将施密特系数作为数据结果。

例如：取

的平方根即为施密特系数：

其中j∈[0,d-1]，并将施密特系数作为数据结果。

举例而言，上述的第二测量值得到的施密特系数如表4所示：

表4

c′<sub>0</sub>	0.64349
		c′<sub>1</sub>	0.76545

从而，本实施例可以采用目标量子态数据处理模型执行量子分析任务，实现计算施密特系数，有利于辅助快速地确定出与量子分析任务对应的纠缠性质，提升了施密特分解的效率和实用性。

另一些实施例中，图6是根据本公开实施例提供的制备正交量子态的电路的结构示意图，如图6所示，还可以确定与待处理量子态数据对应的多种基态数据，多种基态数据例如：计算基态|j>_A,|j>_B。

进一步地，将多种基态数据分别作为目标量子态数据处理模型的反向计算的输入，并获得目标量子态数据处理模型执行反向计算得到的多个目标量子态数据，多个目标量子态数据相互正交。

其中，目标量子态数据处理模型

的反向计算的输入(也可以称为逆电路)表示为

并分别作用在A，B系统的计算基态|j>_A,|j>_B上，获得目标量子态数据处理模型执行反向计算得到的多个目标量子态数据，多个目标量子态数据例如：

其中j∈[0,d-1]，其中，

相互正交，也可以称为正交量子态数据，并将多个目标量子态数据(正交量子态数据)作为数据结果。

举例而言，使用

制备的正交量子态数据如表5所示：

表5

\|u′<sub>0</sub>><sub>A</sub>	[0.849+0i,0.276+0.451i]	\|u′<sub>1</sub>><sub>A</sub>	[0.528-0.037i,-0.493-0.691i]
				\|v′<sub>0</sub>><sub>B</sub>	[0.341+0i,-0.592-0.73i]	\|v′<sub>1</sub>><sub>B</sub>	[0.412-0.845i,0.333-0.077i]

从而，本实施例可以提升制备正交量子态的效率，并且还可以保证量子态之间的保真度。

图7是根据本公开实施例的量子态数据处理模型的训练方法的流程示意图，如图7所示，输入样本量子态数据|ψ>_AB；对|ψ>_AB作用参数化量子电路；对输出态进行纠缠加权，将加权后的测量结果作为损失函数；通过机器学习的优化方法调整电路参数以最大化损失函数；当损失函数达到最优，通过优化好的电路计算施密特系数，以及制备复合基向量。

本实施例中，通过获取待处理量子态数据，并将待处理量子态数据输入至如上述的量子态数据处理模型的训练方法训练得到的目标量子态数据处理模型之中，以得到目标量子态数据处理模型输出的预测输出态数据，以及根据预测输出态数据，生成与待处理量子态数据对应的数据结果，由于采用了上述的量子态数据处理模型的训练方法训练得到的目标量子态数据处理模型对待处理量子态数据进行处理，能够有效地提升量子态数据的处理效率，减少了计算资源的占用，从而提升了量子纠缠的处理效果。此外，本实施例可以采用目标量子态数据处理模型计算施密特系数，有利于后续进行施密特分解操作，提升了施密特分解的效率和实用性。并且可以提升制备正交量子态的效率，并且还可以保证量子态之间的保真度。

图8是根据本公开第四实施例的示意图。

如图8所示，该量子态数据处理模型的训练装置80，包括：

第一获取模块801，用于获取样本量子态数据；

确定模块802，用于确定初始的量子态数据处理模型；

第一处理模块803，用于将样本量子态数据输入至初始的量子态数据处理模型之中，以得到初始的量子态数据处理模型输出的输出态数据；

第二处理模块804，用于对输出态数据进行纠缠加权处理，以得到目标输出态数据；以及

训练模块805，用于根据目标输出态数据训练初始的量子态数据处理模型，以及得到目标量子态数据处理模型。

可选地，在本公开的一些实施例中，如图9所示，图9是根据本公开第五实施例的示意图，该量子态数据处理模型的训练装置90，包括：第一获取模块901、确定模块902、第一处理模块903、第二处理模块904、训练模块905，其中，训练模块905，包括：

测量子模块9051，用于对目标输出态数据进行测量，以得到与目标输出态对应的第一测量值；

生成子模块9052，用于根据第一测量值，生成与量子态数据处理模型对应的损失函数值；以及

训练子模块9053，用于如果损失函数值满足设定条件，则将训练得到的量子态数据处理模型作为目标量子态数据处理模型。

可选地，在本公开的一些实施例中，如图9所示，第二处理模块904，包括：

第一处理子模块9041，用于将多个输出态数据输入至预配置的纠缠加权电路之中，以得到纠缠加权电路输出的与多个输出态数据分别对应的多个加权值；

第二处理子模块9042，用于采用多个加权值对多个输出态数据进行纠缠加权处理，以得到目标输出态数据。

可选地，在本公开的一些实施例中，如图9所示，确定模块902，包括：

第一确定子模块9021，用于确定样本量子态数据所属目标系统；

第二确定子模块9022，用于确定与目标系统对应的多个子系统；

第三确定子模块9023，用于确定与多个子系统分别对应的多个初始的量子态数据处理模型；

其中，第二处理模块904，具体用于：对多个初始的量子态数据处理模型分别输出的多个输出态数据进行纠缠加权处理，以得到目标输出态数据。

可以理解的是，本实施例附图9中的量子态数据处理模型的训练装置90与上述实施例中的量子态数据处理模型的训练装置80，第一获取模块901与上述实施例中的第一获取模块801，确定模块902与上述实施例中的确定模块802，第一处理模块903与上述实施例中的第一处理模块803，第二处理模块904与上述实施例中的第二处理模块804，训练模块905与上述实施例中的训练模块805，可以具有相同的功能和结构。

需要说明的是，前述对量子态数据处理模型的训练方法的解释说明也适用于本实施例的量子态数据处理模型的训练装置，此处不再赘述。

图10是根据本公开第六实施例的示意图。

如图10所示，该量子态数据处理装置100，包括：

第二获取模块1001，用于获取待处理量子态数据；

第三处理模块1002，用于将待处理量子态数据输入至如上述权利要求8-11任一项的量子态数据处理模型的训练方法训练得到的目标量子态数据处理模型之中，以得到目标量子态数据处理模型输出的预测输出态数据；

生成模块1003，用于根据预测输出态数据，生成与待处理量子态数据对应的数据结果。

可选地，在本公开的一些实施例中，生成模块1003，具体用于：对预测输出态数据进行测量，以得到与预测输出态对应的第二测量值；根据第二测量值生成与待处理量子态数据对应的施密特系数，并将施密特系数作为数据结果。

可选地，在本公开的一些实施例中，生成模块1003，具体用于：确定与待处理量子态数据对应的多种基态数据；将多种基态数据分别作为目标量子态数据处理模型的反向计算的输入，并获得目标量子态数据处理模型执行反向计算得到的多个目标量子态数据，多个目标量子态数据相互正交；将多个目标量子态数据作为数据结果。

本实施例中，通过获取待处理量子态数据，并将待处理量子态数据输入至如上述的量子态数据处理模型的训练方法训练得到的目标量子态数据处理模型之中，以得到目标量子态数据处理模型输出的预测输出态数据，以及根据预测输出态数据，生成与待处理量子态数据对应的数据结果，由于采用了上述的量子态数据处理模型的训练方法训练得到的目标量子态数据处理模型对待处理量子态数据进行处理，能够有效地提升量子态数据的处理效率，减少了计算资源的占用，从而提升了量子纠缠的处理效果。

根据本公开的实施例，本公开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。

图11是用来实现本公开实施例的量子态数据处理模型的训练方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，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11所示，设备1100包括计算单元1101，其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序，来执行各种适当的动作和处理。在RAM 1103中，还可存储设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。

设备1100中的多个部件连接至I/O接口1105，包括：输入单元1106，例如键盘、鼠标等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许设备1100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。

计算单元1101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1101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1101执行上文所描述的各个方法和处理，例如，量子态数据处理模型的训练方法，或者量子态数据处理方法。

例如，在一些实施例中，量子态数据处理模型的训练方法，或者量子态数据处理方法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1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时，可以执行上文描述的量子态数据处理模型的训练方法，或者量子态数据处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元1101可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行量子态数据处理模型的训练方法，或者量子态数据处理方法。

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。

用于实施本公开的量子态数据处理模型的训练方法，或者量子态数据处理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量子态数据处理模型的训练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)、互联网及区块链网络。

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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也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。

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，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，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。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims

1.一种量子态数据处理模型的训练方法，包括：

获取样本量子态数据，其中，所述样本量子态数据为用于描述量子复合系统的量子态的数据，所述量子复合系统由两个以上的量子系统构成；

确定初始的量子态数据处理模型；

将所述样本量子态数据输入至所述初始的量子态数据处理模型之中，以得到所述初始的量子态数据处理模型输出的输出态数据，其中，所述量子态数据处理模型是根据所述量子复合系统的子系统所确定的，所述量子态数据处理模型的处理过程与所述子系统的量子电路相关；

对所述输出态数据进行纠缠加权处理，以得到目标输出态数据；以及

根据所述目标输出态数据训练所述初始的量子态数据处理模型，以及得到目标量子态数据处理模型；

其中，所述纠缠加权处理通过纠缠加权电路实现，所述纠缠加权电路包含受控反闸门单和量子比特旋转门。

2.根据权利要求1所述的方法，其中，所述根据所述目标输出态数据训练所述初始的量子态数据处理模型，以得到目标量子态数据处理模型，包括：

对所述目标输出态数据进行测量，以得到与目标输出态对应的第一测量值；

根据所述第一测量值，生成与所述量子态数据处理模型对应的损失函数值；以及

如果所述损失函数值满足设定条件，则将训练得到的所述量子态数据处理模型作为所述目标量子态数据处理模型。

3.根据权利要求1所述的方法，所述输出态数据的数量为多个，其中，所述对所述输出态数据进行纠缠加权处理，以得到目标输出态数据，包括：

将多个所述输出态数据输入至预配置的纠缠加权电路之中，以得到所述纠缠加权电路输出的与多个所述输出态数据分别对应的多个加权值；

采用所述多个加权值对多个所述输出态数据进行纠缠加权处理，以得到所述目标输出态数据。

4.根据权利要求1所述的方法，其中，所述确定初始的量子态数据处理模型，包括：

确定所述样本量子态数据所属目标系统；

确定与所述目标系统对应的多个子系统；

确定与所述多个子系统分别对应的多个初始的量子态数据处理模型；

其中，所述对所述输出态数据进行纠缠加权处理，以得到目标输出态数据，包括：

对所述多个初始的量子态数据处理模型分别输出的多个所述输出态数据进行纠缠加权处理，以得到所述目标输出态数据。

5.一种量子态数据处理方法，包括：

获取待处理量子态数据；

将所述待处理量子态数据输入至如上述权利要求1-4任一项所述的量子态数据处理模型的训练方法训练得到的目标量子态数据处理模型之中，以得到所述目标量子态数据处理模型输出的预测输出态数据；

根据所述预测输出态数据，生成与所述待处理量子态数据对应的数据结果。

6.根据权利要求5所述的方法，其中，所述根据所述预测输出态数据，生成与所述待处理量子态数据对应的数据结果，包括：

对所述预测输出态数据进行测量，以得到与预测输出态对应的第二测量值；

根据所述第二测量值生成与所述待处理量子态数据对应的施密特系数，并将所述施密特系数作为所述数据结果。

7.根据权利要求6所述的方法，其中，所述根据所述预测输出态数据，生成与所述待处理量子态数据对应的数据结果，还包括：

确定与所述待处理量子态数据对应的多种基态数据；

将所述多种基态数据分别作为所述目标量子态数据处理模型的反向计算的输入，并获得所述目标量子态数据处理模型执行反向计算得到的多个目标量子态数据，所述多个目标量子态数据相互正交；

将所述多个目标量子态数据作为所述数据结果。

8.一种量子态数据处理模型的训练装置，包括：

第一获取模块，用于获取样本量子态数据，其中，所述样本量子态数据为用于描述量子复合系统的量子态的数据，所述量子复合系统由两个以上的量子系统构成；

确定模块，用于确定初始的量子态数据处理模型；

第一处理模块，用于将所述样本量子态数据输入至所述初始的量子态数据处理模型之中，以得到所述初始的量子态数据处理模型输出的输出态数据，其中，所述量子态数据处理模型是根据所述量子复合系统的子系统所确定的，所述量子态数据处理模型的处理过程与所述子系统的量子电路相关；

第二处理模块，用于对所述输出态数据进行纠缠加权处理，以得到目标输出态数据；以及

训练模块，用于根据所述目标输出态数据训练所述初始的量子态数据处理模型，以及得到目标量子态数据处理模型；

9.根据权利要求8所述的装置，其中，所述训练模块，包括：

测量子模块，用于对所述目标输出态数据进行测量，以得到与目标输出态对应的第一测量值；

生成子模块，用于根据所述第一测量值，生成与所述量子态数据处理模型对应的损失函数值；以及

训练子模块，用于如果所述损失函数值满足设定条件，则将训练得到的所述量子态数据处理模型作为所述目标量子态数据处理模型。

10.根据权利要求8所述的装置，其中，所述第二处理模块，包括：

第一处理子模块，用于将多个所述输出态数据输入至预配置的纠缠加权电路之中，以得到所述纠缠加权电路输出的与多个所述输出态数据分别对应的多个加权值；

第二处理子模块，用于采用所述多个加权值对多个所述输出态数据进行纠缠加权处理，以得到所述目标输出态数据。

11.根据权利要求8所述的装置，其中，所述确定模块，包括：

第一确定子模块，用于确定所述样本量子态数据所属目标系统；

第二确定子模块，用于确定与所述目标系统对应的多个子系统；

第三确定子模块，用于确定与所述多个子系统分别对应的多个初始的量子态数据处理模型；

其中，所述第二处理模块，具体用于：

12.一种量子态数据处理装置，包括：

第二获取模块，用于获取待处理量子态数据；

第三处理模块，用于将所述待处理量子态数据输入至如上述权利要求8-11任一项所述的量子态数据处理模型的训练装置训练得到的目标量子态数据处理模型之中，以得到所述目标量子态数据处理模型输出的预测输出态数据；

生成模块，用于根据所述预测输出态数据，生成与所述待处理量子态数据对应的数据结果。

13.根据权利要求12所述的装置，其中，所述生成模块，具体用于：

14.根据权利要求13所述的装置，其中，所述生成模块，具体用于：

确定与所述待处理量子态数据对应的多种基态数据；

将所述多个目标量子态数据作为所述数据结果。

15.一种电子设备，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能够执行权利要求1-4中任一项所述的方法，或者执行权利要求5-7中任一项所述的方法。

16.一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1-4中任一项所述的方法，或者执行权利要求5-7中任一项所述的方法。