CN113379056B - 量子态数据处理方法、装置、电子设备及存储介质 - Google Patents
量子态数据处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113379056B CN113379056B CN202110616914.0A CN202110616914A CN113379056B CN 113379056 B CN113379056 B CN 113379056B CN 202110616914 A CN202110616914 A CN 202110616914A CN 113379056 B CN113379056 B CN 113379056B
- Authority
- CN
- China
- Prior art keywords
- data
- generating
- quantum state
- information
- processed
- 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
- 238000003672 processing method Methods 0.000 title abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 88
- 238000013507 mapping Methods 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000005259 measurement Methods 0.000 claims description 35
- 238000009826 distribution Methods 0.000 claims description 21
- 238000002372 labelling Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 abstract description 12
- 230000000694 effects Effects 0.000 abstract description 9
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 14
- 239000011159 matrix material Substances 0.000 description 12
- 238000004590 computer program Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000002096 quantum dot Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000005610 quantum mechanics Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Complex Calculations (AREA)
- Superconductor Devices And Manufacturing Methods Thereof (AREA)
Abstract
本公开提出了量子态数据处理方法、装置、电子设备及存储介质,涉及量子计算技术领域,具体涉及量子神经网络技术领域,包括:获取待处理数据,并确定处理待处理数据所需要的参考条件和参考精度信息,并根据参考条件和参考精度信息,生成与待处理数据对应的参考描述数据,参考描述数据包括:参数数据,和与参数数据对应的标注数据,并根据参数数据和标注数据,生成与待处理数据对应的映射信息,以及根据映射信息生成与待处理数据对应的数据处理结果。从而,采用本公开技术方案,能够有效地减少量子态数据处理过程中所需的辅助量子比特数量,降低量子态数据处理所占据的运算资源消耗,有效地提升量子态数据处理的效率,有效提升量子态数据处理效果。
Description
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方法、装置、电子设备及存储介质。
背景技术
量子态数据处理,是量子计算机(Quantum computer,QC)的重要应用之一。而量子态数据处理,可以例如,采用量子计算机求解量子线性方程组(Quantum linear system ofequations),在近期的量子计算机(Near-term quantum computer)上执行量子态数据处理任务,是目前量子计算领域非常重要的应用场景。
相关技术中,执行量子态数据处理任务时,通常使用复杂的量子工具和大量的辅助量子比特,使得量子电路的规模过大,从而影响量子态数据处理的效果。
发明内容
提供了一种量子态数据处理方法、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方法,包括:获取待处理数据,并确定处理待处理数据所需要的参考条件和参考精度信息;根据参考条件和参考精度信息,生成与待处理数据对应的参考描述数据,参考描述数据包括:参数数据,和与参数数据对应的标注数据;根据参数数据和标注数据,生成与待处理数据对应的映射信息;以及根据映射信息生成与待处理数据对应的数据处理结果。
根据第二方面,提供了一种量子态数据处理装置,包括:获取模块,用于获取待处理数据,并确定处理待处理数据所需要的参考条件和参考精度信息;第一生成模块,用于根据参考条件和参考精度信息,生成与待处理数据对应的参考描述数据,参考描述数据包括:参数数据,和与参数数据对应的标注数据;第二生成模块,用于根据参数数据和标注数据,生成与待处理数据对应的映射信息;以及第三生成模块,用于根据映射信息生成与待处理数据对应的数据处理结果。
根据第三方面,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方法。
根据第四方面,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方法。
根据第五方面,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是根据本公开第二实施例的示意图;
图3是根据本公开实施例提供的初始算子的电路示意图;
图4是根据本公开实施例提供的Wl的量子电路的示意图;
图5是根据本公开第三实施例的示意图;
图6是根据本公开第四实施例的示意图;
图7是用来实现本公开实施例的量子态数据处理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方法的执行主体为量子态数据处理装置,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,尤其涉及一种量子态数据处理方法、装置、电子设备及存储介质,能够有效地减少量子态数据处理过程中所需的辅助量子比特数量,降低量子态数据处理所占据的运算资源消耗,从而有效地提升量子态数据处理的效率,有效提升量子态数据处理效果。
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。
如图1所示,该量子态数据处理方法包括:
S101:获取待处理数据,并确定处理待处理数据所需要的参考条件和参考精度信息。
其中,当前进行处理的数据可以被称为待处理数据,待处理数据可以与量子态数据相关,也即是说,本公开实施例提供的量子态数据处理方法可以对量子态数据进行处理。
一些实施例中,待处理数据可以是矩阵的形式(例如:矩阵A),该矩阵A可以是泡利矩阵或者泡利矩阵的线性组合形式,例如矩阵其中al>0,El是n个泡利矩阵的张量积,并且带有一个全局相位。
而参考条件可以理解为待处理数据(矩阵A)的特征,例如:参考条件可以是矩阵A的最大奇异值和最小奇异值的商,或者还可以是矩阵的其它特征,其中,参考条件可以是一个条件或者多个条件,可以用p表示参考条件数,关于参考条件此处不作限制。
参考精度信息,用于指示处理待处理数据的精度,可以用∈表示,并且参考精度信息∈可以是0和1之间的任意常数,例如:0.1、0.01等,对此不作限制。
S102:根据参考条件和参考精度信息,生成与待处理数据对应的参考描述数据,参考描述数据包括:参数数据,和与参数数据对应的标注数据。
上述确定参考条件和参考精度信息后,进一步地根据参考条件p和参考精度信息∈,生成与待处理数据对应的参考描述数据。
参考描述数据,可以用于辅助确定待处理数据的处理结果,参考描述数据可以表示为
其中,参考描述数据包括参数数据和对应的标注数据,参数数据即为上述的c(j,k,j′,k′),而标注数据可以是参数数据c(j,k,j′,k′)的角标,例如:角标j,j′=0,…,J-1,k,k′=-K,…,K,其中,J和K可以是整数,通过不同的标注数据可以确定对应的参数数据c(j,k,j′,k′)。
并且,上述的参数数据和标注数据,需满足K∈Θ(p log(p/∈))。其余的参数满足条件/>yj=jΔy,zk=kΔz。f∈Θ(g)表示存在正常数w,q使得w·g≤f≤q·g。
S103:根据参数数据和标注数据,生成与待处理数据对应的映射信息。
其中,映射信息可以表示为其中,参数数据c(j,k,j′,k′)是实数,/>是一个超算子。
一些实施例中,在根据参数数据和标注数据,生成与待处理数据对应的映射信息的过程中,首先可以创建与标注数据对应的可观测量。
其中,可观测量可以表示量子系统的性质,例如哈密顿量,也即是说,
本公开实施例可以根据标注数据构造哈密顿量,哈密顿量形式如下:
进一步地,采用量子电路生成与可观测量对应的超算子数据,即:通过量子电路实现超算子,超算子例如
进一步地,根据参数数据和超算子数据/>生成与待处理数据对应的映射信息
本实施例中,根据可观测量(哈密顿量)构造该映射信息,可以在不确定量子态数据的实际处理结果的情况下,给出可观测量下的信息,能够有效地减少量子态数据处理过程中所需的辅助量子比特数量,提高量子态数据处理的效率。
可以理解的是,上述实例只是对确定映射信息进行示例性说明,在实际应用中,还可以采用其它任意可能的方式确定映射信息,对此不作限制。
S104:根据映射信息生成与待处理数据对应的数据处理结果。
上述确定映射信息后,进一步地根据映射信息生成与待处理数据对应的数据处理结果。
其中,数据处理结果可以用于对待处理数据进行处理,例如:数据处理结果可以是与量子态数据的实际处理结果相关的量,该数据处理结果可以表示为其中,tr表示取矩阵A的迹,b对应的量子态σ=|b><b|是可制备的,可以在不得到量子态数据的实际处理结果的情况下,给出其在某种可观测量下的信息,该量可以包含实际处理结果的特征,进而可以根据该特征去推断实际处理结果。
一些实施例,在根据映射信息生成与待处理数据对应的数据处理结果的操作中,首先根据映射信息生成与待处理数据对应的第一描述信息,其中,第一描述信息例如与待处理数据的数据特征相关。在实际应用中,例如可以采用映射信息估计tr(A-1σA-1O),得到第一描述信息,可以用G表示。
进一步地,根据映射信息生成与待处理数据对应的第二描述信息,第二描述信息例如与待处理数据的数据特征相关,并且可以与第一描述信息不同。在实际应用中,例如可以采用映射信息估计tr(A-1σA-1),得到第二描述信息,可以用M表示。
进一步地,根据第一描述信息G和第二描述信息M,生成与待处理数据对应的数据特征,数据特征为例如:G/M,可作为的估计值,该数据特征可作为数据处理结果。
本公开实施例中,可以分别对tr(A-1σA-1)和tr(A-1σA-1O)进行估计,得到对应的描述信息,并根据描述信息确定待处理数据的处理结果的特征,从而提高特征的准确性。
本实施例中,获取待处理数据,并确定处理待处理数据所需要的参考条件和参考精度信息,并根据参考条件和参考精度信息,生成与待处理数据对应的参考描述数据,参考描述数据包括:参数数据,和与参数数据对应的标注数据,并根据参数数据和标注数据,生成与待处理数据对应的映射信息,以及根据映射信息生成与待处理数据对应的数据处理结果。从而,采用本公开技术方案,能够有效地减少量子态数据处理过程中所需的辅助量子比特数量,降低量子态数据处理所占据的运算资源消耗,从而有效地提升量子态数据处理的效率,有效提升量子态数据处理效果。
图2是根据本公开第二实施例的示意图。
如图2所示,该量子态数据处理方法包括:
S201:获取待处理数据,并确定处理待处理数据所需要的参考条件和参考精度信息。
S202:根据参考条件和参考精度信息,生成与待处理数据对应的参考描述数据,参考描述数据包括:参数数据,和与参数数据对应的标注数据。
S203:创建与标注数据对应的可观测量。
S204:采用量子电路生成与可观测量对应的超算子数据。
S205:根据参数数据和超算子数据,生成与待处理数据对应的映射信息。
S201~S205的描述说明可以具体参见上述实施例,在此不再赘述。
S206:获取第一量子态数据和初始算子。
本公开实施例在生成与待处理数据对应的第一描述信息的操作中,即:在采用映射信息∑(j,k,j′,k′)c(j,k,j′,k′)U(j,k,j′,k′)估计tr(A-1σA-1O)的操作中,首先获取第一量子态数据和初始算子。
其中,可以将制备的量子态数据作为第一量子态数据,第一量子态数据可以表示为
用于处理第一量子态数据的算子可以被称为初始算子,初始算子可以用表示。图3是根据本公开实施例提供的初始算子的电路示意图,如图3所示,初始算子中可以包括多个子程序,可以调用子程序模拟每个H(j,j′,k,k′)的时间演化/>
其中,子程序可以模拟超算子在量子态ρ上的作用。假设/>其中hl>0,Hl是n个泡利矩阵的张量积,并且带有一个全局相位,模拟过程如下:
1.构造概率分布其中/>
2.在{1,2,…,L}中根据p采样N个整数,记为l1,l2,…,lN;
3.构造一列量子电路
4.制备量子态
5.将应用到量子态σ上。
在上述流程中,先经过随机选择,再通过量子电路构造。最后输出的量子态形式为/>需要说明的是,输出量子态不近似目标量子态/>但是,从统计的角度看,输出的量子态的期望近似目标量子态/>而这是由于随机采样,可以采用下列公式表示:
其中,tranc表示对辅助量子比特取偏迹(Partial trace),E表示期望。也就是说,量子态σ经过演化后,在工作寄存器上的部分近似目标量子态/>因此,本实施例可以通过随机选择量子电路/>模拟目标量子信道/>
上述流程3中构造了一列量子信道(电路),构造过程如下:
每个对应一个酉算子Al,其表达式为/>其中图4是根据本公开实施例提供的Wl的量子电路的示意图,如图4所示,其中Vl=-iHl,它的受控形式可以由受控泡利门构造。比如,假设那么受控门/> R1和R2是两个单比特旋转门,满足条件
其中一般T可以取足够大来提高精度。特别地,当给定精度∈>0,T=C(∧t)2/∈,其中C是个固定的常数。通过/>输出的量子态/>与目标量子态/>的迹距离小于∈。
S207:根据第一量子态数据,生成与初始算子对应的第一测量结果数据。
上述获取第一量子态数据和初始算子后,根据第一量子态数据,生成与初始算子对应的第一测量结果数据。如图3所示,在实际应用中,可以采用初始算子(多个子程序)对第一量子态数据/>进行处理,得到第一测量结果数据,第一测量结果数据可以表示为:O(j,k,j′,k′)。
S208:根据参数数据和第一测量结果数据,生成与待处理数据对应的第一描述信息。
进一步地,根据参数数据c(j,k,j′,k′)和第一测量结果数据O(j,k,j′,k′),生成与待处理数据对应的第一描述信息,例如:第一描述信息 (对应于图3中的后处理)。
从而,本公开实施例可以通过初始算子的电路计算第一描述信息,因此可以调整电路的参数值以提高计算精度,能有效提升量子态数据处理效果。
可以理解的是,上述实例只是对确定第一描述信息进行示例性说明,在实际应用中,还可以采用其它任意可能的方式进行确定,对此不做限制。
S209:获取第二量子态数据。
一些实施例中,在确定第二描述信息的操作中,首先获取第二量子态数据,第二量子态数据可以表示为一些实施例中,第二量子态数据可以与第一量子态数据相同或者不同,对此不做限制。
S210:根据第二量子态数据,生成与超算子数据对应的第二测量结果数据。
进一步地,根据第二量子态数据生成与超算子数据对应的第二测量结果数据。
在实际应用中,超算子数据可以表示为可观测量电路结构可以同理于上述的初始算子/>的电路结构(图3结构),此处不再赘述。上述确定第二量子态数据后,可以调用/>中的子程序模拟每个H(j,j′,k,k′)的时间演化U(j,k,j′,k′)。进一步地,可以采用可观测量/>进行测量计算,得到第二测量结果数据,可以表示为D(j,k,j′,k′)。
S211:根据参数数据和第二测量结果数据,生成与待处理数据对应的第二描述信息。
进一步地,生成与待处理数据对应的第二描述信息,例如:根据参数数据c(j,k,j′,k′)和第二测量结果数据D(j,k,j′,k′),计算第二描述信息
从而,本公开实施例可以通过初始算子的电路计算第二描述信息,因此可以调整电路的参数值以提高计算精度,有效提升量子态数据处理效果。
S212:确定第一描述信息和第二描述信息之间的比例信息,并将比例信息作为与待处理数据对应的数据特征。
其中,比例信息例如可以是G/M,或者还可以表示为M/G,并将比例信息(例如G/M)作为与待处理数据对应的数据特征。从而,数据特征中可以包含多种信息,因此数据特征可以表达的更加全面准确。
一些实施例中,超算子数据对应的电路可以包括多个子程序(参考图3),子程序可以模拟超算子U(·)=e-iH(·)eiH在量子态ρ上的作用。假设/>其中hl>0,Hl是n个泡利矩阵的张量积,并且带有一个全局相位。
生成与超算子数据对应的第二测量结果数据的操作中,首先确定与超算子数据对应的概率分布集合,概率分布集合包括:多个概率分布信息。
其中,可以构造概率分布其中/>将概率分布p作为该概率分布集合。进一步地,根据多个概率分布信息和超算子数据,确定目标数量,例如:在{1,2,…,L}中根据p采样N个整数,记为l1,l2,…,lN。进一步地,创建目标数量的目标量子电路/>并制备量子态/>并将/>应用到量子态σ上,而后采用目标量子电路处理第二量子态数据,以生成第二测量结果数据。从而./>先经过随机选择,再通过量子电路构造,因此可以提高生成第二测量结果数据的速度以及准确性。
本实施例中,获取待处理数据,并确定处理待处理数据所需要的参考条件和参考精度信息,并根据参考条件和参考精度信息,生成与待处理数据对应的参考描述数据,参考描述数据包括:参数数据,和与参数数据对应的标注数据,并根据参数数据和标注数据,生成与待处理数据对应的映射信息,以及根据映射信息生成与待处理数据对应的数据处理结果。从而,采用本公开技术方案,能够有效地减少量子态数据处理过程中所需的辅助量子比特数量,降低量子态数据处理所占据的运算资源消耗,从而有效地提升量子态数据处理的效率,有效提升量子态数据处理效果。本公开实施例可以通过初始算子的电路计算第一描述信息和第一描述信息,因此可以调整电路的参数值以提高计算精度,能有效提升量子态数据处理效果。并且,数据特征中可以包含多种信息,因此数据特征可以表达的更加全面准确。此外,还可以可以提高生成第二测量结果数据的速度以及准确性。
在实际应用中,具体方案如下:
整体框架:
1.输入矩阵条件数p,精度∈;
2.构造映射具体如下:
a)根据条件数和精度计算所有的参数c(j,k,j′,k′):
其中,角标j,j′=0,…,J-1,k,k′=-K,…,K。J和K是整数,并且满足K∈Θ(p log(p/∈))。其余的参数满足条件/>yj=jΔy,zk=kΔz。f∈Θ(g)表示存在正常数w,q使得w·g≤f≤q·g。
b)根据每个角标(j,j′,k,k′),构造哈密顿量:
c)通过量子电路实现超算子
3.利用映射分别估计tr(A-1σA-1O)和tr(A-1σA-1),并记为G和M;
4.输出G/M作为的估计值,即我们感兴趣的线性方程组的解的特征。
如图3所示(测量算子为时的电路),分别估计tr(A-1σA-1O)和tr(A-1σA-1)算法流程:
1.制备量子态
2.调用子程序模拟每个H(j,j′,k,k′)的时间演化
3.用算子测量,结果记为O(j,k,j′,k′);
4.后处理:计算
5.制备量子态
6.调用子程序模拟每个H(j,j′,k,k′)的时间演化
7.用可观测量进行测量,结果记为D(j,k,j′,k′);
8.后处理:计算
9.计算G/M,并作为估计值输出。
子程序:模拟超算子在量子态ρ上的作用,假设/>其中hl>0,Hl是n个泡利矩阵的张量积,并且带有一个全局相位。
1.构造概率分布其中/>
2.在{1,2,…,L}中根据p采样N个整数,记为l1,l2,…,lN;
3.构造一列量子电路
4.制备量子态
5.将应用到量子态σ上。
在上述流程中,先经过随机选择,再通过量子电路构造。最后输出的量子态形式为/>值得指出的是,输出量子态不近似目标量子态/>但是,从统计的角度看,输出的量子态的期望近似目标量子态/>而这是由于随机采样。我们用下列公式表示:
其中,tranc表示对辅助量子比特取偏迹(Partial trace),E表示期望。也就是说,量子态σ经过演化后,在工作寄存器上的部分近似目标量子态/>因此,该方案通过随机选择量子电路/>模拟了目标量子信道/>
步骤3中构造了一列量子信道,下面给出具体的构造方法。
每个对应一个酉算子Al,其表达式为/>其中Wl的量子电路如图4所示,其中,Vl=-iHl,它的受控形式可以由受控泡利门构造。比如,假设/>那么受控门 R1和R2是两个单比特旋转门,满足条件
其中一般T可以取足够大来提高精度。特别地,当给定精度∈>0,T=C(∧t)2/∈,其中C是个固定的常数。通过/>输出的量子态/>与目标量子态的迹距离小于∈。
在一个具体应用场景中,本实施例技术方案例如可以计算与线性方程组解相关的量,例如其中tr表示取矩阵的迹,可以在不解出这个线性方程组的情况下,给出其在某种可观测量下的信息。特别的,这个量包含了方程组的解的特征,也在机器学习等方面中有具体应用,也可以根据这些信息去推断线性方程组的具体解。本实施例技术方案的核心思想是实现一个映射/>使其替换目标量中的A-1(·)A-1。其中c(j,k,j′,k′)是实数,每个/>是一个超算子,并且可以通过量子电路实现。该方案是为了适应近期的量子计算机而设计的,特别地,只使用了单量子比特门和两量子比特受控门,以及三个辅助量子比特。在该方案中,输入矩阵A是泡利算子的组合,即/>其中al>0,El是n个泡利矩阵的张量积,并且带有一个全局相位,另一个关于矩阵的输入是条件数(Condition number)p。此外,假设b对应的量子态σ=|b><b|是可制备的。
图5是根据本公开第三实施例的示意图。
如图5所示,该量子态数据处理装置50,包括:
获取模块501,用于获取待处理数据,并确定处理待处理数据所需要的参考条件和参考精度信息;
第一生成模块502,用于根据参考条件和参考精度信息,生成与待处理数据对应的参考描述数据,参考描述数据包括:参数数据,和与参数数据对应的标注数据;
第二生成模块503,用于根据参数数据和标注数据,生成与待处理数据对应的映射信息;以及
第三生成模块504,用于根据映射信息生成与待处理数据对应的数据处理结果。
可选地,在本公开的一些实施例中,如图6所示,图6是根据本公开第四实施例的示意图,该量子态数据处理装置60,包括:获取模块601、第一生成模块602、第二生成模块603、第三生成模块604,其中,第二生成模块603,包括:
创建子模块6031,用于创建与标注数据对应的可观测量;
第一生成子模块6032,用于采用量子电路生成与可观测量对应的超算子数据;以及
第二生成子模块6033,用于根据参数数据和超算子数据,生成与待处理数据对应的映射信息。
可选地,在本公开的一些实施例中,如图6所示,第三生成模块604,包括:
第三生成子模块6041,用于根据映射信息生成与待处理数据对应的第一描述信息;
第四生成子模块6042,用于根据映射信息生成与待处理数据对应的第二描述信息,第一描述信息和第二描述信息不相同;
第五生成子模块6043,用于根据第一描述信息和第二描述信息,生成与待处理数据对应的数据特征,并将数据特征作为数据处理结果。
可选地,在本公开的一些实施例中,第三生成子模块6041,具体用于:
获取第一量子态数据和初始算子;根据第一量子态数据,生成与初始算子对应的第一测量结果数据;根据参数数据和第一测量结果数据,生成与待处理数据对应的第一描述信息。
可选地,在本公开的一些实施例中,第四生成子模块6042,具体用于:
获取第二量子态数据;根据第二量子态数据,生成与超算子数据对应的第二测量结果数据;根据参数数据和第二测量结果数据,生成与待处理数据对应的第二描述信息。
可选地,在本公开的一些实施例中,第五生成子模块6043,具体用于:
确定第一描述信息和第二描述信息之间的比例信息,并将比例信息作为与待处理数据对应的数据特征。
可选地,在本公开的一些实施例中,第四生成子模块6042,具体用于:
确定与超算子数据对应的概率分布集合,概率分布集合包括:多个概率分布信息;根据多个概率分布信息和超算子数据,确定目标数量;创建目标数量的目标量子电路;采用目标量子电路处理第二量子态数据,以生成第二测量结果数据。
可以理解的是,本实施例附图6中的量子态数据处理装置60与上述实施例中的量子态数据处理装置50,获取模块601与上述实施例中的获取模块501,第一生成模块602与上述实施例中的第一生成模块502,第二生成模块603与上述实施例中的第二生成模块503,第三生成模块604与上述实施例中的第三生成模块504,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方法的解释说明也适用于本实施例的量子态数据处理装置,此处不再赘述。
本实施例中,获取待处理数据,并确定处理待处理数据所需要的参考条件和参考精度信息,并根据参考条件和参考精度信息,生成与待处理数据对应的参考描述数据,参考描述数据包括:参数数据,和与参数数据对应的标注数据,并根据参数数据和标注数据,生成与待处理数据对应的映射信息,以及根据映射信息生成与待处理数据对应的数据处理结果。从而,采用本公开技术方案,能够有效地减少量子态数据处理过程中所需的辅助量子比特数量,降低量子态数据处理所占据的运算资源消耗,从而有效地提升量子态数据处理的效率,有效提升量子态数据处理效果。
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7是用来实现本公开实施例的量子态数据处理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7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理,例如,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708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的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701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 (14)
1.一种量子态数据处理方法,包括:
获取待处理数据,并确定处理所述待处理数据所需要的参考条件和参考精度信息,所述参考条件为所述待处理数据的特征;
根据所述参考条件和所述参考精度信息,生成与所述待处理数据对应的参考描述数据,所述参考描述数据包括:参数数据,和与所述参数数据对应的标注数据;
根据所述参数数据和所述标注数据,生成与所述待处理数据对应的映射信息;以及
根据所述映射信息生成与所述待处理数据对应的数据处理结果;
所述根据所述参数数据和所述标注数据,生成与所述待处理数据对应的映射信息,包括:
创建与所述标注数据对应的可观测量;
采用量子电路生成与所述可观测量对应的超算子数据;以及
根据所述参数数据和所述超算子数据,生成与所述待处理数据对应的映射信息。
2.根据权利要求1所述的方法,其中,所述根据所述映射信息生成与所述待处理数据对应的数据处理结果,包括:
根据所述映射信息生成与所述待处理数据对应的第一描述信息;
根据所述映射信息生成与所述待处理数据对应的第二描述信息,所述第一描述信息和所述第二描述信息不相同;
根据所述第一描述信息和所述第二描述信息,生成与所述待处理数据对应的数据特征,并将所述数据特征作为所述数据处理结果。
3.根据权利要求2所述的方法,其中,所述根据所述映射信息生成与所述待处理数据对应的第一描述信息,包括:
获取第一量子态数据和初始算子;
根据所述第一量子态数据,生成与所述初始算子对应的第一测量结果数据;
根据所述参数数据和所述第一测量结果数据,生成与所述待处理数据对应的第一描述信息。
4.根据权利要求2所述的方法,其中,所述根据所述映射信息生成与所述待处理数据对应的第二描述信息,包括:
获取第二量子态数据;
根据所述第二量子态数据,生成与所述超算子数据对应的第二测量结果数据;
根据所述参数数据和所述第二测量结果数据,生成与所述待处理数据对应的第二描述信息。
5.根据权利要求2所述的方法,其中,所述根据所述第一描述信息和所述第二描述信息,生成与所述待处理数据对应的数据特征,包括:
确定所述第一描述信息和所述第二描述信息之间的比例信息,并将所述比例信息作为与所述待处理数据对应的数据特征。
6.根据权利要求4所述的方法,其中,所述根据所述第二量子态数据,生成与所述超算子数据对应的第二测量结果数据,包括:
确定与所述超算子数据对应的概率分布集合,所述概率分布集合包括:多个概率分布信息;
根据所述多个概率分布信息和所述超算子数据,确定目标数量;
创建所述目标数量的目标量子电路;
采用所述目标量子电路处理所述第二量子态数据,以生成所述第二测量结果数据。
7.一种量子态数据处理装置,包括:
获取模块,用于获取待处理数据,并确定处理所述待处理数据所需要的参考条件和参考精度信息,所述参考条件为所述待处理数据的特征;
第一生成模块,用于根据所述参考条件和所述参考精度信息,生成与所述待处理数据对应的参考描述数据,所述参考描述数据包括:参数数据,和与所述参数数据对应的标注数据;
第二生成模块,用于根据所述参数数据和所述标注数据,生成与所述待处理数据对应的映射信息;以及
第三生成模块,用于根据所述映射信息生成与所述待处理数据对应的数据处理结果;
其中,所述第二生成模块,包括:
创建子模块,用于创建与所述标注数据对应的可观测量;
第一生成子模块,用于采用量子电路生成与所述可观测量对应的超算子数据;以及
第二生成子模块,用于根据所述参数数据和所述超算子数据,生成与所述待处理数据对应的映射信息。
8.根据权利要求7所述的装置,其中,所述第三生成模块,包括:
第三生成子模块,用于根据所述映射信息生成与所述待处理数据对应的第一描述信息;
第四生成子模块,用于根据所述映射信息生成与所述待处理数据对应的第二描述信息,所述第一描述信息和所述第二描述信息不相同;
第五生成子模块,用于根据所述第一描述信息和所述第二描述信息,生成与所述待处理数据对应的数据特征,并将所述数据特征作为所述数据处理结果。
9.根据权利要求8所述的装置,其中,所述第三生成子模块,具体用于:
获取第一量子态数据和初始算子;
根据所述第一量子态数据,生成与所述初始算子对应的第一测量结果数据;
根据所述参数数据和所述第一测量结果数据,生成与所述待处理数据对应的第一描述信息。
10.根据权利要求8所述的装置,其中,所述第四生成子模块,具体用于:
获取第二量子态数据;
根据所述第二量子态数据,生成与所述超算子数据对应的第二测量结果数据;
根据所述参数数据和所述第二测量结果数据,生成与所述待处理数据对应的第二描述信息。
11.根据权利要求8所述的装置,其中,所述第五生成子模块,具体用于:
确定所述第一描述信息和所述第二描述信息之间的比例信息,并将所述比例信息作为与所述待处理数据对应的数据特征。
12.根据权利要求10所述的装置,其中,所述第四生成子模块,具体用于:
确定与所述超算子数据对应的概率分布集合,所述概率分布集合包括:多个概率分布信息;
根据所述多个概率分布信息和所述超算子数据,确定目标数量;
创建所述目标数量的目标量子电路;
采用所述目标量子电路处理所述第二量子态数据,以生成所述第二测量结果数据。
13. 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1-6中任一项所述的方法。
14.一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1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110616914.0A CN113379056B (zh) | 2021-06-02 | 2021-06-02 | 量子态数据处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110616914.0A CN113379056B (zh) | 2021-06-02 | 2021-06-02 | 量子态数据处理方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113379056A CN113379056A (zh) | 2021-09-10 |
CN113379056B true CN113379056B (zh) | 2023-10-31 |
Family
ID=77575690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110616914.0A Active CN113379056B (zh) | 2021-06-02 | 2021-06-02 | 量子态数据处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379056B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650808A (zh) * | 2016-12-20 | 2017-05-10 | 北京工业大学 | 一种基于量子近邻算法的图像分类方法 |
CN110210073A (zh) * | 2019-05-10 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 量子噪声过程分析方法、装置、设备及存储介质 |
WO2019210524A1 (zh) * | 2018-05-04 | 2019-11-07 | 深圳晶泰科技有限公司 | 基于神经网络的分子结构和化学反应能量函数构建方法 |
CN112529203A (zh) * | 2020-12-23 | 2021-03-19 | 北京百度网讯科技有限公司 | 纠缠量子态分辨方法、装置、设备、存储介质及产品 |
CN112561069A (zh) * | 2020-12-23 | 2021-03-26 | 北京百度网讯科技有限公司 | 模型处理方法、装置、设备、存储介质及产品 |
CN112633511A (zh) * | 2020-12-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 用于计算量子配分函数的方法、相关装置及程序产品 |
-
2021
- 2021-06-02 CN CN202110616914.0A patent/CN113379056B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650808A (zh) * | 2016-12-20 | 2017-05-10 | 北京工业大学 | 一种基于量子近邻算法的图像分类方法 |
WO2019210524A1 (zh) * | 2018-05-04 | 2019-11-07 | 深圳晶泰科技有限公司 | 基于神经网络的分子结构和化学反应能量函数构建方法 |
CN110210073A (zh) * | 2019-05-10 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 量子噪声过程分析方法、装置、设备及存储介质 |
CN112529203A (zh) * | 2020-12-23 | 2021-03-19 | 北京百度网讯科技有限公司 | 纠缠量子态分辨方法、装置、设备、存储介质及产品 |
CN112561069A (zh) * | 2020-12-23 | 2021-03-26 | 北京百度网讯科技有限公司 | 模型处理方法、装置、设备、存储介质及产品 |
CN112633511A (zh) * | 2020-12-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 用于计算量子配分函数的方法、相关装置及程序产品 |
Non-Patent Citations (2)
Title |
---|
量子态估计简介及其在超导电路电动力学系统中的应用;杨阳;齐波;崔巍;;控制理论与应用(11);全文 * |
量子算法及其在图像处理中的应用;庞朝阳;周日贵;丁从宝;胡本琼;;四川师范大学学报(自然科学版)(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113379056A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111931350B (zh) | 超导电路中量子门的评估方法及装置、设备、存储介质 | |
CN112633511B (zh) | 用于计算量子配分函数的方法、相关装置及程序产品 | |
JP7354320B2 (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 | |
CN112560996B (zh) | 用户画像识别模型训练方法、设备、可读存储介质及产品 | |
CN114580647B (zh) | 量子系统的模拟方法、计算设备、装置及存储介质 | |
US20230325675A1 (en) | Data valuation using reinforcement learning | |
CN115147680B (zh) | 目标检测模型的预训练方法、装置以及设备 | |
CN113361717B (zh) | 量子态数据处理模型的训练方法、装置、电子设备及介质 | |
CN113902118B (zh) | 量子测量设备校准方法及装置、电子设备和介质 | |
CN114580645A (zh) | 随机量子测量的模拟方法、装置、设备及存储介质 | |
CN112966193B (zh) | 出行意图推断方法、模型训练方法、相关装置及电子设备 | |
CN113379056B (zh) | 量子态数据处理方法、装置、电子设备及存储介质 | |
CN113098624A (zh) | 量子态测量方法、装置、设备、存储介质及系统 | |
US20240119330A1 (en) | Method for Determining Degree of Quantum Entanglement, Computing Device and Storage Medium | |
CN113313261B (zh) | 函数处理方法、装置及电子设备 | |
CN114997407A (zh) | 量子测量设备的噪声消除方法及装置、电子设备和介质 | |
CN113517040B (zh) | 量子本征求解器的实现方法、装置及电子设备 | |
JP7005806B1 (ja) | 価格評価システム及び価格評価方法 | |
CN114580649A (zh) | 消除量子泡利噪声的方法及装置、电子设备和介质 | |
CN115146779B (zh) | Qnd保真度的确定方法、装置、设备及存储介质 | |
CN116416500B (zh) | 图像识别模型训练方法、图像识别方法、装置及电子设备 | |
CN115329972A (zh) | 量子计算机性能确定方法及装置、电子设备和介质 | |
CN116108926A (zh) | 量子计算方法、装置、设备及存储介质 | |
CN116245187A (zh) | 量子模拟方法、装置、设备以及存储介质 | |
CN115577786A (zh) | 量子熵确定方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |