CN113496285B - 基于量子电路的数据处理方法及装置、电子设备和介质 - Google Patents
基于量子电路的数据处理方法及装置、电子设备和介质 Download PDFInfo
- Publication number
- CN113496285B CN113496285B CN202110768782.3A CN202110768782A CN113496285B CN 113496285 B CN113496285 B CN 113496285B CN 202110768782 A CN202110768782 A CN 202110768782A CN 113496285 B CN113496285 B CN 113496285B
- Authority
- CN
- China
- Prior art keywords
- quantum
- state
- quantum circuit
- states
- ground
- 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 claims abstract description 9
- 230000005283 ground state Effects 0.000 claims abstract description 108
- 239000002096 quantum dot Substances 0.000 claims abstract description 27
- 239000000203 mixture Substances 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000003860 storage Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 230000005281 excited state Effects 0.000 claims description 70
- 238000000034 method Methods 0.000 claims description 61
- 238000005259 measurement Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 abstract description 13
- 230000006870 function Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 11
- 238000005457 optimization Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000005610 quantum mechanics Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 239000010405 anode material Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000010406 cathode material Substances 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000009509 drug development Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007773 negative electrode material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000007774 positive electrode material Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000012846 protein folding Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000009466 transformation Effects 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
-
- 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
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Neurology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Linguistics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Superconductor Devices And Manufacturing Methods Thereof (AREA)
- Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)
Abstract
本公开提供了一种基于量子电路的数据处理方法、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,尤其涉及数据处理技术领域。实现方案为:获取n量子比特系统的待求解的哈密顿量,n为正整数;确定可作用于n量子比特的待优化的量子电路;获取n量子比特的混态,该混态为多个正交的计算基态的概率混合;将n量子比特的混态输入量子电路,以基于量子电路输出的量子态对哈密顿量进行测量,得到期望值;基于期望值对该量子电路所对应的参数进行优化,以得到参数优化后的量子电路;以及将多个正交的计算基态中的相应的计算基态输入优化后的量子电路,以得到该哈密顿量相对应的特征态。
Description
技术领域
本公开涉及量子计算领域,尤其涉及数据处理技术领域,具体涉及一种基于量子电路的数据处理方法、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
在物理、化学等领域中,提取分子、原子等物理系统基态(Ground State)和激发态(Excited State)的信息一直以来都是非常重要的问题。根据量子力学的原理,系统基态和激发态及其对应能量是由系统的哈密顿量(Hamiltonian)描述的。一般来说,可以使用经典计算机提取哈密顿量的特征向量,但是当系统规模达到一定程度的时候,经典计算机就无法用来提取特征向量了。随着量子计算的发展,近期的有噪中规量子计算机被认为可以有效处理一些经典计算机难以解决的问题,其中包括获取物理系统基态和激发态的信息。因此如何基于量子计算机高效地提取物理系统基态和激发态的相关信息成为亟待解决的问题。
发明内容
本公开提供了一种基于量子电路的数据处理方法、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,提供了一种基于量子电路的数据处理方法,包括:获取n量子比特系统的待求解的哈密顿量,其中n为正整数;确定可作用于n量子比特的待优化的量子电路;获取n量子比特的混态,其中所述混态为多个正交的计算基态的概率混合;将所述n量子比特的混态输入所述量子电路,以基于所述量子电路输出的量子态对所述哈密顿量进行测量,得到期望值;基于所述期望值对所述量子电路所对应的参数进行优化,以得到参数优化后的量子电路;以及将所述多个正交的计算基态中的相应的计算基态输入所述优化后的量子电路,以得到所述哈密顿量相对应的特征态。
根据本公开的另一方面,提供了一种基于量子电路的数据处理装置,包括:第一获取单元,配置为获取n量子比特系统的待求解的哈密顿量,其中n为正整数;确定单元,配置为确定可作用于n量子比特的待优化的量子电路;第二获取单元,配置为获取n量子比特的混态,其中所述混态为多个正交的计算基态的概率混合;测量单元,配置为将所述n量子比特的混态输入所述量子电路,以基于所述量子电路输出的量子态对所述哈密顿量进行测量,得到期望值;优化单元,配置为基于所述期望值对所述量子电路所对应的参数进行优化,以得到参数优化后的量子电路;以及特征求解单元,配置为将所述多个正交的计算基态中的相应的计算基态输入所述优化后的量子电路,以得到所述哈密顿量相对应的特征态。
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本公开所述的方法。
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本公开所述的方法。
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本公开所述的方法。
根据本公开的一个或多个实施例,可以快速地提取物理系统基态和激发态的相关信息,只需要计算一次期望值,就能以该期望值为损失函数对量子电路进行参数优化,在保证求解精度的同时节省了训练量子电路的资源,并兼具高效性与实用性。
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示出了目前一个用于求解哈密顿量的基态和激发态的方法的示意图;
图2示出了目前另一个用于求解哈密顿量的基态和激发态的方法的示意图;
图3示出了根据本公开的实施例的基于量子电路的数据处理方法的流程图;
图4示出了根据本公开的实施例的将制备的混态输入量子电路的示意图;
图5示出了根据本公开的实施例的用于求解哈密顿量的基态和激发态的方法的示意图;
图6示出了根据本公开的实施例的基于量子电路的数据处理装置的结构框图;以及
图7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。
迄今为止,正在应用中的各种不同类型的计算机都是以经典物理学为信息处理的理论基础,称为传统计算机或经典计算机。经典信息系统采用物理上最容易实现的二进制数据位存储数据或程序,每一个二进制数据位由0或1表示,称为一个位或比特,作为最小的信息单元。经典计算机本身存在着不可避免的弱点:一是计算过程能耗的最基本限制。逻辑元件或存储单元所需的最低能量应在kT的几倍以上,以避免在热胀落下的误动作;二是信息熵与发热能耗;三是计算机芯片的布线密度很大时,根据海森堡不确定性关系,电子位置的不确定量很小时,动量的不确定量就会很大。电子不再被束缚,会有量子干涉效应,这种效应甚至会破坏芯片的性能。
量子计算机(quantum computer)是一类遵循量子力学性质、规律进行高速数学和逻辑运算、存储及处理量子信息的物理设备。当某个设备处理和计算的是量子信息,运行的是量子算法时,他就是量子计算机。量子计算机遵循着独一无二的量子动力学规律(特别是量子干涉)来实现一种信息处理的新模式。对计算问题并行处理,量子计算机比起经典计算机有着速度上的绝对优势。量子计算机对每一个叠加分量实现的变换相当于一种经典计算,所有这些经典计算同时完成,并按一定的概率振幅叠加起来,给出量子计算机的输出结果,这种计算称为量子并行计算。量子并行处理大大提高了量子计算机的效率,使得其可以完成经典计算机无法完成的工作,例如一个很大的自然数的因子分解。量子相干性在所有的量子超快速算法中得到了本质性的利用。因此,用量子态代替经典态的量子并行计算,可以达到经典计算机不可比拟的运算速度和信息处理功能,同时节省了大量的运算资源。
在物理和化学等学科中,一个非常重要的问题就是提取分子、原子等物理系统基态(Ground State)和激发态(Excited State)的信息。基态是指该系统所能处于的能量最低的状态,而激发态则是指一些其能量高于基态的状态。根据量子力学的原理,系统的基态和激发态及其对应能量是由系统的哈密顿量(Hamiltonian)描述的。哈密顿量H在数学上的形式是埃尔米特矩阵(Hermitian Matrix),即共轭对称的复数矩阵。如果系统是由n个量子比特(Qubit)组成,那么H就是一个2n×2n的埃尔米特矩阵。一个n阶的埃尔米特矩阵有n个正交的特征向量(Eigenvector),并且它们所对应的特征值(Eigenvalue)都是实数。这些特征向量就是哈密顿量H描述的系统的基态和激发态,而一个特征向量对应的特征值则是系统处于该基态或激发态时的能量。因此,系统的基态就是哈密顿量H具有最小特征值的特征向量,且这个最小特征值就是该系统的基态能量。那么,提取系统基态的信息就转化为求解哈密顿量H具有最小特征值的特征向量。系统的激发态则是哈密顿量H除了基态以外的所有的特征向量,第k激发态所对应的能量是哈密顿量H第k+1小的特征值。值得注意的是,哈密顿量H的所有特征向量,即所有的激发态和基态都是互相正交的。
随着量子计算的发展,近期的有噪中规量子计算机被认为可以有效处理一些传统计算机难以解决的问题,而这些问题就包括获取物理系统基态和激发态的信息。求解基态和激发态在科学和工程的许多领域都有应用。比如在高性能电池的研发中,需要通过求解分子的基态和激发态来估算正负极材料的能量密度。通过二次量子化正负极材料的化学分子式,可以得到哈密顿量H,再求解该材料的基态和激发态,从而估算材料的能量密度,可高效地得到高精度结果。从而缩短新电池的研发周期、降低试错成本。除此之外,求解基态和激发态在主成分分析(Principal Component Analysis,PCA)、蛋白质折叠和药物研发等方面都有应用。因此,该方案对物理、化学、机器学习等领域的探索有重要作用。
针对以上问题,量子计算中的一个非常重要的结果是变分量子特征求解器(Variational Quantum Eigensolver,VQE),其使用有噪中规量子(Noisy Intermediate-Scale Quantum,NISQ)计算机来提取物理系统基态与激发态的信息。具体来说,给定一个系统的哈密顿量H,变分量子特征求解器利用有噪中规量子计算机和经典计算机一同训练参数化量子电路(Parameterized Quantum Circuit,PQC),以使其有效制备哈密顿量的基态与激发态并得到相应的基态能量和激发态能量。
目前常规的求解哈密顿量的基态和激发态的方法有两种。
方法一使用参数化量子电路,通过在损失函数中添加惩罚项来抵消第k激发态之前的基态和激发态所带来的影响。具体来说,由于所有激发态和基态两两正交(即两两间的内积等于0),该方法通过计算前k-1个激发态及基态与第k激发态的内积来达到这个目的,即损失函数为 其中|ψ(λi)〉是已经得到的基态和激发态,|ψ(λk)>是通过参数化量子电路U(θ)后预测的第k激发态,<ψ(λk)|H|ψ(λk)>是测量哈密顿量得到的期望值,也即预测的第k激发态对应的能量。该方法通过优化参数化量子电路U(θ)中的参数θ来最小化损失函数,使得预测的第k激发态|ψ(λk)〉与前k-1个激发态及基态的内积为零、且期望值〈ψ(λk)|H|ψ(λk)>尽可能小,进而得到第k激发态。图1示出了方法一所述的获得第k激发态的示意图。如图1所示,将纯态|0>输入参数化量子电路U(θ)(101)中,得到的|ψ(λi)>(i=0,…,k)即为哈密顿量H的特征态。在得到的特征态上对哈密顿量H进行测量(过程102)就能得到相应的期望值/>该方法需要迭代地求解基态和激发态,即先通过VQE求解基态,将基态添加到求解第一激发态的损失函数中,再求解第一激发态,重复这个过程,直到得到想要求得的激发态。
该方法一需要迭代地求解基态和激发态,在计算第k激发态前,首先需要运行k次整个算法得到基态和前k-1个激发态。而且损失函数中的惩罚项是通过计算当前量子态和之前所求得的所有基态或激发态的内积得到的,计算内积这个过程不仅需要存储之前所有电路的参数,在量子计算机上实现时需要使用两倍深的电路或者两倍的量子比特,而且需要很多的量子门,导致了量子资源的不合理浪费,也更容易受到真实量子设备中存在的噪声的影响。
方法二使用了参数化量子电路。其中,分别在一组正交的量子态上运行参数化量子电路,并将测量哈密顿量H得到的期望值用于计算损失函数,即损失函数为其中/>是一组正交的量子态,U(θ)是用来学习基态和激发态的参数化量子电路,/>为U(θ)的逆,/>是在预测到的态/>上对哈密顿量H进行测量得到的期望值,wi是每一项的权重,并通过优化参数化量子电路的参数θ来最小化损失函数,从而得到激发态。图2示出了方法二所述的获得第k激发态的示意图。如图2所示,分别将一组正交的量子态/>输入参数化量子电路U(θ)中,以分别基于输出的量子态测量哈密顿量得到相应的期望值O0、O1…Ok。从而,基于损失函数/>对该参数化量子电路进行优化,其中
方法二虽然可以对参数化量子电路的参数进行一次优化过程就可以同时求解所有的激发态,但是每次计算损失函数时,需要在分别输入k+1个纯态上都运行该参数化量子电路并计算期望值,即,计算一次L(θ)需要运行k+1次参数化量子电路,用时较长,导致了量子资源的不合理浪费。
因此,根据本公开的实施例提供了一种基于量子电路的数据处理方法300,如图3所示,包括:获取n量子比特系统的待求解的哈密顿量,其中n为正整数(步骤310);确定可作用于n量子比特的待优化的量子电路(步骤320);获取n量子比特的混态,其中混态为多个正交的计算基态的概率混合(步骤330);将n量子比特的混态输入量子电路,以基于量子电路输出的量子态对所述哈密顿量进行测量,得到期望值(步骤340);基于期望值对量子电路所对应的参数进行优化,以得到参数优化后的量子电路(步骤350);以及将多个正交的计算基态中的相应的计算基态输入优化后的量子电路,以得到哈密顿量相对应的特征态(步骤360)。
根据本公开的实施例,可以快速地提取物理系统基态和激发态的相关信息,只需要计算一次期望值,就能以该期望值为损失函数对量子电路进行参数优化,在保证求解精度的同时节省了训练量子电路的资源,并兼具高效性与实用性。
在一些示例中,首先获取n量子比特系统的哈密顿量H,根据本公开的方法用以求解该哈密顿量H的基态和前k个激发态。n量子比特系统的哈密顿量H的特征向量的维度为2n,因此k∈{0,1,…,2n-1}。当k=0时,即只求解该哈密顿量H的基态。当k=2n-1时,求解该哈密顿量H的基态以及所有激发态。
上述量子电路即参数化量子电路,又可称为量子神经网络(Quantum NeuralNetwork,QNN)。参数化量子电路可以包括若干个单量子比特旋转门和受控反闸门,其中的若干个旋转角度组成向量θ,即为该参数化量子电路的参数。
在本公开中,需要准备可作用于n量子比特量子态的可调节参数的参数化量子电路,整个参数化量子电路可以记为U(θ)。并且,制备一个n量子比特的混态ρ,该混态为k+1个正交的计算基态的概率混合。当需要求解该哈密顿量H的基态以及所有激发态(即当k=2n-1)时,该混态能够为2n个正交的计算基态的概率混合。
将参数化量子电路U(θ)作用在准备好的处于混态ρ的n个量子比特上,运行U(θ)并对给定的哈密顿量H进行测量,得到期望值:
其中,tr(A)表示取矩阵A的迹,即矩阵A的对角线元素之和。通过将上述期望值L(θ)作为损失函数,基于该损失函数优化该参数化量子电路,以得到参数优化后的量子电路。
在一些示例中,可以制备一个n量子比特的混态ρ,该混态可以为2n个正交的计算基态的概率混合。将该2n个正交的计算基态分别输入优化后的参数化量子电路中,所得到的量子态即为哈密顿量H的特征态(即特征向量)。在每一个得到的特征态上对该哈密顿量H进行测量即可得到所有的特征值。通过对该哈密顿量所有的特征值进行排序,最小特征值所对应的特征态即为基态,其余特征值从小到大依次为第一激发态、第二激发态……
根据一些实施例,获取n量子比特的混态可以包括:获取n量子比特的量子态,并获取m个辅助量子比特,其中其中,哈密顿量待求解的为基态和前k个激发态,所述k为非负整数。在每一个辅助量子比特上添加旋转门;以及在每一个所述辅助量子比特以及所述n量子比特中的任意m个量子比特中的相应的量子比特之间作用受控反闸门,以使得所述n量子比特的量子态转换为混态。
如图4所示,以n=2、k=3为例示出了制备混态的示意图。如附图4中的401部分所示,获取2个辅助量子比特以及2个原始量子比特(即需转为混态的量子比特,在图中以下面的两条线表示)。在每个辅助量子比特上添加关于x轴的单量子比特旋转门Rx 402,并在每一个辅助量子比特402以及相应的原始量子比特之间添加受控反闸门403,以使得原始量子比特转换为混态。处于混态的量子比特后续可输入参数化量子电路404中。如图4所示的参数化量子电路404中除旋转门Rx和受控反闸门之外,还包括单量子比特旋转门U,关于z轴的单量子比特旋转门Rz以及关于y轴的单量子比特旋转门Ry。通过运行参数化量子电路404并对给定的哈密顿量H进行测量可以得到相应的期望值。
可以理解的是,图4中仅示例性地示出了参数化量子电路404的结构,这里用以优化/训练的参数化量子电路404的结构并不唯一,在此不做限制。
需要注意的是,图4中示出了辅助量子比特与原始量子比特相同的情况,但是当哈密顿量只需求解基态或只需求解基态和部分激发态时,即k<2n-1时,辅助量子比特的个数小于原始量子比特的个数,这时可以从n个原始量子比特中选择m个量子比特,以与m个辅助量子比特之间相对应的作用受控反闸门。
根据一些实施例,混态ρ为多个正交的计算基态的概率混合,如以下公式表示:
其中,是k+1个正交的计算基态,wi是每个计算基态对应的权重,且以及i<j时wi>wj。即,通过限定相应的计算基态的系数,以使得第i个计算基态输入量子电路,得到的特征态就是给定的哈密顿量H的第i个特征态。这样,不需要将给定的哈密顿量H的所有特征态和特征值均求出后再通过排序来确定相应的基态和激发态,而可以直接确定该哈密顿量H的带求解基态和前k个激发态,k∈{0,1,…,2n-1}。因此,根据一些实施例,将多个正交的计算基态中的相应的计算基态输入所述优化后的量子电路可以包括:将多个正交的计算基态中的第i个计算基态输入所述优化后的量子电路,得到所述哈密顿量的第i个特征态,其中i=0,…,k。
需要注意的是,制备混态ρ时用到的旋转门中的角度是根据每个计算基态|i>对应的权重wi确定的。示例地,可以通过特别选择作用在辅助量子比特上的旋转门中的旋转角度,使得混态ρ的多个正交的计算基态的系数满足i<j时wi>wj。
根据一些实施例,基于期望值对量子电路所对应的参数进行优化可以包括:重复以下步骤多次,以最小化所述期望值:调整所述量子电路所对应的参数值;获取n量子比特的混态,其中所述混态为多个正交的计算基态的概率混合;以及将所述n量子比特的混态输入所述量子电路,以基于所述量子电路输出的量子态对所述哈密顿量进行测量,得到期望值。
需注意的是,由于实际应用中各种可能因素的影响,这里的最小化并非表示获得绝对的最小值。示例地,可以预先设定优化过程的迭代次数以及学习率等参数来最小化期望值。或者,也可以通过多次迭代以尽可能(例如在一定的误差容忍度范围内)最小化所述期望值。在上述前提条件下期望值达到最小值时的参数化量子电路即为参数优化后的量子电路。
根据一些实施例,调整所述量子电路所对应的参数值包括:通过梯度下降法调整所述量子电路所对应的参数值。当然应当理解,其他任何合适的优化方法也是可能的,在此不作限制。
因此,在根据本公开的一个示例性实施例中,其示例性过程可以如图5所示,包括以下步骤:
步骤1:准备一个可作用于n量子比特量子态的可调节参数的参数化量子电路,记为U(θ);
步骤2:获取一个混态这里的/>是k+1个正交的计算基态,wi是每个计算基态对应的权重,满足/>且当i<j时wi>wj。
步骤3:将参数化量子电路U(θ)作用在准备好的处于混态ρ的n量子比特上,运行参数化量子电路U(θ)并对给定的哈密顿量H进行测量以得到期望值其中tr(A)表示取矩阵A的迹,即矩阵A的对角线元素之和。
步骤4:基于上一步得到期望值作为损失函数即要最小化的函数,通过梯度下降法或者其他优化方法调整参数化量子电路U(θ)的参数θ。重复步骤2-3多次以最小化损失函数L(θ),得到最优的参数记为θ*。
步骤5:使用θ*作为上述参数化量子电路的参数,分别在k+1个计算基态|i>(此处为与上述密度矩阵|i><i|等同的态矢量表示式)上作用这个电路U(θ*),得到的就是给定的哈密顿量H的第i个特征态。当i=0时,/>就是该哈密顿量的基态,当i>0时,就是该哈密顿量H的第i激发态。在得到的基态或激发态上对该哈密顿量H进行测量就能得到相应的特征值/>即该基态或激发态对应的能量。
从图5中也可以看出,根据本公开实施例的方法通过输入混态的方式充分利用了量子计算并行处理的能力,使得与上述方法一相比,根据本公开实施例的方法只需要进行一次优化过程就能得到基态和k个激发态,不涉及内积的计算,节省了量子资源,更加实用和高效;与上述方法二相比,在计算损失函数时只需要计算一次期望值,从而实现了高效地求解激发态。
示例地,在百度量桨平台进行n=2、k=3时的数值模拟实验。随机生成一个两量子比特系统的哈密顿量H,其特征值为{1,4,6,9}。然后,基于本公开所述的方法求解该系统的基态和三个激发态。例如,可以设置优化训练的迭代次数为500、学习率为0.1,并使用Adam优化器作为优化器,在制备混态时使用的两个旋转门分别为和/>从而,基于本公开所述的方法得到的能量值以及与理论值之间的差误如表1所示。
本方案 | 理论值 | |
基态能量 | 1.00000000000000088818Ha | 1Ha |
误差 | 8.9×10-16Ha | NA |
第一激发态能量 | 3.99999999999999955591 Ha | 4Ha |
误差 | 4.4×10-16Ha | NA |
第二激发态能量 | 5.99999999999999911182 Ha | 6Ha |
误差 | 8.9×10-16Ha | NA |
第三激发态能量 | 9.00000000000000177636 Ha | 9Na |
误差 | 1.8×10-15Ha | NA |
表1
通过对比基于本公开所述的方法得到的特征值和理论值之间的差距,可以得到本公开方法的精度。通过数值模拟来看,本公开方法的精度可以达到10-14Ha以上,远高于实际应用中要求的化学精度(Chemical Accuracy)1.6×10-3Ha,由此也验证了本公开所述方法的实用性。
根据本公开的实施例,如图6所示,还提供了一种基于量子电路的数据处理装置600,包括:第一获取单元610,配置为获取n量子比特系统的待求解的哈密顿量,其中n为正整数;确定单元620,配置为确定可作用于n量子比特的待优化的量子电路;第二获取单元630,配置为获取n量子比特的混态,其中所述混态为多个正交的计算基态的概率混合;测量单元640,配置为将所述n量子比特的混态输入所述量子电路,以基于所述量子电路输出的量子态对所述哈密顿量进行测量,得到期望值;优化单元650,配置为基于所述期望值对所述量子电路所对应的参数进行优化,以得到参数优化后的量子电路;以及特征求解单元660,配置为将所述多个正交的计算基态中的相应的计算基态输入所述优化后的量子电路,以得到所述哈密顿量相对应的特征态。
这里,基于量子电路的数据处理装置600的上述各单元610~660的操作分别与前面描述的步骤310~360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7,现将描述可以作为本公开的服务器或客户端的电子设备700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RAM 703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、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向设备700输入信息的任何类型的设备,输入单元706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707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708可以包括但不限于磁盘、光盘。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,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,例如方法300。例如,在一些实施例中,方法300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RAM703并由计算单元701执行时,可以执行上文描述的方法300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)而被配置为执行方法300。
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。服务器可以是云服务器,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)
1.一种基于量子电路的数据处理方法,包括:
获取n量子比特系统的待求解的哈密顿量,其中n为正整数;
确定可作用于n量子比特的待优化的量子电路;
获取n量子比特的混态,其中所述混态为多个正交的计算基态的概率混合;
将所述n量子比特的混态输入所述量子电路,以基于所述量子电路输出的量子态对所述哈密顿量进行测量,得到期望值;
基于所述期望值对所述量子电路所对应的参数进行优化,以得到参数优化后的量子电路;以及
将所述多个正交的计算基态中的相应的计算基态输入所述优化后的量子电路,以得到所述哈密顿量相对应的特征态。
2.如权利要求1所述的方法,其中,获取n量子比特的混态包括:
获取n量子比特的量子态;
获取m个辅助量子比特,其中所述哈密顿量待求解的为基态和前k个激发态,所述k为非负整数;
在每一个所述辅助量子比特上添加旋转门;以及
在每一个所述辅助量子比特以及所述n量子比特中的任意m个量子比特中的相应的量子比特之间作用受控反闸门,以使得所述n量子比特的量子态转换为混态。
3.如权利要求1或2所述的方法,其中,所述混态ρ如以下公式表示:
其中,是k+1个正交的计算基态,wi是每个计算基态对应的权重,且/>以及i<j时wi>wj。
4.如权利要求3所述的方法,其中,将所述多个正交的计算基态中的相应的计算基态输入所述优化后的量子电路包括:
将所述多个正交的计算基态中的第i个计算基态输入所述优化后的量子电路,得到所述哈密顿量的第i个特征态,其中i=0,…,k。
5.如权利要求1所述的方法,其中,基于所述期望值对所述量子电路所对应的参数进行优化包括:
重复以下步骤多次,以最小化所述期望值:
调整所述量子电路所对应的参数值;
获取n量子比特的混态,其中所述混态为多个正交的计算基态的概率混合;以及
将所述n量子比特的混态输入所述量子电路,以基于所述量子电路输出的量子态对所述哈密顿量进行测量,得到期望值。
6.如权利要求5所述的方法,其中,调整所述量子电路所对应的参数值包括:
通过梯度下降法调整所述量子电路所对应的参数值。
7.一种基于量子电路的数据处理装置,包括:
第一获取单元,配置为获取n量子比特系统的待求解的哈密顿量,其中n为正整数;
确定单元,配置为确定可作用于n量子比特的待优化的量子电路;
第二获取单元,配置为获取n量子比特的混态,其中所述混态为多个正交的计算基态的概率混合;
测量单元,配置为将所述n量子比特的混态输入所述量子电路,以基于所述量子电路输出的量子态对所述哈密顿量进行测量,得到期望值;
优化单元,配置为基于所述期望值对所述量子电路所对应的参数进行优化,以得到参数优化后的量子电路;以及
特征求解单元,配置为将所述多个正交的计算基态中的相应的计算基态输入所述优化后的量子电路,以得到所述哈密顿量相对应的特征态。
8.如权利要求7所述的装置,其中,所述第二获取单元包括:
用于获取n量子比特的量子态的单元;
用于获取m个辅助量子比特的单元,其中所述哈密顿量待求解的为基态和前k个激发态,所述k为非负整数;
用于在每一个所述辅助量子比特上添加旋转门的单元;以及
用于在每一个所述辅助量子比特以及所述n量子比特中的任意m个量子比特中的相应的量子比特之间作用受控反闸门,以使得所述n量子比特的量子态转换为混态的单元。
9.如权利要求7或8所述的装置,其中,所述混态ρ如以下公式表示:
其中,是k+1个正交的计算基态,wi是每个计算基态对应的权重,且/>以及i<j时wi>wj。
10.如权利要求9所述的装置,其中,所述特征求解单元包括:
用于将所述多个正交的计算基态中的第i个计算基态输入所述优化后的量子电路,得到所述哈密顿量的第i个特征态的单元,其中i=0,…,k。
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能够执行权利要求1-6中任一项所述的方法。
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1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110768782.3A CN113496285B (zh) | 2021-07-07 | 2021-07-07 | 基于量子电路的数据处理方法及装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110768782.3A CN113496285B (zh) | 2021-07-07 | 2021-07-07 | 基于量子电路的数据处理方法及装置、电子设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113496285A CN113496285A (zh) | 2021-10-12 |
CN113496285B true CN113496285B (zh) | 2024-02-20 |
Family
ID=77996206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110768782.3A Active CN113496285B (zh) | 2021-07-07 | 2021-07-07 | 基于量子电路的数据处理方法及装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113496285B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627151B (zh) * | 2021-10-14 | 2022-02-22 | 北京中科闻歌科技股份有限公司 | 跨模态数据的匹配方法、装置、设备及介质 |
CN113642279B (zh) * | 2021-10-18 | 2022-02-18 | 阿里巴巴达摩院(杭州)科技有限公司 | 量子比特处理方法、装置及计算机设备 |
KR20240027068A (ko) | 2021-11-09 | 2024-02-29 | 텐센트 테크놀로지(센젠) 컴퍼니 리미티드 | 양자 컴퓨팅 태스크 처리 방법, 시스템 및 컴퓨터 기기 |
CN116245184A (zh) * | 2021-12-06 | 2023-06-09 | 腾讯科技(深圳)有限公司 | 量子体系下的热化态制备方法、设备及存储介质 |
CN114418103B (zh) * | 2022-01-14 | 2023-04-18 | 北京百度网讯科技有限公司 | 基态能量的确定方法、装置、设备及存储介质 |
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 |
CN114519429B (zh) * | 2022-01-27 | 2023-08-08 | 本源量子计算科技(合肥)股份有限公司 | 获取目标体系的可观测量的方法、装置及介质 |
CN114492815B (zh) * | 2022-01-27 | 2023-08-08 | 本源量子计算科技(合肥)股份有限公司 | 一种基于量子化学计算目标体系能量的方法、装置及介质 |
CN114707358B (zh) * | 2022-04-29 | 2023-05-12 | 北京百度网讯科技有限公司 | 离子阱量子门保真度优化方法及装置、电子设备和介质 |
CN115101140B (zh) * | 2022-06-08 | 2023-04-18 | 北京百度网讯科技有限公司 | 确定分子的基态特征的方法、设备及存储介质 |
CN115481744B (zh) * | 2022-09-26 | 2023-05-30 | 北京大学 | 一种基于模拟量子器件获取待测系统本征态的方法及装置 |
Citations (3)
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 |
WO2020090559A1 (ja) * | 2018-11-04 | 2020-05-07 | 株式会社QunaSys | ハミルトニアンの励起状態を求めるための方法及びそのためのプログラム |
CN112529193A (zh) * | 2020-12-04 | 2021-03-19 | 北京百度网讯科技有限公司 | 基于量子系统的数据处理方法及量子设备 |
-
2021
- 2021-07-07 CN CN202110768782.3A patent/CN113496285B/zh active Active
Patent Citations (3)
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 |
WO2020090559A1 (ja) * | 2018-11-04 | 2020-05-07 | 株式会社QunaSys | ハミルトニアンの励起状態を求めるための方法及びそのためのプログラム |
CN112529193A (zh) * | 2020-12-04 | 2021-03-19 | 北京百度网讯科技有限公司 | 基于量子系统的数据处理方法及量子设备 |
Non-Patent Citations (1)
Title |
---|
腔QED中大失谐哈密顿量的量子态演化的简单代数计算;张文海;;淮南师范学院学报(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113496285A (zh) | 2021-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113496285B (zh) | 基于量子电路的数据处理方法及装置、电子设备和介质 | |
CN113379057B (zh) | 量子体系基态能量估计方法及系统 | |
CN112541590B (zh) | 量子纠缠探测方法、装置、电子设备及存储介质 | |
US20220198315A1 (en) | Method for denoising quantum device, electronic device, and computer-readable medium | |
CN113807525B (zh) | 量子电路操作方法及装置、电子设备和介质 | |
CN114580647B (zh) | 量子系统的模拟方法、计算设备、装置及存储介质 | |
CN114219076B (zh) | 量子神经网络训练方法及装置、电子设备和介质 | |
CN113705793B (zh) | 决策变量确定方法及装置、电子设备和介质 | |
Geng et al. | A model-free Bayesian classifier | |
CN112529196B (zh) | 量子纠缠探测方法、装置、电子设备及存储介质 | |
CN114021728A (zh) | 量子数据测量方法及系统、电子设备和介质 | |
CN115345309A (zh) | 系统特征信息的确定方法、装置、电子设备和介质 | |
CN112529195B (zh) | 量子纠缠探测方法、装置、电子设备及存储介质 | |
Giuliani et al. | Learning ground states of gapped quantum Hamiltonians with Kernel Methods | |
US20240119330A1 (en) | Method for Determining Degree of Quantum Entanglement, Computing Device and Storage Medium | |
Hou et al. | Quantum partial least squares regression algorithm for multiple correlation problem | |
CN114418103B (zh) | 基态能量的确定方法、装置、设备及存储介质 | |
CN116502721A (zh) | 基于量子系统的信息处理方法及装置、电子设备和介质 | |
CN114580649A (zh) | 消除量子泡利噪声的方法及装置、电子设备和介质 | |
CN114519429A (zh) | 获取目标体系的可观测量的方法、装置及介质 | |
CN114970871B (zh) | 量子噪声强度确定方法及装置、电子设备和介质 | |
Dall’Amico et al. | Optimized Deformed Laplacian for Spectrum-based Community Detection in Sparse Heterogeneous Graphs | |
CN114418108B (zh) | 酉算子编译方法、计算设备、装置及存储介质 | |
US20230306294A1 (en) | Determination of quantum noise intensity | |
CN116739097A (zh) | 量子测量设备性能估计方法及装置、电子设备和介质 |
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 |