CN113792881B - 模型训练方法及装置、电子设备和介质 - Google Patents

模型训练方法及装置、电子设备和介质 Download PDF

Info

Publication number
CN113792881B
CN113792881B CN202111095151.6A CN202111095151A CN113792881B CN 113792881 B CN113792881 B CN 113792881B CN 202111095151 A CN202111095151 A CN 202111095151A CN 113792881 B CN113792881 B CN 113792881B
Authority
CN
China
Prior art keywords
word
quantum
parameterized
parameterized quantum
quantum circuit
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
Application number
CN202111095151.6A
Other languages
English (en)
Other versions
CN113792881A (zh
Inventor
王鑫
李广西
赵炫强
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202111095151.6A priority Critical patent/CN113792881B/zh
Publication of CN113792881A publication Critical patent/CN113792881A/zh
Application granted granted Critical
Publication of CN113792881B publication Critical patent/CN113792881B/zh
Priority to US17/945,975 priority patent/US20230021555A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N10/20—Models of quantum computing, e.g. quantum circuits or universal quantum computers
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Machine Translation (AREA)
  • Character Discrimination (AREA)

Abstract

本公开提供了一种基于参数化量子电路的模型训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品，涉及量子计算机领域，尤其涉及深度学习、自然语言处理技术领域。实现方案为：获取训练文本；对于每一个训练文本，执行以下操作：获取当前训练文本中的每一个单词的词向量，以将其分别作为第一量子电路的参数获得量子态；将每一个量子态分别输入到第二、第三以及第四量子电路中并进行测量；计算每一个单词对应的一组权重值以获得当前训练文本所对应的特征向量；将特征向量输入神经网络模型中以获得预测值；以及基于预测值、标签值确定损失函数，以基于损失函数调节第二、第三、第四量子电路、神经网络模型所对应的参数。

Description

模型训练方法及装置、电子设备和介质
技术领域
本公开涉及量子计算机领域，尤其涉及深度学习、自然语言处理技术领域，具体涉及一种基于参数化量子电路的模型训练方法、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
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术:人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
随着近期量子计算机的飞速发展，量子计算机正朝着规模化和实用化方向前进。量子机器学习(Quantum Machine Learning)是量子计算和人工智能相结合的重要交叉前沿方向。目前量子机器学习已经被证明在数据分类、组合优化、量子化学等方向有着广泛的应用。如何结合经典计算机的算力，使用量子资源实现量子人工智能的任务，便是推动量子机器学习乃至整个量子计算领域突破性发展所亟需解决的重要问题。随着越来越多的近期量子机器学习算法及其应用在不断涌现，其中一个重要的方向便是量子自然语言处理(QNLP)。
但是，由于近期量子设备的局限性，导致现有的QNLP模型应用于文本分类时实际效果较为一般。此外，如何发挥量子计算的能力来处理文本分类等自然语言处理任务也是当前一个极具挑战的重要方向。
发明内容
本公开提供了一种基于参数化量子电路的模型训练方法、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，提供了一种基于参数化量子电路的模型训练方法，包括：获取一个或多个训练文本，每一个所述训练文本包括标签值以及一个或多个单词；确定第一、第二、第三以及第四参数化量子电路，所述第二、第三以及第四参数化量子电路分别对应于自注意力机制的查询-键-值空间；对于每一个所述训练文本，执行以下操作：获取当前训练文本中的每一个单词的词向量，所述词向量的维度与所述第一参数化量子电路的参数维度相同，其中所述当前训练文本包括Sm个单词，其中Sm为正整数；将每一个所述词向量分别作为所述第一参数化量子电路的参数，以基于所述第一参数化量子电路获得Sm个量子态；将所述Sm个量子态中的每一个量子态分别输入到所述第二、第三以及第四参数化量子电路中并进行测量，以分别获得相应的测量结果；基于所述第二和第三参数化量子电路所对应的测量结果，计算所述每一个单词对应的一组权重值，其中所述一组权重值与所述第四参数化量子电路所对应的测量结果一一对应；基于Sm组权重值以及所述第四参数化量子电路所对应的测量结果获得当前训练文本所对应的特征向量；将所述特征向量输入预设的神经网络模型中，以获得预测值；以及基于所述预测值、当前训练文本所对应的标签值确定第一损失函数；基于所述一个或多个训练文本中的至少一个训练文本相对应的第一损失函数确定第二损失函数；以及基于所述第二损失函数调节所述第二、第三、第四参数化量子电路所对应的参数以及所述预设的神经网络模型所对应的参数，以最小化所述第二损失函数。
根据本公开的另一方面，提供了一种文本识别方法，包括：确定待识别文本中的每一个单词以及所述每一个单词的词向量；将所述每一个词向量分别作为第一参数化量子电路的参数，以获得所述每一个单词分别对应的量子态，其中所述第一参数化量子电路的参数维度与所述词向量的维度相同；将每一个所述量子态分别输入到第二、第三以及第四参数化量子电路中并分别进行测量，以分别获得相应的测量结果；基于所述测量结果确定所述待识别文本的特征向量；以及将所述特征向量输入神经网络模型中，以获得识别结果。所述第二、第三以及第四参数化量子电路、所述神经网络模型是根据本公开的一个方面所述的方法训练得到的。
根据本公开的另一方面，提供了一种基于参数化量子电路的模型训练装置，包括：获取单元，被配置为获取一个或多个训练文本，每一个所述训练文本包括标签值以及一个或多个单词；第一确定单元，被配置为确定第一、第二、第三以及第四参数化量子电路，所述第二、第三以及第四参数化量子电路分别对应于自注意力机制的查询-键-值空间；训练单元，被配置为对于每一个所述训练文本，执行以下操作：获取当前训练文本中的每一个单词的词向量，所述词向量的维度与所述第一参数化量子电路的参数维度相同，其中所述当前训练文本包括Sm个单词，其中Sm为正整数；将每一个所述词向量分别作为所述第一参数化量子电路的参数，以基于所述第一参数化量子电路获得Sm个量子态；将所述Sm个量子态中的每一个量子态分别输入到所述第二、第三以及第四参数化量子电路中并进行测量，以分别获得相应的测量结果；基于所述第二和第三参数化量子电路所对应的测量结果，计算所述每一个单词对应的一组权重值，其中所述一组权重值与所述第四参数化量子电路所对应的测量结果一一对应；基于Sm组权重值以及所述第四参数化量子电路所对应的测量结果获得当前训练文本所对应的特征向量；将所述特征向量输入预设的神经网络模型中，以获得预测值；以及基于所述预测值、当前训练文本所对应的标签值确定第一损失函数；第二确定单元，被配置为基于所述一个或多个训练文本中的至少一个训练文本相对应的第一损失函数确定第二损失函数；以及调节单元，被配置为基于所述第二损失函数调节所述第二、第三、第四参数化量子电路所对应的参数、以及所述预设的神经网络模型所对应的参数，以最小化所述相对应的第一损失函数。
根据本公开的另一方面，提供了一种文本识别装置，包括：第一确定单元，被配置为确定待识别文本中的每一个单词以及所述每一个单词的词向量；第一获取单元，被配置为将所述每一个词向量分别作为第一参数化量子电路的参数，以获得所述每一个单词分别对应的量子态，其中所述第一参数化量子电路的参数维度与所述词向量的维度相同；第二获取单元，被配置为将每一个所述量子态分别输入到第二、第三以及第四参数化量子电路中并分别进行测量，以分别获得相应的测量结果；第二确定单元，被配置为基于所述测量结果确定所述待识别文本的特征向量；以及识别单元，被配置为将所述特征向量输入神经网络模型中，以获得识别结果。所述第二、第三以及第四参数化量子电路、所述神经网络模型是根据本公开的一个方面所述的方法训练得到的。
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根据本公开所述的方法。
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根据本公开所述的方法。
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根据本公开所述的方法。
根据本公开的一个或多个实施例，充分利用了自注意力机制(self-attentionmechanism)网络的能力，完全适用于能力受限的近期量子设备；不需要对文本进行繁杂的句法分析，训练过程更加直接高效。
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示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
图2示出了根据本公开的实施例的基于参数化量子电路的模型训练方法的流程图；
图3示出了根据本公开的实施例的参数化量子电路的结构示意图；
图4示出了根据本公开的实施例的对相应参数化量子电路所所对应量子态进行测量的流程图；
图5示出了根据本公开的实施例的基于词向量获取相应的特征向量的示意图；
图6示出了根据本公开的实施例的多层量子自注意力网络的结构示意图；
图7示出了根据本公开的实施例的文本识别方法的流程图；
图8示出了根据本公开的实施例的基于参数化量子电路的模型训练装置的结构框图；
图9示出了根据本公开的实施例的文本识别装置的结构框图；以及
图10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。
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，它就是量子计算机。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。
文本分类问题是指需要推断出给定的一段文本(句子、标题、商品评论等)的所属类别，例如：1)政治、经济、体育；2)正能量、负能量；3)好评、差评，等等。因此，对应的分类形式可以分为：二分类和多分类等。文本分类的应用范围十分广泛，包含垃圾邮件的标定、电商商品评论分析、根据标题给图文视频打标签等。
在基于经典计算机的情况下，通常可以把每个单词嵌入到一个向量中，即词向量(word embedding)，然后根据输入文本所对应的这些词向量采用卷积、循环神经网络(CNN、RNN)或者自注意力机制(Self-Attention)提取特征进行推断。
最近提出的一种基于句法分析的量子自然语言处理(QNLP)模型—DisCoCat模型可以在近期的量子设备上运行以进行文本分类。现有的DisCoCat模型在针对文本分类问题时，先将给定的文本进行句法分析，然后将其转化为类似张量网络的图形式语言，接着将其转化为量子电路。运行量子电路并测量，通过经典计算机处理后进行迭代优化以得到结果。但是，基于DisCoCat模型的文本分类方法需要对输入的文本进行句法分析，这个预处理过程耗时且困难，实际应用中难以实现；且效果有限，即使针对相对简单的数据集，模拟实验的效果也不理想。
现有的其他QNLP模型(例如基于量子概率论的语言模型)并不是基于量子电路的模型。虽然在一些小数据集上取得了不错的效果，但是难以应用于近期量子设备，并且由于维度过高只适用于小数据集，可扩展性差。
文本分类是QNLP领域的一个基本任务，解决该任务对QNLP领域的发展起到至关重要的作用。借助量子计算机，有望在QNLP领域实现量子优势。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中，服务器120可以运行使得能够执行模型训练的方法的一个或多个服务或软件应用。
在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来获取训练文本等。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中，服务器120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。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
图2示出了根据本公开的实施例的基于参数化量子电路的模型训练方法的流程图200。如图2所示，该方法可以包括：获取一个或多个训练文本，每一个训练文本包括标签值以及一个或多个单词(步骤210)；确定第一、第二、第三以及第四参数化量子电路，第二、第三以及第四参数化量子电路分别对应于自注意力机制的查询-键-值空间(步骤220)；对于每一个训练文本，执行以下操作(步骤230)：获取当前训练文本中的每一个单词的词向量，词向量的维度与第一参数化量子电路的参数维度相同，其中当前训练文本包括Sm个单词，Sm为正整数(步骤2301)；将每一个词向量分别作为第一参数化量子电路的参数，以基于第一参数化量子电路获得Sm个量子态(步骤2302)；将Sm个量子态中的每一个量子态分别输入到第二、第三以及第四参数化量子电路中并进行测量，以分别获得相应的测量结果(步骤2303)；基于第二和第三参数化量子电路所对应的测量结果，计算每一个单词对应的一组权重值，其中一组权重值与第四参数化量子电路所对应的测量结果一一对应(步骤2304)；基于Sm组权重值以及第四参数化量子电路所对应的测量结果获得当前训练文本所对应的特征向量(步骤2305)；将特征向量输入预设的神经网络模型中，以获得预测值(步骤2306)；以及基于预测值、当前训练文本所对应的标签值确定第一损失函数(步骤2307)；基于一个或多个训练文本中的至少一个训练文本相对应的第一损失函数确定第二损失函数(步骤240)；以及基于第二损失函数调节第二、第三、第四参数化量子电路所对应的参数、以及预设的神经网络模型所对应的参数，以最小化第二损失函数(步骤250)。
根据本公开的实施例，充分利用了自注意力机制网络的能力，完全适用于能力受限的近期量子设备；不需要对文本进行繁杂的句法分析，训练过程更加直接高效。
在本公开中，训练文本的标签值可以为任意形式，包括但不限于二分类任务中的标签值{0,1}、多分类任务中的标签值{0,1,2,…}，等等。
在一些示例中，参数化量子电路U(θ)通常可以由若干个单量子比特旋转门和CNOT门(受控反闸)组成，其中的若干个旋转角度组成了向量θ，即可调节的参数。参数化量子电路在各种量子算法中有着广泛的应用，例如求解一个量子系统的最低能量的VQE算法。
图3示出了根据本公开的实施例的参数化量子电路的结构示意图。如图3所示，为了尽可能的在现有量子计算机中运行，参数化量子电路中可以只包含单比特的沿着X、Y方向的旋转门Rx(θ)、Ry(θ)以及双比特的CNOT门，图3中的D表示虚线框中的部分重复D次，D为正整数。θ下标的第一个数值表示层数(重复D次，共D层)，第二个数值表示参数索引。示例地，θ1,2表示第一层的第2个参数。可以表明，图3所示的电路表达能力比较强。当然，也可以根据使用的量子计算机的特性与限制相应地选择其他合适的参数化量子电路，以在实际应用中达到最佳效果。
在一些示例中，预设的神经网络模型可以为任何合适的网络模型，包括但不限于全连接神经网络，等等。
在根据本公开的实施例中，通过第一参数化量子电路获得与训练文本中的每一个单词分别对应的量子态。具体地，将每一个单词的词向量分别作为所述第一参数化量子电路的参数值，以使得所述第一参数化量子电路作用于初始量子态，以获得与每一个单词分别对应的量子态。
根据一些实施例，所述第一参数化量子电路的初始态可以为：均匀叠加态、|0n>态等。
因此，根据一些实施例，在所述第一参数化量子电路的初始态为均匀叠加态时，根据本公开的方法还可以包括：获取处于|0n>态的量子态，其中n为量子比特数，n为正整数；以及将H门作用于所述获取的量子态，以获得所述均匀叠加态。
当然应当理解，其他形式的初始态以及其他用于获取该初始态(例如均匀叠加态)的方式都是可能的，在此不作限制。
根据一些实施例，基于第二损失函数调节第二、第三、第四参数化量子电路所对应的参数以及预设的神经网络模型所对应的参数可以包括：基于第二损失函数调节第二、第三、第四参数化量子电路所对应的参数、至少一个训练文本中单词的词向量、以及预设的神经网络模型所对应的参数。也就是说，可以在训练过程中，在不断优化参数化量子电路以及神经网络模型的参数的同时，对相应单词的词向量进行优化。这样，在训练完成后，可以获得与训练文本相对应的多个单词的词向量。经过不断优化后的词向量，也会更加适应于当前的学习任务，由此也能提高文本识别和分类的效果。
因此，根据一些实施例，可以通过随机初始化的方式获取当前训练文本中的每一个单词的词向量。将随机初始化的向量ω作为单词的初始词向量，用户可以自由选择随机初始化的方式，包括但不限于正态分布采样等。
根据一些实施例，也可以通过经训练的神经网络模型获取当前训练文本中的每一个单词的词向量，该经训练的神经网络模型包括但不限于Word2Vec模型、glove模型等。
可以理解的是，如果训练文本足够丰富，在上述训练过程完成后，将会得到足够多的经训练的词向量。在后续应用过程中，一般的常规单词都是经过训练得到的。如果在一些极少情况下遇到生词，则可以通过其他适合的方式(例如通过经训练的神经网络模型)获取该生词的词向量，并将其作为参数化量子电路的参数以获得相应的量子态。
自注意力机制是指从自身大量信息中筛选出少量重要信息并聚焦到这些重要信息上，其擅长捕捉数据或特征的内部相关性。在根据本公开的实施例中，基于自注意力机制，通过计算单词间的相关性来解决长程依赖问题，其中包括：首先根据词向量得到其在查询-键-值(query-key-value)空间中的映射，然后为每一个值(value)向量计算一个分数，最后再将每一个值按照其对应的分数加权求和得到输出向量。在根据本公开的实施例中，第二、第三以及第四参数化量子电路分别对应于自注意力机制中的查询-键-值空间，以分别用于基于每一个单词的词向量所对应的量子态确定其在查询-键-值空间中的映射。
根据一些实施例，如图4所示，将Sm个量子态中的每一个量子态分别输入到第二、第三以及第四参数化量子电路中并进行测量可以包括：对第二参数化量子电路输出的量子态进行测量操作，以获得Sm个第一测量值(步骤410)；对第三参数化量子电路输出的量子态进行测量操作，以获得Sm个第二测量值(步骤420)；以及对于第四参数化量子电路输出的每一个量子态均执行d次测量操作，以获得Sm个d维向量(步骤430)。所述Sm个d维向量中的每一个向量中的任意两个值均不同，其中d为词向量的维度。
根据一些实施例，所述测量操作可以包括以下项中的一项或多项：泡利X测量、泡利Y测量以及泡利Z测量。在该实施例中，使用泡利测量从量子态中提取经典信息以进行后续操作。在实际应用中可以根据量子设备的限制选择合适的泡利测量，包括泡利X测量、泡利Y测量以及泡利Z测量。可以理解的是，也可以选择其他在使用的设备上更方便的测量，在此不作限制。
在上述实施例中，对于第四参数化量子电路输出的每一个量子态均执行d次测量操作，以获得Sm个d维向量。这里的参数化量子电路可以为n量子比特的电路，因此，第四参数化量子电路输出n量子比特的量子态。可以对该输出的n量子比特的量子态执行包括泡利X测量、泡利Y测量以及泡利Z测量的任意的d次测量操作，其中同一个量子态中的不同量子比特可以执行不同的测量操作，以使得得到的d维向量中的每一个数值均不同。
根据一些实施例，基于第二和第三参数化量子电路所对应的测量结果计算每一个单词对应的一组权重值包括：对于所述Sm个第一测量值中的每一个：将当前第一测量值与所述Sm个第二测量值中的每一个第二测量值依次进行组合，以基于组合后的第一测量值和第二测量值做高斯核估计，以获得估计值；以及对所获得的估计值进行归一化以获得第一单词所对应的一组权重值。第一单词为所述当前第一测量值所对应的所述当前训练文本中的相应单词。
在根据本公开的实施例中，采用近期量子计算机完全能够提供的参数化量子电路(parameterized quantum circuits)作为自注意力机制中查询-键-值的量子对应版本，并且将这些电路的测量结果进行后处理分别作为量子值(value)向量及其对应的分数(权重)，然后和经典情况一样进行“加权求和”。具体来说，在本实施例中采用了类似投影量子核(projected quantum kernel)——即高斯核估计方法来计算该权重值。
示例地，将第二参数化量子电路的Sm个测量结果与第三参数化量子电路的Sm个测量结果进行两两组合，以形成Sm×Sm个组合。将每一个组合中的两个测量结果做投影量子核(即高斯核)估计，从而得到每一个单词所对应的一组权重值。
在上述实施例中，采用投影量子核(projected quantum kernel)计算量子自注意力矩阵，实验证明了其有效性，并且可以借助投影量子核的量子优势在某些实际应用中达到更好的效果。
当然，也可以通过经典的点积运算的方式获得每一个单词所对应的一组权重值。
因此，根据一些实施例，基于所述第二和第三参数化量子电路所对应的测量结果计算所述每一个单词对应的一组权重值包括：对于所述Sm个第一测量值中的每一个：将当前第一测量值与所述Sm个第二测量值中的每一个第二测量值依次进行组合，以基于组合后的第一测量值和第二测量值做点积运算，以获得估计值；以及对所获得的估计值进行归一化以获得第一单词所对应的一组权重值。第一单词为所述当前第一测量值所对应的所述当前训练文本中的相应单词。
在根据本公开的一个示例性实施例中，在步骤1，获取N条训练文本，每条训练文本都包含标签以及一个或多个单词，N为正整数。假设第m条训练文本有Sm个单词
Figure GDA0003504867130000141
该条训练文本的标签为y(m)∈{0，1}。则，N条训练文本可以形成训练数据集：
Figure GDA0003504867130000142
在步骤2，针对该N条训练文本中所有的单词，将每个不同的单词x分别嵌入到一个随机初始化的d维向量中，即获得词向量
Figure GDA0003504867130000143
同时准备一个n(正整数)量子比特的参数化量子电路Uebd(θ)(即作为第一参数化量子电路)用于将词向量编码成量子态，θ表示该电路中所有d个参数组成的向量。另外再准备三个n量子比特的参数化量子电路Uq(θq)，Uk(θk)，Uv(θv)(即分别作为第二、第三以及第四参数化量子电路)作为自注意力机制中查询-键-值的量子对应版本，其中θq，θk，θv分别为这三个电路的参数。
在步骤3，对于训练集
Figure GDA0003504867130000144
中的第m条训练文本，将其中每个单词
Figure GDA0003504867130000145
所对应的词向量
Figure GDA0003504867130000146
作为量子电路Uebd的参数以得到参数化量子电路
Figure GDA0003504867130000147
(默认的初始态)变成均匀叠加态。
在步骤4，将上面得到的Sm个量子态中的每个量子态|ψi>分别输入到量子电Uq(θq)，Uk(θk)，Uv(θv)中。然后，对前两个量子电路Uq(θq)，Uk(θk)输出的量子态执行测量操作(例如泡利Z测量)，以分别得到测量结果<Zq>i，<Zk>i；对第三个量子电路Uv(θv)输出的每一个量子态均执行d次不同的测量操作，这d个测量结果组成的向量记为
Figure GDA0003504867130000148
在步骤5，将量子电路Uq(θq)，Uk(θk)所分别对应的测量结果<Zq>s，<Zk>j进行两两组合，以基于组合后的测量结果做投影量子核(高斯核)估计，得到
Figure GDA0003504867130000149
并按照每一行进行归一化得到αs，j，即
Figure GDA0003504867130000151
Figure GDA0003504867130000152
其中，所有的αs,j组成量子自注意力矩阵α。
在步骤6，对于步骤3得到的Sm个量子态中的第s个量子态|ψs>，将所有量子态的第三个测量结果oj按照系数α进行“加权求和”，最后加上|ψs>的词向量
Figure GDA0003504867130000153
得到输出
Figure GDA0003504867130000154
可以理解的是，这里可以直接将所有量子态的第三个测量结果oj按照系数α进行“加权求和”以得到输出ys，即可以不用加上|ψs>的词向量
Figure GDA0003504867130000155
这里加上|ψs>的词向量
Figure GDA0003504867130000156
可以在一些情况下防止出现梯度消失问题。
在步骤7，将上述所有量子态的输出向量进行平均可以得到：
Figure GDA0003504867130000157
然后，将其输入到预设的全连接神经网络中以得到损失函数：
Figure GDA0003504867130000158
其中σ(·)为Logistic函数，w,b为全连接神经网络的参数，
Figure GDA0003504867130000159
是参数化量子电路与全连接神经网络组成的模型输出的预测值。
在步骤8，对于输入的训练数据集中的所有N条文本重复步骤3-6，得到损失函数：
Figure GDA00035048671300001510
在步骤9，通过梯度下降法或者其他最优化方法调整参数化量子电路中的参数{θq,θk,θv}和全连接神经网络中的参数w,b以及词向量
Figure GDA00035048671300001511
重复1-8步骤以最小化损失函数，即可得到最优参数。
在步骤10，最后代入最优参数把
Figure GDA00035048671300001512
作为模型输出(即判断其趋于0还是1以进行归类)。在一些示例中，还可以基于测试数据集进行分类准确度测试。
需注意的是，这里也可以采用例如随机梯度下降方法进行参数调优。即，可以一条文本或几条文本地进行训练。示例地，可以将上述L(m)作为相应的损失函数，调整与该参数化量子电路中的参数{θq,θk,θv}和全连接神经网络中的参数w,b以及第m条文本所对应的词向量
Figure GDA0003504867130000161
在训练完当前文本后，继续训练下一条文本。
图5示出了根据本公开的实施例的基于词向量获取相应的特征向量的示意图。如图5所示，当前训练文本包括三个单词，其对应的词向量分别为
Figure GDA0003504867130000162
以及
Figure GDA0003504867130000163
所述词向量为3为向量，对应于三个矩形块。每一个词向量分别输入到量子设备(即量子计算机)501中，以通过第一参数化量子电路502获得相对应的量子态|ψ1>、|ψ2>以及|ψ3>。将量子态|ψ1>、|ψ2>以及|ψ3>分别通过第二、第三以及第四参数化量子电路(框503中从上到下依次排列)获得相应的测量结果：<Zq>s,<Zk>j(s,j＝1,2,3)以及三维向量。通过投影量子核估计获得相应的量子自注意力矩阵α，从而将所有量子态的第三个测量结果按照系数α进行“加权求和”，最后加上原始词向量得到输出。
如上所述，对于每个单词从初始词向量出发最终得到了输出向量，这个过程可以看作是一层量子自注意力网络。在一些实施例中，也可以叠加使用多层量子自注意力网络以提升效果，即将上一层得到的输出向量y作为下一层单词的初始词向量，如图6中所示，其中一层量子自注意力网络QSANNL表示为如图5所示的过程。在图6中，经多层量子自注意力网络输出后的
Figure GDA0003504867130000164
以及
Figure GDA0003504867130000165
经求平均(mean)后输入到神经网络中，所述神经网络的参数包括w1,w2,w3,b。所述神经网络输出分类结果为0或1。
在一些示例中，通过在现有的MC(Meaning Classification，判断句子属于IT类还是食物类)和RP(RelPron，判断句子包含主语关系从句还是宾语关系从句)两个数据集上进行模拟实验，发现该方法相较于DisCoCat方法能够以更小的代价(即参数量)取得更高的精度，具体见表1所示。这充分说明了根据本公开的方法不仅代价更小、更容易实现，而且效果更好。需要注意的是，在RP数据集上，根据本公开的方法的测试精度没有原始方法高，这主要是因为这个数据集的训练集和测试集之间有巨大的偏差，即测试集中有几乎一半以上的单词是训练集中没有出现过的，因此两种方法测试精度都比较低，但针对训练集的训练精度该方案远高于原始方法。
Figure GDA0003504867130000171
表1
因此，根据本公开的实施例，不需要像DisCoCat模型那样对文本进行繁杂的句法分析，只需要获得每一个单词的词向量即可，过程更加直接高效；采用的参数化量子电路非常简单，完全适用于近期量子设备，并且不用担心句子长度对可扩展性的影响，适用范围广且代价小。
根据本公开的实施例，如图7所示，还提供了一种文本识别方法700，包括：确定待识别文本中的每一个单词以及所述每一个单词的词向量(步骤710)；将每一个词向量分别作为第一参数化量子电路的参数，以获得每一个单词分别对应的量子态，其中第一参数化量子电路的参数维度与词向量的维度相同(步骤720)；将每一个量子态分别输入到第二、第三以及第四参数化量子电路中并分别进行测量，以分别获得相应的测量结果(步骤730)；基于所述测量结果确定所述待识别文本的特征向量(步骤740)；以及将所述特征向量输入神经网络模型中，以获得识别结果(步骤750)。第二、第三以及第四参数化量子电路、神经网络模型是根据上面任一个实施例所述的方法训练得到的。
根据一些实施例，至少一个所述词向量是根据上面任一个实施例所述的方法训练得到的。
根据本公开的实施例，如图8所示，还提供了一种基于参数化量子电路的模型训练装置800，包括：获取单元810，被配置为获取一个或多个训练文本，每一个所述训练文本包括标签值以及一个或多个单词；第一确定单元820，被配置为确定第一、第二、第三以及第四参数化量子电路，所述第二、第三以及第四参数化量子电路分别对应于自注意力机制的查询-键-值空间；训练单元830，被配置为对于每一个所述训练文本，执行以下操作：获取当前训练文本中的每一个单词的词向量，所述词向量的维度与所述第一参数化量子电路的参数维度相同，其中所述当前训练文本包括Sm个单词，其中Sm为正整数；将每一个所述词向量分别作为所述第一参数化量子电路的参数，以基于所述第一参数化量子电路获得Sm个量子态；将所述Sm个量子态中的每一个量子态分别输入到所述第二、第三以及第四参数化量子电路中并进行测量，以分别获得相应的测量结果；基于所述第二和第三参数化量子电路所对应的测量结果，计算所述每一个单词对应的一组权重值，其中所述一组权重值与所述第四参数化量子电路所对应的测量结果一一对应；基于Sm组权重值以及所述第四参数化量子电路所对应的测量结果获得当前训练文本所对应的特征向量；将所述特征向量输入预设的神经网络模型中，以获得预测值；以及基于所述预测值、当前训练文本所对应的标签值确定第一损失函数；第二确定单元840，被配置为基于所述一个或多个训练文本中的至少一个训练文本相对应的第一损失函数确定第二损失函数；以及调节单元850，被配置为基于所述第二损失函数调节所述第二、第三、第四参数化量子电路所对应的参数、以及所述预设的神经网络模型所对应的参数，以最小化所述相对应的第一损失函数。
这里，基于参数化量子电路的模型训练装置800的上述各单元810～850的操作分别与前面描述的步骤210～250的操作类似，在此不再赘述。
根据本公开的实施例，如图9所示，还提供了一种文本识别装置900，包括：第一确定单元910，被配置为确定待识别文本中的每一个单词以及所述每一个单词的词向量；第一获取单元920，被配置为将所述每一个词向量分别作为第一参数化量子电路的参数，以获得所述每一个单词分别对应的量子态，其中所述第一参数化量子电路的参数维度与所述词向量的维度相同；第二获取单元930，被配置为将每一个所述量子态分别输入到第二、第三以及第四参数化量子电路中并分别进行测量，以分别获得相应的测量结果；第二确定单元940，被配置为基于所述测量结果确定所述待识别文本的特征向量；以及识别单元950，被配置为将所述特征向量输入神经网络模型中，以获得识别结果。所述第二、第三以及第四参数化量子电路、所述神经网络模型是根据上面任一个实施例所述的方法训练得到的。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
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10，现将描述可以作为本公开的服务器或客户端的电子设备1000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10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006、输出单元1007、存储单元1008以及通信单元1009。输入单元1006可以是能向设备1000输入信息的任何类型的设备，输入单元1006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1007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1008可以包括但不限于磁盘、光盘。通信单元1009允许设备1000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、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元1001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1001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1001执行上文所描述的各个方法和处理，例如方法200或700。例如，在一些实施例中，方法200或700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1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的方法200或700的一个或多个步骤。备选地，在其他实施例中，计算单元1001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200或700。
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 (16)

1.一种基于参数化量子电路的模型训练方法，包括：
获取一个或多个训练文本，每一个所述训练文本包括标签值以及一个或多个单词；
确定第一、第二、第三以及第四参数化量子电路，所述第二、第三以及第四参数化量子电路分别对应于自注意力机制的查询-键-值空间；
对于每一个所述训练文本，执行以下操作：
获取当前训练文本中的每一个单词的词向量，所述词向量的维度与所述第一参数化量子电路的参数维度相同，其中所述当前训练文本包括Sm个单词，其中Sm为正整数；
将每一个所述词向量分别作为所述第一参数化量子电路的参数，以基于所述第一参数化量子电路获得Sm个量子态；
将所述Sm个量子态中的每一个量子态分别输入到所述第二、第三以及第四参数化量子电路中并进行测量，以分别获得相应的测量结果；
基于所述第二和第三参数化量子电路所对应的测量结果，计算所述每一个单词对应的一组权重值，其中所述一组权重值与所述第四参数化量子电路所对应的测量结果一一对应；
基于Sm组权重值以及所述第四参数化量子电路所对应的测量结果获得当前训练文本所对应的特征向量；
将所述特征向量输入预设的神经网络模型中，以获得预测值；以及
基于所述预测值、当前训练文本所对应的标签值确定第一损失函数；基于所述一个或多个训练文本中的至少一个训练文本相对应的第一损失函数确定第二损失函数；以及
基于所述第二损失函数调节所述第二、第三、第四参数化量子电路所对应的参数以及所述预设的神经网络模型所对应的参数，以最小化所述第二损失函数。
2.如权利要求1所述的方法，其中，基于所述第二损失函数调节所述第二、第三、第四参数化量子电路所对应的参数以及所述预设的神经网络模型所对应的参数包括：
基于所述第二损失函数调节所述第二、第三、第四参数化量子电路所对应的参数、所述至少一个训练文本中单词的词向量、以及所述预设的神经网络模型所对应的参数。
3.如权利要求1所述的方法，其中，获取当前训练文本中的每一个单词的词向量包括：随机初始化以获取当前训练文本中的每一个单词的词向量。
4.如权利要求1所述的方法，其中，获取当前训练文本中的每一个单词的词向量包括：通过经训练的神经网络模型获取当前训练文本中的每一个单词的词向量。
5.如权利要求1所述的方法，其中，将所述Sm个量子态中的每一个量子态分别输入到所述第二、第三以及第四参数化量子电路中并进行测量包括：
对所述第二参数化量子电路输出的量子态进行测量操作，以获得Sm个第一测量值；
对所述第三参数化量子电路输出的量子态进行测量操作，以获得Sm个第二测量值；以及
对于所述第四参数化量子电路输出的每一个量子态均执行d次测量操作，以获得Sm个d维向量，
其中，每一个所述d维向量中的任意两个值均不同，其中d为所述词向量的维度，d为正整数。
6.如权利要求5所述的方法，其中，所述测量操作包括以下项中的一项或多项：泡利X测量、泡利Y测量以及泡利Z测量。
7.如权利要求5所述的方法，其中，基于所述第二和第三参数化量子电路所对应的测量结果计算所述每一个单词对应的一组权重值包括：
对于所述Sm个第一测量值中的每一个：
将当前第一测量值与所述Sm个第二测量值中的每一个第二测量值依次进行组合，以基于组合后的第一测量值和第二测量值做高斯核估计，以获得估计值；以及
对所获得的估计值进行归一化以获得第一单词所对应的一组权重值，
其中，所述第一单词为所述当前第一测量值所对应的所述当前训练文本中的相应单词。
8.如权利要求5所述的方法，其中，基于所述第二和第三参数化量子电路所对应的测量结果计算所述每一个单词对应的一组权重值包括：
对于所述Sm个第一测量值中的每一个：
将当前第一测量值与所述Sm个第二测量值中的每一个第二测量值依次进行组合，以基于组合后的第一测量值和第二测量值做点积运算，以获得估计值；以及
对所获得的估计值进行归一化以获得第一单词所对应的一组权重值，
其中，所述第一单词为所述当前第一测量值所对应的所述当前训练文本中的相应单词。
9.如权利要求1所述的方法，其中，所述第一参数化量子电路的初始态包括以下项中的任意一项：均匀叠加态、|0n>态。
10.如权利要求1所述的方法，其中，响应于所述第一参数化量子电路的初始态为均匀叠加态，所述方法还包括：
获取处于|0n>态的量子态，其中n为量子比特数，n为正整数；以及
将H门作用于所述获取的量子态，以获得所述均匀叠加态。
11.一种文本识别方法，包括：
确定待识别文本中的每一个单词以及所述每一个单词的词向量；
将所述每一个词向量分别作为第一参数化量子电路的参数，以获得所述每一个单词分别对应的量子态，其中所述第一参数化量子电路的参数维度与所述词向量的维度相同；
将每一个所述量子态分别输入到第二、第三以及第四参数化量子电路中并分别进行测量，以分别获得相应的测量结果；
基于所述测量结果确定所述待识别文本的特征向量；以及
将所述特征向量输入神经网络模型中，以获得识别结果，其中，
所述第二、第三以及第四参数化量子电路、所述神经网络模型是根据权利要求1-10中的任一项方法训练得到的。
12.根据权利要求11所述的方法，其中，至少一个所述词向量是根据权利要求2所述的方法训练得到的。
13.一种基于参数化量子电路的模型训练装置，包括：
获取单元，被配置为获取一个或多个训练文本，每一个所述训练文本包括标签值以及一个或多个单词；
第一确定单元，被配置为确定第一、第二、第三以及第四参数化量子电路，所述第二、第三以及第四参数化量子电路分别对应于自注意力机制的查询-键-值空间；
训练单元，被配置为对于每一个所述训练文本，执行以下操作：
获取当前训练文本中的每一个单词的词向量，所述词向量的维度与所述第一参数化量子电路的参数维度相同，其中所述当前训练文本包括Sm个单词，其中Sm为正整数；
将每一个所述词向量分别作为所述第一参数化量子电路的参数，以基于所述第一参数化量子电路获得Sm个量子态；
将所述Sm个量子态中的每一个量子态分别输入到所述第二、第三以及第四参数化量子电路中并进行测量，以分别获得相应的测量结果；
基于所述第二和第三参数化量子电路所对应的测量结果，计算所述每一个单词对应的一组权重值，其中所述一组权重值与所述第四参数化量子电路所对应的测量结果一一对应；
基于Sm组权重值以及所述第四参数化量子电路所对应的测量结果获得当前训练文本所对应的特征向量；
将所述特征向量输入预设的神经网络模型中，以获得预测值；以及
基于所述预测值、当前训练文本所对应的标签值确定第一损失函数；第二确定单元，被配置为基于所述一个或多个训练文本中的至少一个训练文本相对应的第一损失函数确定第二损失函数；以及
调节单元，被配置为基于所述第二损失函数调节所述第二、第三、第四参数化量子电路所对应的参数、以及所述预设的神经网络模型所对应的参数，以最小化所述相对应的第一损失函数。
14.一种文本识别装置，包括：
第一确定单元，被配置为确定待识别文本中的每一个单词以及所述每一个单词的词向量；
第一获取单元，被配置为将所述每一个词向量分别作为第一参数化量子电路的参数，以获得所述每一个单词分别对应的量子态，其中所述第一参数化量子电路的参数维度与所述词向量的维度相同；
第二获取单元，被配置为将每一个所述量子态分别输入到第二、第三以及第四参数化量子电路中并分别进行测量，以分别获得相应的测量结果；
第二确定单元，被配置为基于所述测量结果确定所述待识别文本的特征向量；以及
识别单元，被配置为将所述特征向量输入神经网络模型中，以获得识别结果，其中，
所述第二、第三以及第四参数化量子电路、所述神经网络模型是根据权利要求1-10中的任一项方法训练得到的。
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1-10或11-12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1-10或11-12中任一项所述的方法。
CN202111095151.6A 2021-09-17 2021-09-17 模型训练方法及装置、电子设备和介质 Active CN113792881B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111095151.6A CN113792881B (zh) 2021-09-17 2021-09-17 模型训练方法及装置、电子设备和介质
US17/945,975 US20230021555A1 (en) 2021-09-17 2022-09-15 Model training based on parameterized quantum circuit

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111095151.6A CN113792881B (zh) 2021-09-17 2021-09-17 模型训练方法及装置、电子设备和介质

Publications (2)

Publication Number Publication Date
CN113792881A CN113792881A (zh) 2021-12-14
CN113792881B true CN113792881B (zh) 2022-04-05

Family

ID=78878890

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111095151.6A Active CN113792881B (zh) 2021-09-17 2021-09-17 模型训练方法及装置、电子设备和介质

Country Status (2)

Country Link
US (1) US20230021555A1 (zh)
CN (1) CN113792881B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114219076B (zh) * 2021-12-15 2023-06-20 北京百度网讯科技有限公司 量子神经网络训练方法及装置、电子设备和介质
CN114492417A (zh) * 2022-02-07 2022-05-13 北京妙医佳健康科技集团有限公司 一种可解释的深度学习方法、可解释深度学习装置、计算机和介质
CN114372539B (zh) * 2022-03-22 2022-07-15 合肥本源量子计算科技有限责任公司 基于机器学习框架的分类方法及相关设备
CN114676437B (zh) * 2022-04-08 2023-01-20 中国人民解放军战略支援部队信息工程大学 基于量子神经网络的软件漏洞检测方法及装置
CN114612749B (zh) * 2022-04-20 2023-04-07 北京百度网讯科技有限公司 神经网络模型训练方法及装置、电子设备和介质
CN116431807A (zh) * 2023-03-31 2023-07-14 本源量子计算科技（合肥）股份有限公司 一种文本分类方法、装置、存储介质及电子装置
CN117556817B (zh) * 2024-01-10 2024-05-24 国开启科量子技术(安徽)有限公司 基于量子电路的大模型生成文本检测方法、装置、设备
CN117787248B (zh) * 2024-02-23 2024-05-14 北京航空航天大学杭州创新研究院 量子自注意力文本处理方法、装置、量子设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018223037A1 (en) * 2017-06-02 2018-12-06 Google Llc Quantum neural network
CN113392210A (zh) * 2020-11-30 2021-09-14 腾讯科技（深圳）有限公司 文本分类方法、装置、电子设备及存储介质
CN112487109A (zh) * 2020-12-01 2021-03-12 朱胜青 实体关系抽取方法、终端和计算机可读存储介质

Also Published As

Publication number Publication date
US20230021555A1 (en) 2023-01-26
CN113792881A (zh) 2021-12-14

Similar Documents

Publication Publication Date Title
CN113792881B (zh) 模型训练方法及装置、电子设备和介质
Raschka et al. Python machine learning: Machine learning and deep learning with Python, scikit-learn, and TensorFlow 2
WO2022068623A1 (zh) 一种模型训练方法及相关设备
Rajawat et al. Fusion deep learning based on back propagation neural network for personalization
CN109582956A (zh) 应用于句子嵌入的文本表示方法和装置
Hua et al. Collaborative active visual recognition from crowds: A distributed ensemble approach
US11416760B2 (en) Machine learning based user interface controller
CN114648638A (zh) 语义分割模型的训练方法、语义分割方法与装置
CN114021728B (zh) 量子数据测量方法及系统、电子设备和介质
CN112579909A (zh) 对象推荐方法及装置、计算机设备和介质
US11640529B2 (en) Training a neural network to create an embedding for an unlabeled vertex in a hypergraph
CN112784778A (zh) 生成模型并识别年龄和性别的方法、装置、设备和介质
CN114219076A (zh) 量子神经网络训练方法及装置、电子设备和介质
CN114386503A (zh) 用于训练模型的方法和装置
CN113642740A (zh) 模型训练方法及装置、电子设备和介质
CN114240555A (zh) 训练点击率预测模型和预测点击率的方法和装置
KR102362678B1 (ko) 생체신호 분석 방법
Bharadi QLattice environment and Feyn QGraph models—a new perspective toward deep learning
Das et al. A distributed secure machine-learning cloud architecture for semantic analysis
Yuan et al. Deep learning from a statistical perspective
CN116968024A (zh) 获取用于生成形封闭抓取位姿的控制策略的方法、计算设备和介质
CN108234195A (zh) 预测网络性能的方法和装置、设备、介质、程序
US11868440B1 (en) Statistical model training systems
CN116703466A (zh) 基于改进灰狼算法的系统访问量预测方法及其相关设备
CN114297022A (zh) 云环境异常检测方法、装置、电子设备和存储介质

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