CN114219092A - 数据处理方法及系统 - Google Patents
数据处理方法及系统 Download PDFInfo
- Publication number
- CN114219092A CN114219092A CN202111543566.5A CN202111543566A CN114219092A CN 114219092 A CN114219092 A CN 114219092A CN 202111543566 A CN202111543566 A CN 202111543566A CN 114219092 A CN114219092 A CN 114219092A
- Authority
- CN
- China
- Prior art keywords
- data
- quantum
- quantum state
- classical
- data processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000010586 diagram Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 9
- 239000002096 quantum dot Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 abstract description 8
- 238000010801 machine learning Methods 0.000 abstract description 7
- 230000006835 compression Effects 0.000 abstract description 5
- 238000007906 compression Methods 0.000 abstract description 5
- 238000007405 data analysis Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004883 computer application Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 8
- 238000009826 distribution Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005283 ground state Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明提供了一种数据处理方法及系统，包括：步骤S1：对经典数据进行量子态振幅编码，获得对应的量子态数据；步骤S2：通过量子计算机对量子态数据进行数据处理。与现有技术相比，本发明通过对传统的经典数据进行量子态编码，将原本量子计算机无法处理的经典数据转化为对应的量子态进行处理，通过量子态编码，极大的扩展了量子计算机的应用范围。量子态编码的实现架起了传统数据分析与处理与量子计算机应用的桥梁，利用量子计算机量子态的纠缠与叠加效应，通过量子态编码实现指数级信息压缩，解决目前遇到的面对大数据时，机器学习和神经网络处理困难的问题。
Description
技术领域
本发明涉及人工智能与量子计算交叉技术领域，具体地，涉及一种数据处理方法及系统。
背景技术
随着信息技术不断发展，信息化将各行业紧密联系起来，产业数据成爆炸式增长。这种增长不仅是数据量的增长，还包括数据种类、结构和产生速度上的增长。最近几年全球数据量的增长率接近24％。以谷歌为首，凭借数据服务为核心、机器学习和神经网络技术为支撑的一大批信息技术(Information Technology，IT)公司占领数据挖掘与信息化的市场。他们掌握海量数据，使用机器学习、深度学习等人工智能技术挖掘潜在价值信息，提供数据服务，改变社会生活各个方面。数据的增长也带来技术的挑战。不少传统机器学习算法已无法应对大数据时代海量数据的处理和分析，所以不得不寻找新的方法来解决问题。
最近不少研究机构及大型IT公司都将目光集中到了量子计算上，想通过量子计算的独特性质，解决传统算法的运算效率问题。传统电子计算机存储电平的高低，每次只能处理一个比特的状态数据。量子计算机存储量子比特，一个量子比特可表示量子态|0>和|1>的叠加，一次运算就可同时处理两个状态的信息。以此类推，经典计算机对2N个比特的数据执行相同计算需要2N次操作，而量子计算机只需要对2N个量子比特进行一次操作即可。正因如此，量子计算不管在数据存储能力还是数据处理能力上都理论上远超经典计算。
量子计算机处理的是量子比特，经典计算机处理的是数字信号，因此，要将量子计算机运用到传统数据分析处理上来，首要解决的问题就是量子态编码，将传统的数字信号编码成对应的量子态，为量子算法的进一步分析处理提供数据输入。量子态编码是搭建传统数字信息与量子计算之间的桥梁。
专利文献CN112613571A公开了一种用于图像识别的量子神经网络方法、系统及介质，涉及量子神经网络方法技术领域，该方法包括：量子态编码：对MNIST数据集数据进行预处理，并依据处理结果，转化为对应旋转门操作的角度信息；构建量子神经网络：通过分解计算，优化量子神经网络的学习过程；测量结果表征：通过测量结果，找出概率最大的量子态，实现图像识别。但该方法并未解决机器学习和神经网络模型等面对大数据时处理困难的问题。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种数据处理方法及系统。
根据本发明提供的一种数据处理方法，包括：
步骤S1：对经典数据进行量子态振幅编码，获得对应的量子态数据；
步骤S2：通过量子计算机对量子态数据进行数据处理。
优选地，步骤S1，包括：
步骤S101：将经典数据的数字信息进行归一化处理后，将数字信息编码成量子态的振幅信息，获得对应的量子态数据。
优选地，经典数据中包括2N个数字信息，N为正整数，步骤S1，还包括：
步骤S202：使用N个量子比特对2N个数字信息进行振幅编码。
优选地，步骤S1，还包括：
通过控制旋转门中转动角的角度信息，完成对经典数据的量子态振幅编码。
优选地，方法还包括：确定对应的量子线路模型，获得量子线路图，以使量子计算机根据所述量子线路图实现所述量子态振幅编码。
根据本发明提供的一种数据处理系统，包括：
处理模块：用于典数据进行量子态振幅编码，获得对应的量子态数据；
计算模块：用于计算机对量子态数据进行数据处理。
优选地，处理模块，还用于将经典数据的数字信息进行归一化处理后，将数字信息编码成量子态的振幅信息，获得对应的量子态数据。
优选地，经典数据中包括2N个数字信息，N为正整数，处理模块，还用于使用N个量子比特对2N个数字信息进行振幅编码。
优选地，处理模块，还用于通过控制旋转门中转动角的角度信息，完成对经典数据的量子态振幅编码。
优选地，处理模块，还用于确定对应的量子线路模型，获得量子线路图，以使量子计算机根据所述量子线路图实现所述量子态振幅编码。
与现有技术相比，本发明具有如下的有益效果：
1、本发明通过对传统数据进行量子态编码，将原本量子计算机无法处理的经典数据转化为对应的量子态进行处理，极大的扩展了量子计算机的应用范围。
2、本发明中量子态编码的实现架起了传统数据分析与处理与量子计算机应用的桥梁。
3、本发明利用量子计算机量子态的纠缠与叠加效应，通过量子态编码实现指数级信息压缩，解决目前遇到的面对大数据时，机器学习和神经网络处理困难的问题。
4、本发明通过对传统的经典数据进行量子态编码的方式，将传统数据转化为量子计算机可以处理的数据，提高了数据存储能力和数据处理能力，进而提高了运算效率。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明的流程示意图；
图2为本发明的量子线路的示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
图1为本发明的流程示意图，如图1所示，本发明提供了一种数据处理方法，包括：
步骤S1：对经典数据进行量子态振幅编码，获得对应的量子态数据。
具体地，对于传统的经典数据的分析与处理，面对的都是经典的数字信息，对于任意的传统数据集X＝{X0,X1,…,Xm}，每一个数据都是N维数据，例如，X0＝{x0,x1,…,xN-1}，其中，m，N为正整数。对于这些数据量子计算机是无法直接处理的，量子计算机作用的是量子比特，所以，如果要使用量子计算机来解决目前的数字信息的处理，首要任务就是完成传统数据的量子态编码。
进一步地，对于一个N维数据X0＝{x0,x1,…,xN-1}。我们可以将数据看成一个分布，对于一个任意分布，先对这串数据进行归一化，使得∑ixi＝1，其中，i＝0,1,…,N-1。然后使用量子态的振幅表示，即
令xi＝pi，这样就可以将传统的数据信息与量子态的概率振幅一一对应起来,其中，|ψ({pi})>表示任意的量子态，|i>表示第i个基态，
表示量子态||ψ({pi})>在第i个量子态|i>上的振幅。由于pi需要开根号，所以pi必须为正整数，对于不满足要求的，可以在对xi做归一化之前先统一加一个常数b，使得满足任意xi≥0，然后在进行归一化处理。完成归一化之后，对于d个比特的量子态数为2d，对于数据不满足2d个的，可以后面进行加0补充。
进一步地，归一化处理完之后，接下来就是如何通过量子门操作，实现我们需要的任意量子态
图2为本发明的量子线路的示意图，如图2所示，展示的是3比特量子态编码对应的量子线路模型，其中RY(θ)是沿着Y方向旋转θ角度的量子门，控制比特中的空心表示量子态为|0>时进行旋转，实心表示处于|1>时目标比特按要求进行旋转。
优选地，所述步骤S1，包括：步骤S101：将所述经典数据的数字信息进行归一化处理后，将所述数字信息编码成量子态的振幅信息，获得对应的所述量子态数据。
具体地，对于任意一个传统数据集X＝{X0,X1,…,Xm}，其中每一个数据都是N维数据X0＝{x0,x1,…,xN-1}，则对这一个数据集进行量子态编码，本发明使用振幅编码，即：
先将X0＝{x0,x1,…,xn}数据归一化，然后使得xi＝pi。这样在数学上完成了量子态的振幅编码。接下来介绍的是如何通过量子门作用实现上面的编码。
优选地，所述经典数据中包括2N个数字信息，所述N为正整数，所述步骤S1，还包括：步骤S202：使用N个量子比特对所述2N个数字信息进行振幅编码。
具体地，假设一个分布可以分成2N个部分，使用N个量子比特表示的量子态：
下标N表示由N个量子比特组成的系统，其中|i>表示N个量子比特中的第i个量子态。
表示这个分布的第i个部分在整体中所含的比重。然后我们用
表示整个分布最左边部分所含的比重，
表示整体分布紧挨着最左边的部分的所含的比重，以此类推。这样一个分布就切割成两个部分，我们的目标是是将这个分布切割成2N个部分，于是我们把左边部分和右边部分单独作为一个整体继续切割成左右两个部分，这样连续迭代N次，就把整个分布切割成为2N个部分。在数学上表示为：
其中，αi和βi表示量子态|i>所对应的左边部分概率和右边部分概率。所以由N个量子比特增加到N+1个量子比特时，所对应的量子态为：
优选地，所述步骤S1，还包括：通过控制旋转门中转动角的角度信息，完成对所述经典数据的量子态振幅编码。
具体地，对于一个连续变化的任意分布函数p(x)且p(x)≥0，其中定义函数f(i)，如下：
其中，
表示第i个量子比特所对应的分布函数p(x)的左边沿，
表示第i个量子比特所对应的分布函数p(x)的右边沿。
进一步地，令
则我们可以通过控制旋转门CR(θ)中的转动角θ，作用在N+1个比特上，其数学表达为：
这样，通过不断的增加辅助比特，然后通过控制旋转门，对于在N个量子比特下的第i个量子态|i>通过CR(θ)，分割成左右两个部分。通过增加一个量子比特，传统数字信息量增加一倍。所以，对于任意2N长度的传统数字信息，只需要N个量子比特就可以实现量子态编码，编码后实现信息的量子态指数级压缩。
优选地，方法还包括：确定对应的量子线路模型，获得量子线路图，以使量子计算机根据所述量子线路图实现所述量子态振幅编码。
具体地，本发明可以将量子态编码的数学公式，转化为对应的量子线路图，物理上的量子计算机可以按照量子线路图实现本发明的量子态编码方法，进而实现量子态编码功能。
具体地，图2展示的是以3个比特8个量子态为例，通过控制旋转门作用完成量子态编码的量子线路图，以此类推，可以得到其他量子比特的量子线路图
步骤S2：通过量子计算机对所述量子态数据进行数据处理。
本发明提供了一种数据处理系统，包括：
处理模块：用于典数据进行量子态振幅编码，获得对应的量子态数据；
优选地，所述处理模块，还用于将所述经典数据的数字信息进行归一化处理后，将所述数字信息编码成量子态的振幅信息，获得对应的所述量子态数据。
优选地，所述经典数据中包括2N个数字信息，所述N为正整数，所述处理模块，还用于使用N个量子比特对所述2N个数字信息进行振幅编码。
优选地，所述处理模块，还用于通过控制旋转门中转动角的角度信息，完成对所述经典数据的量子态振幅编码。
优选地，所述处理模块，还用于确定对应的量子线路模型，获得量子线路图，以使量子计算机根据所述量子线路图实现所述量子态振幅编码。
计算模块：用于计算机对所述量子态数据进行数据处理。
与现有技术相比，本发明具有如下的有益效果：
1、本发明首次引入了以振幅为编码方式的量子态编码，对于任意(2N-1～2N)的经典数字信息，使用N个量子比特进行振幅编码，利用了量子比特相互之间的纠缠关系，对信息进行指数级的量子态压缩。
2、本发明给出量子逻辑线路模型。通过给出的量子线路图，可以物理上进行实现量子态编码。
3、本发明通过对传统数据进行量子态编码，将原本量子计算机无法处理的经典数据转化为对应的量子态进行处理，极大的扩展了量子计算机的应用范围，以及提高了数据存储能力和数据处理能力，进而提高了运算效率。
4、本发明中量子态编码的实现架起了传统数据分析与处理与量子计算机应用的桥梁。
5、本发明利用量子计算机量子态的纠缠与叠加效应，通过量子态编码实现指数级信息压缩，解决目前遇到的面对大数据时，机器学习和神经网络处理困难的问题。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的实现各种程序的模块也可以视为硬件部件内的结构；也可以将实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种数据处理方法，其特征在于，包括：
步骤S1：对经典数据进行量子态振幅编码，获得对应的量子态数据；
步骤S2：通过量子计算机对所述量子态数据进行数据处理。
2.根据权利要求1所述的数据处理方法，其特征在于，所述步骤S1，包括：
步骤S101：将所述经典数据的数字信息进行归一化处理后，将所述数字信息编码成量子态的振幅信息，获得对应的所述量子态数据。
3.根据权利要求1或2所述的数据处理方法，其特征在于，所述经典数据中包括2N个数字信息，所述N为正整数，所述步骤S1，还包括：
步骤S202：使用N个量子比特对所述2N个数字信息进行振幅编码。
4.根据权利要求1所述的数据处理方法，其特征在于，所述步骤S1，还包括：
通过控制旋转门中转动角的角度信息，完成对所述经典数据的量子态振幅编码。
5.根据权利要求1所述的数据处理方法，其特征在于，所述方法还包括：确定对应的量子线路模型，获得量子线路图，以使量子计算机根据所述量子线路图实现所述量子态振幅编码。
6.一种数据处理系统，其特征在于，包括：
处理模块：用于典数据进行量子态振幅编码，获得对应的量子态数据；
计算模块：用于计算机对所述量子态数据进行数据处理。
7.根据权利要求6所述的数据处理系统，其特征在于，所述处理模块，还用于将所述经典数据的数字信息进行归一化处理后，将所述数字信息编码成量子态的振幅信息，获得对应的所述量子态数据。
8.根据权利要求6或7所述的数据处理系统，其特征在于，所述经典数据中包括2N个数字信息，所述N为正整数，所述处理模块，还用于使用N个量子比特对所述2N个数字信息进行振幅编码。
9.根据权利要求6所述的数据处理系统，其特征在于，所述处理模块，还用于通过控制旋转门中转动角的角度信息，完成对所述经典数据的量子态振幅编码。
10.根据权利要求1所述的数据处理系统，其特征在于，所述处理模块，还用于确定对应的量子线路模型，获得量子线路图，以使量子计算机根据所述量子线路图实现所述量子态振幅编码。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111543566.5A CN114219092A (zh) | 2021-12-16 | 2021-12-16 | 数据处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111543566.5A CN114219092A (zh) | 2021-12-16 | 2021-12-16 | 数据处理方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114219092A true CN114219092A (zh) | 2022-03-22 |
Family
ID=80702959
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111543566.5A Pending CN114219092A (zh) | 2021-12-16 | 2021-12-16 | 数据处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114219092A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114818970A (zh) * | 2022-05-17 | 2022-07-29 | 北京百度网讯科技有限公司 | 经典数据处理方法、计算设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180294960A1 (en) * | 2015-10-02 | 2018-10-11 | Nokia Technologies Oy | Dual rail compensation in phase encoded communication |
| CN111709530A (zh) * | 2020-04-23 | 2020-09-25 | 深圳华中科技大学研究院 | 一种量子机器学习的可视化展示方法 |
| CN112232513A (zh) * | 2020-10-28 | 2021-01-15 | 合肥本源量子计算科技有限责任公司 | 一种量子态的制备方法及装置 |
| CN112633507A (zh) * | 2020-11-27 | 2021-04-09 | 合肥本源量子计算科技有限责任公司 | 一种将复向量编码到量子线路的方法及装置 |
-
2021
- 2021-12-16 CN CN202111543566.5A patent/CN114219092A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180294960A1 (en) * | 2015-10-02 | 2018-10-11 | Nokia Technologies Oy | Dual rail compensation in phase encoded communication |
| CN111709530A (zh) * | 2020-04-23 | 2020-09-25 | 深圳华中科技大学研究院 | 一种量子机器学习的可视化展示方法 |
| CN112232513A (zh) * | 2020-10-28 | 2021-01-15 | 合肥本源量子计算科技有限责任公司 | 一种量子态的制备方法及装置 |
| CN112633507A (zh) * | 2020-11-27 | 2021-04-09 | 合肥本源量子计算科技有限责任公司 | 一种将复向量编码到量子线路的方法及装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114818970A (zh) * | 2022-05-17 | 2022-07-29 | 北京百度网讯科技有限公司 | 经典数据处理方法、计算设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112613571A (zh) | 一种用于图像识别的量子神经网络方法、系统及介质 | |
| Al-Faiz et al. | The effect of Z-Score standardization (normalization) on binary input due the speed of learning in back-propagation neural network | |
| CN104598565B (zh) | 一种基于随机梯度下降算法的k均值大规模数据聚类方法 | |
| CN112464003B (zh) | 一种图像分类方法及相关装置 | |
| CN111709754B (zh) | 一种用户行为特征提取方法、装置、设备及系统 | |
| CN105488563A (zh) | 面向深度学习的稀疏自适应神经网络、算法及实现装置 | |
| CN109389166A (zh) | 基于局部结构保存的深度迁移嵌入聚类机器学习方法 | |
| CN113705793B (zh) | 决策变量确定方法及装置、电子设备和介质 | |
| CN114219092A (zh) | 数据处理方法及系统 | |
| Zhang et al. | Hetero-dimensional multitask neuroevolution for chaotic time series prediction | |
| CN114974405A (zh) | 基于量子gnn的结合能预测方法 | |
| CN114550849A (zh) | 基于量子图神经网络解决化学分子性质预测的方法 | |
| CN117252105B (zh) | 一种在线类增量连续学习的对比多级回放方法及组件 | |
| Fan et al. | Bayesian optimization with clustering and rollback for CNN auto pruning | |
| CN117875481A (zh) | 碳排放预测方法、电子设备和计算机可读介质 | |
| Xia et al. | Efficient synthesis of compact deep neural networks | |
| Yang et al. | Binary output layer of feedforward neural networks for solving multi-class classification problems | |
| WO2019121142A1 (en) | Approaching homeostasis in a binary neural network | |
| CN114511097A (zh) | 基于量子线路的互学习方法及系统 | |
| CN115115920A (zh) | 一种数据训练方法及装置 | |
| CN114461619A (zh) | 能源互联网多源数据融合方法、装置、终端及存储介质 | |
| Zhang et al. | A fast evolutionary knowledge transfer search for multiscale deep neural architecture | |
| CN112446488A (zh) | 利用增强神经网络的转移学习 | |
| Anireh et al. | HTM-MAT: An online prediction software toolbox based on cortical machine learning algorithm | |
| Glover et al. | On when is Reservoir Computing with Cellular Automata Beneficial? |
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 |