CN114358258B - 一种量子神经网络训练方法和装置 - Google Patents

一种量子神经网络训练方法和装置 Download PDF

Info

Publication number
CN114358258B
CN114358258B CN202210263335.7A CN202210263335A CN114358258B CN 114358258 B CN114358258 B CN 114358258B CN 202210263335 A CN202210263335 A CN 202210263335A CN 114358258 B CN114358258 B CN 114358258B
Authority
CN
China
Prior art keywords
quantum
neural network
parameter
expected value
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
CN202210263335.7A
Other languages
English (en)
Other versions
CN114358258A (zh
Inventor
姜金哲
张新
李辰
李红珍
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.)
Suzhou Inspur Intelligent Technology Co Ltd
Original Assignee
Suzhou Inspur Intelligent 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 Suzhou Inspur Intelligent Technology Co Ltd filed Critical Suzhou Inspur Intelligent Technology Co Ltd
Priority to CN202210263335.7A priority Critical patent/CN114358258B/zh
Publication of CN114358258A publication Critical patent/CN114358258A/zh
Application granted granted Critical
Publication of CN114358258B publication Critical patent/CN114358258B/zh
Priority to PCT/CN2022/141665 priority patent/WO2023173878A1/zh
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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)
  • Superconductor Devices And Manufacturing Methods Thereof (AREA)

Abstract

本发明提供一种量子神经网络训练方法和装置，涉及量子计算技术领域。该量子神经网络训练方法包括：根据量子神经网络算法电路构建期望值求解电路；依次更新所述量子神经网络算法电路中所有量子门对应的当前参数；完成所述量子神经网络算法电路中所有量子门对应的当前参数更新后，判断所述量子神经网络算法电路中所有量子门对应的当前参数是否全部收敛；若所有当前参数全部收敛，则完成所述量子神经网络训练方法。通过该方法的实施，实现在希尔伯特空间对量子态进行直接操作，进而训练量子神经网络。起到了在量子计算机上执行量子神经网络训练的作用，极大地提升了量子神经网络算法的训练效率。

Description

一种量子神经网络训练方法和装置
技术领域
本发明涉及量子计算技术领域，特别涉及一种量子神经网络训练方法和装置。
背景技术
神经网络是分布式并行信息处理的算法数学模型，最早是人工智能领域的一种算法或者说是模型，目前神经网络已经发展成为一类多学科交叉的学科领域，也随着深度学习取得的进展重新受到重视和推崇。
随着量子计算科学的发展，神经网络与之结合发展处新型的量子神经网络算法。通过量子门的组合对量子比特进行一系列特殊的操作实现。在量子神经网络中，量子比特对应传统计算机当中比特的概念，有两个存在的状态|0>，|1>，对应传统比特的开关状态。量子门则是实现量子机器学习算法的重要工具，是对量子态进行的控制操作。作为可以携带参数的操作，在量子神经网络中扮演重要的角色，主要完成量子比特间的控制操作和纠缠操作，通过将各种门有序的组合起来，能够在最终的输出中收获我们想要的信息，实现特定的算法。
量子神经网络基于量子计算，在量子计算机上实现的机器学习算法，与传统计算相比具有良好的泛化性能。目前，在量子计算机上还没有训练量子神经网络算法的方法，训练量子神经网络还是通过传统计算机的机器学习框架进行，不能充分发挥量子计算的优越性。当前的硬件发展条件下，这是一种妥协和折衷的方法。不过，随着量子计算机的进一步发展，亟需一种直接在量子计算机上进行的训练过程。基于以上问题，本发明提出了一种基于量子计算机的训练量子神经网络的方法，解决目前量子神经网络无法在量子计算机上进行训练的问题。
发明内容
为了解决现有技术的问题，本发明实施例提供了一种量子神经网络训练方法和装置，以克服现有技术中无法通过量子计算机直接对量子神经网络进行训练的问题。
为了解决上述的一个或多个技术问题，本发明采用的技术方案如下：
第一方面，提供一种量子神经网络训练方法，用于在量子计算机上进行神经网络训练，包括：
根据量子神经网络算法电路构建期望值求解电路；
依次更新量子神经网络算法电路中所有量子门对应的当前参数；
完成量子神经网络算法电路中所有量子门对应的当前参数更新后，判断量子神经网络算法电路中所有量子门对应的当前参数是否全部收敛；
若所有当前参数全部收敛，则完成量子神经网络训练方法；
其中，依次更新量子神经网络算法电路中所有量子门对应的当前参数包括：
获取正在更新的量子门对应的当前参数作为待处理参数；
使用期望值求解电路对待处理参数与预设值的运算结果进行作用，获得第一期望值和第二期望值；
根据第一期望值和第二期望值计算得到待处理参数的参数梯度；
根据参数梯度对待处理参数进行操作，得到正在更新的量子门对应的当前参数。
进一步地，一种量子神经网络训练方法还包括：若至少存在一个量子门对应的当前参数不收敛，则循环执行量子神经网络训练方法。
进一步地，该方法之前还包括：
构建量子神经网络算法电路，量子神经网络算法电路至少包括一个带参数的量子门，量子门的参数为当前参数。
进一步地，期望值求解电路与量子神经网络算法电路同构；
期望值求解电路计算得到的期望值由量子神经网络算法电路计算得到的期望值乘以预设缩放系数得到。
进一步地，使用期望值求解电路对待处理参数与预设值的运算结果进行作用，获得第一期望值和第二期望值包括：
使用期望值求解电路作用于待处理参数和预设值的和，获得第一期望值；
使用期望值求解电路作用于待处理参数和预设值的差，获得第二期望值。
进一步地，根据第一期望值和第二期望值计算得到待处理参数的参数梯度包括：
在希尔伯特空间，对预设量子态在第一预设方向上进行角度为第一期望值的旋转操作，得到第一中间量子态；
在希尔伯特空间，对第一中间量子态在第二预设方向上进行角度为第二期望值的旋转操作，得到第二中间量子态；
将第二中间量子态输入参数梯度计算电路，计算得到参数梯度；
上述参数梯度设计电路根据量子相位估计算法设计得到。
进一步地，根据参数梯度对待处理参数进行操作，得到正在更新的量子门对应的当前参数包括：
在希尔伯特空间，对预设量子态在第三预设方向上进行角度为当前参数的旋转操作，得到第三中间量子态；
在希尔伯特空间，对第三中间量子态在第四预设方向上进行角度为参数梯度的旋转操作，得到第四中间量子态；
将第四中间量子态输入梯度更新计算电路，计算得到当前参数；
上述梯度更新计算电路根据量子相位估计算法设计得到。
第二方面，提供一种量子神经网络训练装置，其特征在于，装置包括：
期望值电路构建模块，当前参数更新模块，参数收敛判断模块；
期望值电路构建模块，用于根据量子神经网络算法电路构建期望值求解电路；
当前参数更新模块，用于依次更新量子神经网络算法电路中所有量子门对应的当前参数：
获取正在更新的量子门对应的当前参数作为待处理参数；
使用期望值求解电路对待处理参数与预设值的运算结果进行作用，获得第一期望值和第二期望值；
根据第一期望值和第二期望值计算得到待处理参数的参数梯度；
根据参数梯度对待处理参数进行操作，得到正在更新的量子门对应的当前参数；
参数收敛判断模块，用于完成量子神经网络算法电路中所有量子门对应的当前参数更新后，判断量子神经网络算法电路中所有量子门对应的当前参数是否全部收敛；
若所有当前参数全部收敛，则完成量子神经网络训练方法。
进一步地，该装置还包括：算法构建模块；
算法构建模块，用于构建量子神经网络算法电路，该量子神经网络算法电路至少包括一个带参数的量子门，量子门的参数为当前参数。
进一步地，当前参数更新模块包括：
参数获取子模块，期望值求解子模块，梯度计算子模块，参数更新子模块；
参数获取子模块，用于获取正在更新的量子门对应的当前参数作为待处理参数；
期望值求解子模块，用于使用期望值求解电路对待处理参数与预设值的运算结果进行作用，获得第一期望值和第二期望值；
梯度计算子模块，用于根据第一期望值和第二期望值计算得到待处理参数的参数梯度；
参数更新子模块，用于根据参数梯度对待处理参数进行操作，得到正在更新的量子门对应的当前参数。
本发明实施例提供的技术方案带来的有益效果是：
通过构建量子神经网络电路和期望值求解电路，实现在希尔伯特空间对量子态进行直接操作，进而训练量子神经网络。起到了在量子计算机上执行量子神经网络训练的作用。极大地提升了量子神经网络算法的训练效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种量子神经网络训练方法示意图；
图2是本发明实施例提供的另一种量子神经网络训练方法示意图；
图3是本发明实施例提供的一种量子门电路模块示意图；
图4是本发明实施例提供的一种用于计算期望值d a 的量子电路模块示意图；
图5是本发明实施例提供的一种用于计算期望值d b 的量子电路模块示意图；
图6是本发明实施例提供的一种求解梯度的流程示意图；
图7是本发明实施例提供的一种更新量子门参数的流程示意图；
图8是本发明实施例提供的一种量子神经网络训练装置示意图：
图9是本发明实施例提供的另一种量子神经网络训练装置示意图：
图10是本发明实施例提供的一种当前更新模块的子模块示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”、“一”或者“该”等类似词语也不表示数量限制，而是表示存在至少一个。说明书附图中的编号，仅表示对各个功能部件或模块的区分，不表示部件或模块之间的逻辑关系。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
下面，将参照附图详细描述根据本公开的各个实施例。需要注意的是，在附图中，将相同的附图标记赋予基本上具有相同或类似结构和功能的组成部分，并且将省略关于它们的重复描述。
现有技术中，缺乏直接在量子计算机上直接训练量子神经网络算法的方法，而是采用机器学习框架在传统计算机上，在有限的比特数内模拟量子神经网络的训练方法。无法充分发挥量子计算机在高量子比特数下展现出来的强大并行计算能力。因此，亟需一种量子神经网络训练方法和装置，能够直接在量子计算机上对量子神经网络进行训练。本发明实施例基于量子计算的特性公开一种量子神经网络训练方法，具体的技术方案如下：
在一个实施例中，如图1所示，一种量子神经网络训练方法包括：
步骤S1：根据量子神经网络算法电路构建期望值求解电路；
步骤S2：依次更新量子神经网络算法电路中所有量子门对应的当前参数；
步骤S3：完成量子神经网络算法电路中所有量子门对应的当前参数更新后，判断量子神经网络算法电路中所有量子门对应的当前参数是否全部收敛；
若所有当前参数全部收敛，则完成量子神经网络训练方法。
在另一个实施例中，一种量子神经网络训练方法的步骤S3还包括：
若至少存在一个量子门对应的当前参数不收敛，则回到步骤S1循环执行量子神经网络训练方法。
经步骤S3的判断，若有一个量子门对应的当前参数不收敛，则返回到步骤S1，循环执行上述量子神经网路训练方法。进一步阐述了参数不收敛情况下，量子神经网络训练的执行方法。
下面，将阐述一种量子神经网络训练方法的详细实现步骤。
在另一个实施例中，如图2所示，一种量子神经网络训练方法包括：
步骤S0：构建量子神经网络算法电路，量子神经网络算法电路至少包括一个带参数的量子门，量子门的参数为当前参数；
量子神经网络算法的电路由带参数的量子门组合而成，根据Parameter Shift理论，一个量子电路输出的期望值由下式表示：
Figure DEST_PATH_IMAGE001
其中，
Figure 324640DEST_PATH_IMAGE002
，
Figure DEST_PATH_IMAGE003
为实参数，
Figure 383863DEST_PATH_IMAGE004
为测量操作算符，
Figure 19244DEST_PATH_IMAGE006
为矢量态，
Figure DEST_PATH_IMAGE007
为矢量态
Figure DEST_PATH_IMAGE009
的复共轭。
对参数
Figure 300053DEST_PATH_IMAGE010
的梯度可以表示为如下公式，这里量子门G只有两个特征值
Figure 362687DEST_PATH_IMAGE012
和
Figure 174785DEST_PATH_IMAGE013
，于是：
Figure 613856DEST_PATH_IMAGE014
其中，
Figure 77068DEST_PATH_IMAGE015
根据以上公式可知，要想求出参数的梯度，需要知道
Figure 513865DEST_PATH_IMAGE016
和
Figure 875576DEST_PATH_IMAGE017
的值。因此，需要两个量子电路
Figure 790443DEST_PATH_IMAGE018
和
Figure 124472DEST_PATH_IMAGE019
求解
Figure 528909DEST_PATH_IMAGE021
和
Figure 564867DEST_PATH_IMAGE023
。由于量子电路
Figure 80162DEST_PATH_IMAGE018
和
Figure 268697DEST_PATH_IMAGE024
与量子神经网络算法电路
Figure 47298DEST_PATH_IMAGE025
同构，并且只相差一个缩放系数r，根据
Figure 383601DEST_PATH_IMAGE026
容易构建量子电路
Figure 640270DEST_PATH_IMAGE018
和
Figure 745629DEST_PATH_IMAGE027
，如图3-图5所示。通过
Figure 681749DEST_PATH_IMAGE018
和
Figure 443031DEST_PATH_IMAGE028
可以求出相应的期望值
Figure 565708DEST_PATH_IMAGE021
和
Figure 463257DEST_PATH_IMAGE023
。
步骤S1：根据量子神经网络算法电路构建期望值求解电路；
根据期望值求解电路与量子神经网络算法电路之间同构，且相差缩放系数r的关系，依据量子神经网络算法电路构建期望值求解电路。
步骤S2：依次更新量子神经网络算法电路中所有量子门对应的当前参数。
具体包括：
步骤S21：获取正在更新的量子门对应的当前参数作为待处理参数；
步骤S22：使用期望值求解电路对待处理参数与预设值的运算结果进行作用，获得第一期望值和第二期望值；
具体包括：
步骤S221：使用期望值求解电路作用于待处理参数和预设值的和，获得第一期望值；
步骤S222：使用期望值求解电路作用于待处理参数和预设值的差，获得第二期望值；
其中，预设值为
Figure 380397DEST_PATH_IMAGE029
。使用
Figure 628976DEST_PATH_IMAGE030
作用于待处理参数
Figure 289765DEST_PATH_IMAGE031
与预设值
Figure 556667DEST_PATH_IMAGE029
的和得到第一期望值
Figure 847971DEST_PATH_IMAGE032
，即
Figure 380583DEST_PATH_IMAGE033
。
使用
Figure 48325DEST_PATH_IMAGE034
作用于待处理参数
Figure 654887DEST_PATH_IMAGE031
与预设值
Figure 179409DEST_PATH_IMAGE029
的差得到第二期望值
Figure 386268DEST_PATH_IMAGE035
，即
Figure 388860DEST_PATH_IMAGE036
。
步骤S23：根据第一期望值和第二期望值计算得到待处理参数的参数梯度；
具体包括：
步骤S231：在希尔伯特空间，对预设量子态在第一预设方向上进行角度为第一期望值的旋转操作，得到第一中间量子态；
步骤S232：在希尔伯特空间，对第一中间量子态在第二预设方向上进行角度为第二期望值的旋转操作，得到第二中间量子态；
步骤S233：将第二中间量子态输入参数梯度计算电路，计算得到参数梯度。
其中，上述参数梯度设计电路根据量子相位估计算法（Quantum PhaseEstimation，QPE）设计得到。
在一个实施例中，如图6所示。根据待处理参数
Figure 381086DEST_PATH_IMAGE031
的参数梯度的数学表达式：
Figure DEST_PATH_IMAGE037
Figure 279772DEST_PATH_IMAGE038
对量子态|0>在希尔伯特空间于第一预设方向上进行角度为d a 的旋转操作，再于第二预设方向上进行角度为d b 的旋转操作，再通过由量子相位估计算法（QPE）设计得到的参数梯度设计电路得到参数
Figure 459081DEST_PATH_IMAGE031
的参数梯度
Figure 265363DEST_PATH_IMAGE039
。其中，第一预设方向与第二预设方向在希尔伯特空间的旋转方向相反。
步骤S24：根据参数梯度对待处理参数进行操作，得到正在更新的量子门对应的当前参数。
具体包括：
步骤S241：在希尔伯特空间，对预设量子态在第三预设方向上进行角度为当前参数的旋转操作，得到第三中间量子态；
步骤S242：在希尔伯特空间，对第三中间量子态在第四预设方向上进行角度为参数梯度的旋转操作，得到第四中间量子态；
步骤S243：将第四中间量子态输入梯度更新计算电路，计算得到当前参数；
其中，上述参数梯度更新计算电路根据量子相位估计算法（Quantum PhaseEstimation，QPE）设计得到。
在一个实施例中，如图7所示，根据步骤S233计算得到的参数梯度
Figure 626943DEST_PATH_IMAGE039
对参数进行更新。
对量子态|0>在希尔伯特空间于第三预设方向上，进行角度为该待处理参数
Figure 165372DEST_PATH_IMAGE031
的旋转操作，再于第四预设方向上，进行角度为梯度
Figure 159872DEST_PATH_IMAGE039
的旋转操作，再通过由量子相位估计算法（QPE）设计得到的参数梯度设计电路，得到更新后的参数
Figure 441949DEST_PATH_IMAGE040
。其中，第三预设方向与第四预设方向在希尔伯特空间的旋转方向相反。
步骤S3：完成量子神经网络算法电路中所有量子门对应的当前参数更新后，判断量子神经网络算法电路中所有量子门对应的当前参数是否全部收敛。
根据当前参数是否全部收敛执行以下操作：
若所有当前参数全部收敛，则完成量子神经网络训练方法。
若至少存在一个量子门对应的当前参数不收敛，则回到步骤S1循环执行量子神经网络训练方法。
在另一个实施例中，如图8所示，一种量子神经网络训练装置包括：期望值电路构建模块1，当前参数更新模块2，参数收敛判断模块3；
期望值电路构建模块1，用于根据量子神经网络算法电路构建期望值求解电路；
当前参数更新模块2，用于依次更新所述量子神经网络算法电路中所有量子门对应的当前参数；
参数收敛判断模块3，用于完成所述量子神经网络算法电路中所有量子门对应的当前参数更新后，判断所述量子神经网络算法电路中所有量子门对应的当前参数是否全部收敛。
在另一个实施例中，如图9所示，一种量子神经网络训练装置还包括：算法构建模块0。
算法构建模块0，用于构建量子神经网络算法电路，该量子神经网络算法电路至少包括一个带参数的量子门，并且量子门的参数作为当前参数。
在一个实施例中，如图10所示，当前参数更新模块2包括：参数获取子模块21，期望值求解子模块22，梯度计算子模块23，参数更新子模块24。
参数获取子模块21，用于获取正在更新的量子门对应的当前参数作为待处理参数；
期望值求解子模块22，用于使用期望值求解电路对待处理参数与预设值的运算结果进行作用，获得第一期望值和第二期望值；
梯度计算子模块23，用于根据第一期望值和第二期望值计算得到待处理参数的参数梯度；
参数更新子模块24，用于根据参数梯度对待处理参数进行操作，得到正在更新的量子门对应的当前参数。
上述所有可选技术方案，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。
实施例一
步骤S1：根据量子神经网络算法电路构建期望值求解电路；
根据
Figure 205506DEST_PATH_IMAGE041
容易构建量子神经网络算法电路
Figure 914836DEST_PATH_IMAGE030
和
Figure 396633DEST_PATH_IMAGE034
，如图3-5所示。
步骤S2：依次更新量子神经网络算法电路中所有量子门对应的当前参数。
具体包括：
步骤S21：获取正在更新的量子门对应的当前参数作为待处理参数；
步骤S22：使用期望值求解电路对待处理参数与预设值的运算结果进行作用，获得第一期望值和第二期望值；
具体包括：
步骤S221：使用期望值求解电路作用于待处理参数和预设值的和，获得第一期望值；
步骤S222：使用期望值求解电路作用于待处理参数和预设值的差，获得第二期望值；
根据量子电路
Figure 994318DEST_PATH_IMAGE030
和
Figure 550064DEST_PATH_IMAGE034
，并求相应的第一期望值
Figure 758191DEST_PATH_IMAGE032
和第二期望值
Figure 399388DEST_PATH_IMAGE035
。
其中，预设值为
Figure 85584DEST_PATH_IMAGE029
。使用
Figure 26996DEST_PATH_IMAGE030
作用于待处理参数
Figure 327396DEST_PATH_IMAGE031
与预设值
Figure 518206DEST_PATH_IMAGE029
的和得到第一期望值
Figure 945776DEST_PATH_IMAGE032
，即
Figure 741694DEST_PATH_IMAGE033
。
使用
Figure 291624DEST_PATH_IMAGE034
作用于待处理参数
Figure 907413DEST_PATH_IMAGE031
与预设值
Figure 935412DEST_PATH_IMAGE029
的差得到第二期望值
Figure 569524DEST_PATH_IMAGE035
，即
Figure 493618DEST_PATH_IMAGE036
。
步骤S23：根据第一期望值
Figure 659020DEST_PATH_IMAGE032
和第二期望值
Figure 428393DEST_PATH_IMAGE035
计算得到待处理参数的参数梯度；
具体包括：
步骤S231：在希尔伯特空间，对预设量子态在第一预设方向上进行角度为第一期望值的旋转操作，得到第一中间量子态；
步骤S232：在希尔伯特空间，对第一中间量子态在第二预设方向上进行角度为第二期望值的旋转操作，得到第二中间量子态；
步骤S233：将第二中间量子态输入参数梯度计算电路，计算得到参数梯度。
其中，上述参数梯度设计电路根据量子相位估计算法（Quantum PhaseEstimation，QPE）设计得到。过程如图6所示。
步骤S24：根据参数梯度对待处理参数进行操作，得到正在更新的量子门对应的当前参数。
具体包括：
步骤S241：在希尔伯特空间，对预设量子态在第三预设方向上进行角度为当前参数的旋转操作，得到第三中间量子态；
步骤S242：在希尔伯特空间，对第三中间量子态在第四预设方向上进行角度为参数梯度的旋转操作，得到第四中间量子态；
步骤S243：将第四中间量子态输入梯度更新计算电路，计算得到当前参数；
其中，上述参数梯度更新计算电路根据量子相位估计算法（Quantum PhaseEstimation，QPE）设计得到。过程如图7所示。
步骤S3：完成量子神经网络算法电路中所有量子门对应的当前参数更新后，判断量子神经网络算法电路中所有量子门对应的当前参数是否全部收敛。
若所有当前参数全部收敛，则完成量子神经网络训练方法。
实施例二
步骤S0：构建量子神经网络算法电路，量子神经网络算法电路至少包括一个带参数的量子门，量子门的参数为当前参数；
一个量子电路输出的期望值由下式表示：
Figure 730061DEST_PATH_IMAGE043
其中，
Figure 559477DEST_PATH_IMAGE045
，这里量子门G只有两个特征值
Figure 664705DEST_PATH_IMAGE047
和
Figure 34507DEST_PATH_IMAGE049
，
Figure 393944DEST_PATH_IMAGE051
的梯度表示为：
Figure 456578DEST_PATH_IMAGE053
其中，
Figure 268676DEST_PATH_IMAGE055
。
步骤S1-步骤S2已在实施例一种详细阐述，在此不再赘述。
步骤S3：完成量子神经网络算法电路中所有量子门对应的当前参数更新后，判断量子神经网络算法电路中所有量子门对应的当前参数是否全部收敛。
根据当前参数是否全部收敛执行以下操作：
若所有当前参数全部收敛，则完成量子神经网络训练方法。
若至少存在一个量子门对应的当前参数不收敛，则回到步骤S1循环执行量子神经网络训练方法。
实施例三
下面结合图8-10，阐述一种量子神经网络训练装置。
该神经网络训练装置包括：期望值电路构建模块1，当前参数更新模块2，参数收敛判断模块3；
期望值电路构建模块1，用于根据量子神经网络算法电路构建期望值求解电路；
当前参数更新模块2，用于依次更新所述量子神经网络算法电路中所有量子门对应的当前参数；
参数收敛判断模块3，用于完成所述量子神经网络算法电路中所有量子门对应的当前参数更新后，判断所述量子神经网络算法电路中所有量子门对应的当前参数是否全部收敛。
其中前参数更新模块2如图10所示，包括：参数获取子模块21，期望值求解子模块22，梯度计算子模块23，参数更新子模块24。
参数获取子模块21，用于获取正在更新的量子门对应的当前参数作为待处理参数；
期望值求解子模块22，用于使用期望值求解电路对待处理参数与预设值的运算结果进行作用，获得第一期望值和第二期望值；
梯度计算子模块23，用于根据第一期望值和第二期望值计算得到待处理参数的参数梯度；
参数更新子模块24，用于根据参数梯度对待处理参数进行操作，得到正在更新的量子门对应的当前参数。
实施例四
如图9所示，一种量子神经网络训练装置还包括：算法构建模块0。
其中，期望值电路构建模块1，当前参数更新模块2，参数收敛判断模块3已在实施例三中详细阐述，在此不再赘述。
算法构建模块0，用于构建量子神经网络算法电路，该量子神经网络算法电路至少包括一个带参数的量子门，并且量子门的参数作为当前参数。
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括装载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储器被安装，或者从ROM 被安装。在该计算机程序被外部处理器执行时，执行本申请的实施例的方法中限定的上述功能。
需要说明的是，本申请的实施例的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(Radio Frequency, 射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述服务器中所包含的；也可以是单独存在，而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该服务器执行时，使得该服务器：响应于检测到终端的外设模式未激活时，获取终端上应用的帧率；在帧率满足息屏条件时，判断用户是否正在获取终端的屏幕信息；响应于判断结果为用户未获取终端的屏幕信息，控制屏幕进入立即暗淡模式。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java,Smalltalk, C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上对本申请所提供的技术方案进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本申请的限制。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种量子神经网络训练方法，用于在量子计算机上进行神经网络训练，其特征在于，所述方法包括：
根据量子神经网络算法电路构建期望值求解电路；
依次更新所述量子神经网络算法电路中所有量子门对应的当前参数；
完成所述量子神经网络算法电路中所有量子门对应的当前参数更新后，判断所述量子神经网络算法电路中所有量子门对应的当前参数是否全部收敛；
若所有当前参数全部收敛，则完成所述量子神经网络训练方法；
其中，依次更新所述量子神经网络算法电路中所有量子门对应的当前参数包括：
获取正在更新的量子门对应的当前参数作为待处理参数；
使用所述期望值求解电路对所述待处理参数与预设值的运算结果进行作用，获得第一期望值和第二期望值；
根据所述第一期望值和所述第二期望值计算得到所述待处理参数的参数梯度；
根据所述参数梯度对所述待处理参数进行操作，得到正在更新的量子门对应的当前参数；
其中，所述使用所述期望值求解电路对所述待处理参数与预设值的运算结果进行作用，获得第一期望值和第二期望值包括：
使用所述期望值求解电路作用于所述待处理参数和所述预设值的和，获得第一期望值；
使用所述期望值求解电路作用于所述待处理参数和所述预设值的差，获得第二期望值；
所述根据所述第一期望值和所述第二期望值计算得到所述待处理参数的参数梯度包括：
在希尔伯特空间，对预设量子态在第一预设方向上进行角度为第一期望值的旋转操作，得到第一中间量子态；
在希尔伯特空间，对所述第一中间量子态在第二预设方向上进行角度为第二期望值的旋转操作，得到第二中间量子态；
将所述第二中间量子态输入参数梯度计算电路，计算得到参数梯度；
所述参数梯度设计电路根据量子相位估计算法设计得到。
2.根据权利要求1所述的一种量子神经网络训练方法，其特征在于，所述方法还包括：若至少存在一个量子门对应的当前参数不收敛，则循环执行所述量子神经网络训练方法。
3.根据权利要求2所述的一种量子神经网络训练方法，其特征在于，所述方法之前还包括：
构建量子神经网络算法电路，所述量子神经网络算法电路至少包括一个带参数的量子门，所述量子门的参数为当前参数。
4.根据权利要求1-3中任意一项所述的一种量子神经网络训练方法，其特征在于，所述期望值求解电路与所述量子神经网络算法电路同构；
所述期望值求解电路计算得到的期望值由所述量子神经网络算法电路计算得到的期望值乘以预设缩放系数得到。
5.根据权利要求1-3中任意一项所述的一种量子神经网络训练方法，其特征在于，所述根据所述参数梯度对所述待处理参数进行操作，得到正在更新的量子门对应的当前参数包括：
在希尔伯特空间，对预设量子态在第三预设方向上进行角度为当前参数的旋转操作，得到第三中间量子态；
在希尔伯特空间，对所述第三中间量子态在第四预设方向上进行角度为所述参数梯度的旋转操作，得到第四中间量子态；
将所述第四中间量子态输入梯度更新计算电路，计算得到当前参数；
所述梯度更新计算电路根据量子相位估计算法设计得到。
6.一种量子神经网络训练装置，其特征在于，所述装置包括：
期望值电路构建模块，当前参数更新模块，参数收敛判断模块；
所述期望值电路构建模块，用于根据量子神经网络算法电路构建期望值求解电路；
所述当前参数更新模块，用于依次更新所述量子神经网络算法电路中所有量子门对应的当前参数：
获取正在更新的量子门对应的当前参数作为待处理参数；
使用所述期望值求解电路对所述待处理参数与预设值的运算结果进行作用，获得第一期望值和第二期望值；
根据所述第一期望值和所述第二期望值计算得到所述待处理参数的参数梯度；
根据所述参数梯度对所述待处理参数进行操作，得到正在更新的量子门对应的当前参数；
所述参数收敛判断模块，用于完成所述量子神经网络算法电路中所有量子门对应的当前参数更新后，判断所述量子神经网络算法电路中所有量子门对应的当前参数是否全部收敛；
若所有当前参数全部收敛，则完成所述量子神经网络训练方法。
7.根据权利要求6所述的一种量子神经网络训练装置，其特征在于，所述装置还包括：算法构建模块；
所述算法构建模块，用于构建量子神经网络算法电路，所述量子神经网络算法电路至少包括一个带参数的量子门，所述量子门的参数为当前参数。
8.根据权利要求6或7所述的一种量子神经网络训练装置，其特征在于，所述当前参数更新模块包括：参数获取子模块，期望值求解子模块，梯度计算子模块，参数更新子模块；
所述参数获取子模块，用于获取正在更新的量子门对应的当前参数作为待处理参数；
所述期望值求解子模块，用于使用所述期望值求解电路对所述待处理参数与预设值的运算结果进行作用，获得第一期望值和第二期望值；
所述梯度计算子模块，用于根据所述第一期望值和所述第二期望值计算得到所述待处理参数的参数梯度；
所述参数更新子模块，用于根据所述参数梯度对所述待处理参数进行操作，得到正在更新的量子门对应的当前参数。
CN202210263335.7A 2022-03-17 2022-03-17 一种量子神经网络训练方法和装置 Active CN114358258B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210263335.7A CN114358258B (zh) 2022-03-17 2022-03-17 一种量子神经网络训练方法和装置
PCT/CN2022/141665 WO2023173878A1 (zh) 2022-03-17 2022-12-23 一种量子神经网络训练方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210263335.7A CN114358258B (zh) 2022-03-17 2022-03-17 一种量子神经网络训练方法和装置

Publications (2)

Publication Number Publication Date
CN114358258A CN114358258A (zh) 2022-04-15
CN114358258B true CN114358258B (zh) 2022-07-12

Family

ID=81095102

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210263335.7A Active CN114358258B (zh) 2022-03-17 2022-03-17 一种量子神经网络训练方法和装置

Country Status (2)

Country Link
CN (1) CN114358258B (zh)
WO (1) WO2023173878A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114358258B (zh) * 2022-03-17 2022-07-12 苏州浪潮智能科技有限公司 一种量子神经网络训练方法和装置
CN115630690B (zh) * 2022-12-21 2023-04-18 量子科技长三角产业创新中心 一种用于量子神经网络结构优化的抽样方法及相关装置
CN117634459A (zh) * 2024-01-24 2024-03-01 山东海量信息技术研究院 目标内容生成及模型训练方法、装置、系统、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860828A (zh) * 2020-06-15 2020-10-30 北京仿真中心 一种神经网络的训练方法、存储介质和设备
CN113033703A (zh) * 2021-04-21 2021-06-25 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
CN113159324A (zh) * 2021-02-26 2021-07-23 山东英信计算机技术有限公司 一种量子设备校准方法、装置、设备及介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210342730A1 (en) * 2020-05-01 2021-11-04 equal1.labs Inc. System and method of quantum enhanced accelerated neural network training
CN113361664B (zh) * 2021-08-10 2021-11-05 北京航空航天大学 一种基于量子卷积神经网络的图像识别系统及方法
CN114169469A (zh) * 2022-02-09 2022-03-11 苏州浪潮智能科技有限公司 一种基于量子网络的识别方法、系统、设备及存储介质
CN114358258B (zh) * 2022-03-17 2022-07-12 苏州浪潮智能科技有限公司 一种量子神经网络训练方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860828A (zh) * 2020-06-15 2020-10-30 北京仿真中心 一种神经网络的训练方法、存储介质和设备
CN113159324A (zh) * 2021-02-26 2021-07-23 山东英信计算机技术有限公司 一种量子设备校准方法、装置、设备及介质
CN113033703A (zh) * 2021-04-21 2021-06-25 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种基于ABC的量子神经网络训练算法;凌晔华;《智能计算机与应用》;20170430;第7卷(第2期);第34-37页 *
一种量子神经网络模型学习算法及应用;李盼池;《控制理论与应用》;20090530;第26卷(第5期);第531-534页 *

Also Published As

Publication number Publication date
WO2023173878A1 (zh) 2023-09-21
CN114358258A (zh) 2022-04-15

Similar Documents

Publication Publication Date Title
CN114358258B (zh) 一种量子神经网络训练方法和装置
US10664762B2 (en) Cost function deformation in quantum approximate optimization
Mallipeddi et al. An evolving surrogate model-based differential evolution algorithm
CN113159239B (zh) 一种量子图卷积神经网络处理图数据的方法
CN110825375A (zh) 一种量子程序的转化方法、装置、存储介质和电子装置
Luan et al. Hybrid genetic algorithm based smooth global-path planning for a mobile robot
CN114637923B (zh) 基于层次注意力图神经网络的数据信息推荐方法和装置
CN111625258B (zh) 默克尔树更新方法、装置、设备及可读存储介质
Cashman et al. A continuous, editable representation for deforming mesh sequences with separate signals for time, pose and shape
Wang et al. Quality-aware dual-modal saliency detection via deep reinforcement learning
CN112463159A (zh) 编译方法、装置、电子设备和存储介质
Hua A Bi‐Directional Procedural Model for Architectural Design
Sankaran Beyond DIV, CURL and GRAD: modelling electromagnetic problems using algebraic topology
Yuan et al. Towards the next-generation GIS: A geometric algebra approach
Chatterjee et al. Adaptive bilevel approximation technique for multiobjective evolutionary optimization
Zhang et al. Characterization, synthesis, and optimization of quantum circuits over multiple-control Z-rotation gates: A systematic study
CA3187339A1 (en) Reducing resources in quantum circuits
CN116646021A (zh) 融合元路径的分子异质图性质预测方法、存储介质及装置
CN115271076A (zh) 一种贝叶斯网络对应量子线路的构造方法及装置
Zhang et al. Differential human learning optimization algorithm
WO2023221680A1 (zh) 量子态制备电路生成及量子态制备方法、装置和量子芯片
CN116629370B (zh) 量子电路处理方法、装置及电子设备
CN116226434B (zh) 一种多元异构模型训练及应用方法、设备及可读存储介质
CN116796834A (zh) 一种有机无机杂化钙钛矿性能预测方法、预测系统及装置
Ganguly et al. Circuits and systems modeling of quantum systems in SPICE

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