CN114511094A - 一种量子算法的优化方法、装置、存储介质与电子装置 - Google Patents
一种量子算法的优化方法、装置、存储介质与电子装置 Download PDFInfo
- Publication number
- CN114511094A CN114511094A CN202210103681.9A CN202210103681A CN114511094A CN 114511094 A CN114511094 A CN 114511094A CN 202210103681 A CN202210103681 A CN 202210103681A CN 114511094 A CN114511094 A CN 114511094A
- Authority
- CN
- China
- Prior art keywords
- quantum
- target
- algorithm
- basic
- wire
- 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.)
- Granted
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Logic Circuits (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种量子算法的优化方法、装置、存储介质与电子装置，方法包括：确定第一目标体系对应的第二目标体系，获取所述第二目标体系对应的基础网络；将所述基础网络迁移到用于所述第一目标体系的目标量子算法，以优化所述目标量子算法中的目标网络。利用本发明实施例，能够通过迁移学习思想，缓解贫瘠高原(BP)现象的影响，提升大规模量子算法的参数性能和算法精度，并填补相关量子算法优化技术的空白。
Description
技术领域
本发明属于量子计算技术领域，特别是一种量子算法的优化方法、装置、存储介质与电子装置。
背景技术
量子计算机是一类遵循量子力学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装置。当某个装置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。量子计算机因其具有相对普通计算机更高效的处理数学问题的能力，例如，能将破解RSA密钥的时间从数百年加速到数小时，故成为一种正在研究中的关键技术。
量子计算模拟是一个借助数值计算和计算机科学来仿真遵循量子力学规律的模拟计算，作为一个仿真程序，它依据量子力学的量子比特的基本定律，利用计算机的高速计算能力，刻画量子态的时空演化。
目前，随着量子计算的不断发展，越来越多的量子算法应运而生。对于一些量子算法，尤其对于算法规模较大的情况，算法复杂度往往较高，且算法参数在利用传统的梯度下降优化器优化时，容易出现贫瘠高原(Barren Plateau，缩写BP)现象的影响，从而影响算法精度。
发明内容
本发明的目的是提供一种量子算法的优化方法、装置、存储介质与电子装置，以解决现有技术中的不足，它能够通过迁移学习思想，缓解贫瘠高原BP现象的影响，提升大规模量子算法的参数性能和算法精度，并填补相关量子算法优化技术的空白。
本申请的一个实施例提供了一种量子算法的优化方法，方法包括：
确定第一目标体系对应的第二目标体系，获取所述第二目标体系对应的基础网络；
将所述基础网络迁移到用于所述第一目标体系的目标量子算法，以优化所述目标量子算法中的目标网络。
可选的，所述第一目标体系的规模大于第二目标体系的规模。
可选的，所述获取所述第二目标体系对应的基础网络，包括：
训练用于所述第二目标体系的基础量子线路，所述基础量子线路包括线路结构和线路参数。
可选的，所述将所述基础网络迁移到用于所述第一目标体系的目标量子算法，以优化所述目标量子算法中的目标网络，包括：
根据所述第一目标体系和所述基础量子线路，构造用于所述第一目标体系的目标量子算法的目标量子线路，并得到包含所述目标量子线路的所述目标量子算法。
可选的，所述目标量子算法包括：VQA算法，所述目标量子线路包括：所述VQA算法中的拟设。
可选的，所述目标量子线路的酉操作形式包括：
其中，所述U(θ)表示目标量子线路，所述U(θi)i,i+n-1表示基础量子线路，所述i、所述i+n-1表示基础量子线路作用于第i位量子比特至第i+n-1位量子比特，所述m表示目标量子线路作用的量子比特位数，所述n表示基础量子线路作用的量子比特位数。
可选的，所述基础量子线路包括：硬件高效拟设HEA，所述目标量子线路的结构与所述基础量子线路相同且目标线路参数由所述基础量子线路的基本线路参数划分确定。
本申请的又一实施例提供了一种量子算法的优化装置，装置包括：
获取模块，用于确定第一目标体系对应的第二目标体系，获取所述第二目标体系对应的基础网络；
优化模块，用于将所述基础网络迁移到用于所述第一目标体系的目标量子算法，以优化所述目标量子算法中的目标网络。
本申请的一个实施例提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项所述的方法。
本申请的一个实施例提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项所述的方法。
与现有技术相比，本发明提供的一种量子算法的优化方法，确定第一目标体系对应的第二目标体系，获取所述第二目标体系对应的基础网络；将所述基础网络迁移到用于所述第一目标体系的目标量子算法，以优化所述目标量子算法中的目标网络，从而能够通过迁移学习思想，缓解贫瘠高原BP现象的影响，提升大规模量子算法的参数性能和算法精度，并填补相关量子算法优化技术的空白。
附图说明
图1为本发明实施例提供的一种量子算法的优化方法的计算机终端的硬件结构框图；
图2为本发明实施例提供的一种量子算法的优化方法的流程示意图；
图3为本发明实施例提供的一种目标量子线路的结构示意图；
图4为本发明实施例提供的另一种目标量子线路的结构示意图；
图5为本发明实施例提供的一种量子算法的优化装置的结构示意图。
具体实施方式
下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本发明实施例首先提供了一种量子算法的优化方法，该方法可以应用于电子设备，如计算机终端，具体如普通电脑、量子计算机等。
下面以运行在计算机终端上为例对其进行详细说明。图1为本发明实施例提供的一种量子算法的优化方法的计算机终端的硬件结构框图。如图1所示，计算机终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，可选地，上述计算机终端还可以包括用于通信功能的传输装置106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中的量子算法的优化方法对应的程序指令/模块，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
量子计算是一种遵循量子力学规律调控量子信息单元进行计算的新型计算模式，其中，量子计算基于的最基本的一个原理为量子力学态叠加原理，量子力学态叠加原理使得量子信息单元的状态可以处于多种可能性的叠加状态，从而使得量子信息处理从效率上相比于经典信息处理具有更大潜力。一个量子系统包含若干粒子，这些粒子按照量子力学的规律运动，称此系统处于态空间的某种量子态，而对于化学分子来说，可以实现量子化学模拟，为量子计算提供研究支持。
需要说明的是，真正的量子计算机是混合结构的，它包含两大部分：一部分是经典计算机，负责执行经典计算与控制；另一部分是量子设备，负责运行量子程序进而实现量子计算。而量子程序是由量子语言如QRunes语言编写的一串能够在量子计算机上运行的指令序列，实现了对量子逻辑门操作的支持，并最终实现量子计算。具体的说，量子程序就是一系列按照一定时序操作量子逻辑门的指令序列。
在实际应用中，因受限于量子设备硬件的发展，通常需要进行量子计算模拟以验证量子算法、量子应用等等。量子计算模拟即借助普通计算机的资源搭建的虚拟架构(即量子虚拟机)实现特定问题对应的量子程序的模拟运行的过程。通常，需要构建特定问题对应的量子程序。本发明实施例所指量子程序，即是经典语言编写的表征量子比特及其演化的程序，其中与量子计算相关的量子比特、量子逻辑门等等均有相应的经典代码表示。
量子线路作为量子程序的一种体现方式，也称量子逻辑电路，是最常用的通用量子计算模型，表示在抽象概念下对于量子比特进行操作的线路，其组成包括量子比特、线路(时间线)，以及各种量子逻辑门，最后常需要通过量子测量操作将结果读取出来。
不同于传统电路是用金属线所连接以传递电压信号或电流信号，在量子线路中，线路可看成是由时间所连接，亦即量子比特的状态随着时间自然演化，在这过程中按照哈密顿运算符的指示，一直到遇上逻辑门而被操作。
一个量子程序整体上对应有一条总的量子线路，本发明所述量子程序即指该条总的量子线路，其中，该总的量子线路中的量子比特总数与量子程序的量子比特总数相同。可以理解为：一个量子程序可以由量子线路、针对量子线路中量子比特的测量操作、保存测量结果的寄存器及控制流节点(跳转指令)组成，一条量子线路可以包含几十上百个甚至千上万个量子逻辑门操作。量子程序的执行过程，就是对所有的量子逻辑门按照一定时序执行的过程。需要说明的是，时序即单个量子逻辑门被执行的时间顺序。
需要说明的是，经典计算中，最基本的单元是比特，而最基本的控制模式是逻辑门，可以通过逻辑门的组合来达到控制电路的目的。类似地，处理量子比特的方式就是量子逻辑门。使用量子逻辑门，能够使量子态发生演化，量子逻辑门是构成量子线路的基础，量子逻辑门包括单比特量子逻辑门，如Hadamard门(H门，阿达马门)、泡利－X门(X门)、泡利－Y门(Y门)、泡利－Z门(Z门)、RX门、RY门、RZ门等等；两比特或多比特量子逻辑门，如CNOT门、CR门、CZ门、iSWAP门、Toffoli门等等。量子逻辑门一般使用酉矩阵表示，而酉矩阵不仅是矩阵形式，也是一种操作和变换。一般量子逻辑门在量子态上的作用是通过酉矩阵左乘以量子态右矢对应的矩阵进行计算的。
参见图2，图2为本发明实施例提供的一种量子算法的优化方法的流程示意图，可以包括如下步骤：
S201，确定第一目标体系对应的第二目标体系，获取所述第二目标体系对应的基础网络；
具体的，第二目标体系可以确定为与第一目标体系相同/相似且简化的模型体系，第一目标体系的规模选优大于第二目标体系的规模。例如，对于量子化学模拟，第一目标体系为复杂的分子体系H－4(氢－4)，求解H－4体系基态能量的问题规模较大，则可以确定简单的H－2分子体系，将求解H－2体系基态能量的问题模型(规模较小)作为对应的第二目标体系。
具体的，获取第二目标体系对应的基础网络，可以训练用于第二目标体系的基础量子线路，基础量子线路包括线路结构和线路参数，作为基础网络。
在实际应用中，可以采用迁移学习的思想，将规模较小的第二目标体系训练为基础网络，基础网络可以为量子神经网络QNN(Quantum Neural Network)，并可以通过量子线路技术实现。例如，对于H－2体系的基态能量求解问题，采用VQA算法(VariationalQuantumAlgorithm，变分量子算法)进行求解。针对H－2体系，对VQA算法中的拟设Ansatz(一种参数化量子线路)进行训练(迭代优化)，训练后的拟设Ansatz作为基础量子线路，具体包括量子逻辑门线路结构和训练后的最优参数。
S202，将所述基础网络迁移到用于所述第一目标体系的目标量子算法，以优化所述目标量子算法中的目标网络。
具体的，可以根据第一目标体系和基础量子线路，构造用于第一目标体系的目标量子算法的目标量子线路，并得到包含目标量子线路的所述目标量子算法。
由前述可知，第二目标体系规模较小，对应的基础量子线路规模也较小。根据迁移学习思想，由于第一目标体系与第二目标体系相同/相近，因而可以将对应的基础量子线路扩展迁移到求解规模较大的第一目标体系的目标量子算法中，作为目标量子算法的新的目标量子线路。
由于新的目标量子线路是基于基础量子线路生成，目标量子线路中的初始参数也可采用基础量子线路的训练得到的最优参数，不再只是通过随机初始化生成，从而有效避免随机性对算法精度的影响。并且，通过训练一组良好的初始参数，使其梯度大于由BP现象导致被抑制的梯度，从而能够以很高的概率离开BP区域，对降低/缓解BP具有重要意义。
示例性的，目标量子算法包括但不限于：VQA算法，目标量子线路包括不限于：VQA算法中的拟设Ansatz。其中，VQA是一种量子－经典混合算法，采用量子处理器进行拟设Ansatz制备和期望值测量，并采用经典优化器对拟设中的参数进行参数优化。在参数优化过程中通常采用梯度下降法，由此会受到贫瘠高原现象的影响，代价函数的梯度随着量子比特的数量呈指数形式消失，导致现有的VQA算法性能不高。类似的，目标量子算法也可以是其他存在BP现象且需要参数优化的量子算法，诸如QAOA算法(Quantum ApproximateOptimization Algorithm，量子近似优化算法)等等，本申请对此不进行限定。
示例性的，在一种实现方式中，目标量子线路的酉操作形式可以包括：
其中，U(θ)表示目标量子线路，U(θi)i,i+n-1表示基础量子线路，i、i+n-1表示基础量子线路作用于第i位量子比特至第i+n-1位量子比特，m表示目标量子线路作用的量子比特位数，n表示基础量子线路作用的量子比特位数。
在该实现方式中，可以通过对基础量子线路进行交替排列，构造目标量子线路，一种目标量子线路的结构形式可如图3所示。其中，U表示基础量子线路U(θi)i,i+n-1，U的具体结构(包括量子逻辑门种类、数量、时序等等)由实际应用中所求解的目标体系确定，不同的目标体系可以设计不同的基础量子线路。对于目标量子线路中每个基础量子线路模块的参数θi，其初始值可以采用训练得到的最优参数θβ，也可以为随机初始化的随机参数θγ，例如，第一个U采用θβ、第二个U采用θγ、第二个U采用θβ……等等。
示例性的，在另一种实现方式中，基础量子线路可以包括：硬件高效拟设HEA(Hardware Efficient Ansatz)，目标量子线路的结构与基础量子线路相同且目标线路参数由基础量子线路的基本线路参数划分确定。
另一种目标量子线路的结构形式可如图4所示，图4箭头左侧表示基础量子线路HEA结构，右侧表示目标量子线路结构。其中，R(θ)表示单量子比特旋转门模块，Uent表示双量子比特纠缠的CZ门(控制Z门)模块，对应酉操作形式分别为：
HEA对应酉操作为∏R(θ)Uent。其中，p表示R(θ)作用的量子比特位数，
表示作用于第i位量子比特的RZ门，该RZ门的旋转角度参数为θi1；
表示作用于第i位量子比特的RX门，时序位于
之后，该RX门的旋转角度参数为θi2；
表示作用于第i位量子比特的RZ门，时序位于
之后，该RX门的旋转角度参数为θi3；CZi,i+1表示作用于第i位和第i+1位量子比特的CZ门，逻辑门参数为固定值。
对于目标量子线路中各R(θ)的目标线路参数的初始值，可采用训练得到的基础量子线路HEA中的最优参数，也可以随机初始化生成。由于该基础量子线路至目标量子线路的迁移方式保留了原有Ansatz的结构，因此对问题启发式和未知问题的Ansatz都可以用该方式进行迁移，实用性更强。
可见，通过确定第一目标体系对应的第二目标体系，获取所述第二目标体系对应的基础网络；将所述基础网络迁移到用于所述第一目标体系的目标量子算法，以优化所述目标量子算法中的目标网络，从而能够通过迁移学习思想，缓解贫瘠高原BP现象的影响，提升大规模量子算法的参数性能和算法精度，并填补相关量子算法优化技术的空白。
参见图5，图5为本发明实施例提供的一种量子算法的优化装置的结构示意图，与图2所示的流程相对应，所述装置包括：
获取模块501，用于确定第一目标体系对应的第二目标体系，获取所述第二目标体系对应的基础网络；
优化模块502，用于将所述基础网络迁移到用于所述第一目标体系的目标量子算法，以优化所述目标量子算法中的目标网络。
具体的，所述第一目标体系的规模大于第二目标体系的规模。
具体的，所述获取模块，具体用于：
训练用于所述第二目标体系的基础量子线路，所述基础量子线路包括线路结构和线路参数。
具体的，所述优化模块，具体用于：
根据所述第一目标体系和所述基础量子线路，构造用于所述第一目标体系的目标量子算法的目标量子线路，并得到包含所述目标量子线路的所述目标量子算法。
具体的，所述目标量子算法包括：VQA算法，所述目标量子线路包括：所述VQA算法中的拟设。
具体的，所述目标量子线路的酉操作形式包括：
其中，所述U(θ)表示目标量子线路，所述U(θi)i,i+n-1表示基础量子线路，所述i、所述i+n-1表示基础量子线路作用于第i位量子比特至第i+n-1位量子比特，所述m表示目标量子线路作用的量子比特位数，所述n表示基础量子线路作用的量子比特位数。
具体的，所述基础量子线路包括：硬件高效拟设HEA，所述目标量子线路的结构与所述基础量子线路相同且目标线路参数由所述基础量子线路的基本线路参数划分确定。
可见，通过确定第一目标体系对应的第二目标体系，获取所述第二目标体系对应的基础网络；将所述基础网络迁移到用于所述第一目标体系的目标量子算法，以优化所述目标量子算法中的目标网络，从而能够通过迁移学习思想，缓解贫瘠高原BP现象的影响，提升大规模量子算法的参数性能和算法精度，并填补相关量子算法优化技术的空白。
本发明实施例还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
具体的，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，确定第一目标体系对应的第二目标体系，获取所述第二目标体系对应的基础网络；
S2，将所述基础网络迁移到用于所述第一目标体系的目标量子算法，以优化所述目标量子算法中的目标网络。
本发明实施例还提供了一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
具体的，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
具体的，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，确定第一目标体系对应的第二目标体系，获取所述第二目标体系对应的基础网络；
S2，将所述基础网络迁移到用于所述第一目标体系的目标量子算法，以优化所述目标量子算法中的目标网络。
以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果，以上所述仅为本发明的较佳实施例，但本发明不以图面所示限定实施范围，凡是依照本发明的构想所作的改变，或修改为等同变化的等效实施例，仍未超出说明书与图示所涵盖的精神时，均应在本发明的保护范围内。
Claims (10)
1.一种量子算法的优化方法，其特征在于，所述方法包括：
确定第一目标体系对应的第二目标体系，获取所述第二目标体系对应的基础网络；
将所述基础网络迁移到用于所述第一目标体系的目标量子算法，以优化所述目标量子算法中的目标网络。
2.根据权利要求1所述的方法，其特征在于，所述第一目标体系的规模大于第二目标体系的规模。
3.根据权利要求1所述的方法，其特征在于，所述获取所述第二目标体系对应的基础网络，包括：
训练用于所述第二目标体系的基础量子线路，所述基础量子线路包括线路结构和线路参数。
4.根据权利要求3所述的方法，其特征在于，所述将所述基础网络迁移到用于所述第一目标体系的目标量子算法，以优化所述目标量子算法中的目标网络，包括：
根据所述第一目标体系和所述基础量子线路，构造用于所述第一目标体系的目标量子算法的目标量子线路，并得到包含所述目标量子线路的所述目标量子算法。
5.根据权利要求4所述的方法，其特征在于，所述目标量子算法包括：VQA算法，所述目标量子线路包括：所述VQA算法中的拟设。
6.根据权利要求4或5所述的方法，其特征在于，所述目标量子线路的酉操作形式包括：
其中，所述U(θ)表示目标量子线路，所述U(θi)i,i+n-1表示基础量子线路，所述i、所述i+n-1表示基础量子线路作用于第i位量子比特至第i+n-1位量子比特，所述m表示目标量子线路作用的量子比特位数，所述n表示基础量子线路作用的量子比特位数。
7.根据权利要求4或5所述的方法，其特征在于，所述基础量子线路包括：硬件高效拟设HEA，所述目标量子线路的结构与所述基础量子线路相同且目标线路参数由所述基础量子线路的基本线路参数划分确定。
8.一种量子算法的优化装置，其特征在于，所述装置包括：
获取模块，用于确定第一目标体系对应的第二目标体系，获取所述第二目标体系对应的基础网络；
优化模块，用于将所述基础网络迁移到用于所述第一目标体系的目标量子算法，以优化所述目标量子算法中的目标网络。
9.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至7任一项所述的方法。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210103681.9A CN114511094B (zh) | 2022-01-27 | 2022-01-27 | 一种量子算法的优化方法、装置、存储介质与电子装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210103681.9A CN114511094B (zh) | 2022-01-27 | 2022-01-27 | 一种量子算法的优化方法、装置、存储介质与电子装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114511094A true CN114511094A (zh) | 2022-05-17 |
| CN114511094B CN114511094B (zh) | 2023-08-04 |
Family
ID=81549283
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210103681.9A Active CN114511094B (zh) | 2022-01-27 | 2022-01-27 | 一种量子算法的优化方法、装置、存储介质与电子装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114511094B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116341667A (zh) * | 2023-04-03 | 2023-06-27 | 正则量子(北京)技术有限公司 | 一种量子线路搭建方法及设备 |
| CN118014092A (zh) * | 2024-04-08 | 2024-05-10 | 国开启科量子技术(安徽)有限公司 | 确定函数分类的量子计算方法、量子线路、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200169396A1 (en) * | 2017-06-02 | 2020-05-28 | Google Llc | Quantum neural network |
| CN112016691A (zh) * | 2020-08-14 | 2020-12-01 | 合肥本源量子计算科技有限责任公司 | 一种量子线路的构建方法及装置 |
| US20200410343A1 (en) * | 2018-01-31 | 2020-12-31 | Google Llc | Quantum computation through reinforcement learning |
| CN112651509A (zh) * | 2020-10-14 | 2021-04-13 | 腾讯科技（深圳）有限公司 | 量子线路的确定方法及装置 |
| CN113496481A (zh) * | 2021-05-20 | 2021-10-12 | 北京交通大学 | 一种少样本胸部X-Ray图像的辅助检测方法 |
-
2022
- 2022-01-27 CN CN202210103681.9A patent/CN114511094B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200169396A1 (en) * | 2017-06-02 | 2020-05-28 | Google Llc | Quantum neural network |
| US20200410343A1 (en) * | 2018-01-31 | 2020-12-31 | Google Llc | Quantum computation through reinforcement learning |
| CN112016691A (zh) * | 2020-08-14 | 2020-12-01 | 合肥本源量子计算科技有限责任公司 | 一种量子线路的构建方法及装置 |
| CN112651509A (zh) * | 2020-10-14 | 2021-04-13 | 腾讯科技（深圳）有限公司 | 量子线路的确定方法及装置 |
| CN113496481A (zh) * | 2021-05-20 | 2021-10-12 | 北京交通大学 | 一种少样本胸部X-Ray图像的辅助检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| ANDREA MARI等: "Transfer learning in hybrid classical-quantum neural networks", 《ARXIV》 * |
| 廖一鹏;杨洁洁;王志刚;王卫星;: "基于双模态卷积神经网络自适应迁移学习的浮选工况识别", 光子学报, no. 10 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116341667A (zh) * | 2023-04-03 | 2023-06-27 | 正则量子(北京)技术有限公司 | 一种量子线路搭建方法及设备 |
| CN116341667B (zh) * | 2023-04-03 | 2024-03-12 | 正则量子(北京)技术有限公司 | 一种量子线路搭建方法及设备 |
| CN118014092A (zh) * | 2024-04-08 | 2024-05-10 | 国开启科量子技术(安徽)有限公司 | 确定函数分类的量子计算方法、量子线路、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114511094B (zh) | 2023-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114819163B (zh) | 量子生成对抗网络的训练方法、装置、介质及电子装置 | |
| CN114511094B (zh) | 一种量子算法的优化方法、装置、存储介质与电子装置 | |
| CN114358319A (zh) | 基于机器学习框架的分类方法及相关装置 | |
| CN111461335A (zh) | 基于mpi多进程的含噪声单量子逻辑门实现方法及装置 | |
| CN117709415A (zh) | 一种量子神经网络模型的优化方法及装置 | |
| CN115879562B (zh) | 一种量子程序初始映射的确定方法、装置及量子计算机 | |
| CN116090568B (zh) | 量子数据与经典浮点型数据的大小关系确定方法及装置 | |
| WO2024007919A1 (zh) | 基于lbm的量子流动模拟方法、装置、介质及设备 | |
| CN114881238A (zh) | 量子鉴别器的构造方法、装置、介质及电子装置 | |
| CN118133975A (zh) | 一种量子态传输调控参数确定方法及相关装置 | |
| WO2022110705A1 (zh) | Qram架构的量子线路的构建方法和装置、以及量子地址数据的解析方法和装置 | |
| CN114881239A (zh) | 量子生成器的构造方法、装置、介质及电子装置 | |
| WO2022143789A1 (zh) | 量子预处理方法、装置、存储介质及电子装置 | |
| CN114819167A (zh) | 一种稀疏线性系统的稀疏近似逆量子预处理方法及装置 | |
| CN114638368A (zh) | 一种用于qram架构的量子线路的构建方法及装置 | |
| CN115879558B (zh) | 一种多个量子态之间的大小比较方法及装置 | |
| CN115879560B (zh) | 一种量子数据与经典数据的等值关系判断方法及装置 | |
| CN115730670B (zh) | 模式文件的生成方法、装置、介质及电子装置 | |
| CN115879559B (zh) | 多个量子态之间的等值关系判断方法、装置及量子计算机 | |
| CN115713122B (zh) | 一种量子数据与经典数据的大小关系的确定方法及装置 | |
| CN115879557B (zh) | 基于量子线路的数据大小比较方法、装置及量子计算机 | |
| CN116167407B (zh) | 一种基于量子循环神经网络的数据预测方法及相关设备 | |
| CN116263883B (zh) | 基于多项式预处理器的量子线性求解方法、装置及设备 | |
| CN117408343A (zh) | 基于lbm的量子流动模拟方法、装置、介质及设备 | |
| CN114764618A (zh) | 一种针对线性系统的量子预处理方法及装置 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 230088 6th floor, E2 building, phase II, innovation industrial park, 2800 innovation Avenue, high tech Zone, Hefei City, Anhui Province Applicant after: Benyuan Quantum Computing Technology (Hefei) Co.,Ltd. Address before: 230088 6th floor, E2 building, phase II, innovation industrial park, 2800 innovation Avenue, high tech Zone, Hefei City, Anhui Province Applicant before: ORIGIN QUANTUM COMPUTING COMPANY, LIMITED, HEFEI |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |