CN114580643A - 确定方法、模型处理方法、装置、设备及存储介质 - Google Patents
确定方法、模型处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114580643A CN114580643A CN202210270238.0A CN202210270238A CN114580643A CN 114580643 A CN114580643 A CN 114580643A CN 202210270238 A CN202210270238 A CN 202210270238A CN 114580643 A CN114580643 A CN 114580643A
- Authority
- CN
- China
- Prior art keywords
- quantum state
- target
- class
- purity
- belonging
- 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
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)
- Error Detection And Correction (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本公开提供了编码特征的确定方法、模型处理方法、装置、设备及存储介质,涉及数据处理领域,尤其涉及量子计算领域。具体实现方案为:基于预设数据编码方式,将至少两个经典数据编码为目标量子态,属于第一类别的第一经典数据编码为第一目标量子态,属于第二类别的第二经典数据编码为第二目标量子态;基于属于所述第一类别的第一目标量子态以及属于所述第二类别的第二目标量子态,得到所述第一类别和所述第二类别的差异特征;至少基于第一类别和第二类别的差异特征、属于第一类别的第一目标量子态的第一纯度特征以及属于第二类别的第二目标量子态的第二纯度特征,得到预设数据编码方式的编码特征。这样,兼具适用性、有效性和通用性。
Description
技术领域
本公开涉及数据处理领域,尤其涉及量子计算技术领域。
背景技术
量子计算领域正在飞速的发展,同时,量子设备的性能在不断提升。在众多潜在的量子技术应用中,量子计算与人工智能的结合备受关注,尤其是使用量子计算机求解机器学习、线性代数等问题。而数据编码是利用量子计算机求解上述问题的必要步骤,因此,如何度量数据编码的性能成为一个亟待解决的问题。
发明内容
本公开提供了一种编码特征的确定方法、模型处理方法、装置、设备及存储介质。
根据本公开的一方面,提供了一种编码特征的确定方法,包括:
基于预设数据编码方式,将至少两个经典数据编码为目标量子态,其中,所述至少两个经典数据中的属于第一类别的第一经典数据编码为第一目标量子态,所述至少两个经典数据中的属于第二类别的第二经典数据编码为第二目标量子态;所述第一目标量子态属于所述第一类别,所述第二目标量子态属于所述第二类别;
基于属于所述第一类别的第一目标量子态以及属于所述第二类别的第二目标量子态,得到所述第一类别和所述第二类别的差异特征;
至少基于所述第一类别和所述第二类别的差异特征、属于所述第一类别的第一目标量子态的第一纯度特征以及属于所述第二类别的第二目标量子态的第二纯度特征,得到所述预设数据编码方式的编码特征。
根据本公开的另一方面,提供了一种模型处理方法,包括:
基于至少两个预设数据编码方式的编码特征,从所述至少两个预设数据编码方式中选取出目标数据编码方式;其中,所述预设数据编码方式的编码特征是基于以上所述的编码特征的确定方法得到;
基于所述目标数据编码方式,将待处理图像样本数据编码为目标量子态;
将编码后得到的目标量子态输入至量子神经网络进行模型处理。
根据本公开的再一方面,提供了一种编码特征的确定装置,包括:
编码单元,用于基于预设数据编码方式,将至少两个经典数据编码为目标量子态,其中,所述至少两个经典数据中的属于第一类别的第一经典数据编码为第一目标量子态,所述至少两个经典数据中的属于第二类别的第二经典数据编码为第二目标量子态;所述第一目标量子态属于所述第一类别,所述第二目标量子态属于所述第二类别;
差异特征处理单元,用于基于属于所述第一类别的第一目标量子态以及属于所述第二类别的第二目标量子态,得到所述第一类别和所述第二类别的差异特征;
编码特征确定单元,用于至少基于所述第一类别和所述第二类别的差异特征、属于所述第一类别的第一目标量子态的第一纯度特征以及属于所述第二类别的第二目标量子态的第二纯度特征,得到所述预设数据编码方式的编码特征。
根据本公开的再一方面,提供了一种模型处理装置,包括:
编码特征确定单元,用于基于至少两个预设数据编码方式的编码特征,从所述至少两个预设数据编码方式中选取出目标数据编码方式;其中,所述预设数据编码方式的编码特征是基于以上所述的编码特征的确定方法得到;
模型处理单元,用于基于所述目标数据编码方式,将待处理图像样本数据编码为目标量子态;将编码后得到的目标量子态输入至量子神经网络进行模型处理。
根据本公开的再一方面,提供了一种计算设备,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以上所述的方法。
根据本公开的再一方面,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,其中,所述计算机指令用于使所述计算机执行以上所述的方法。
根据本公开的再一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现以上所述的方法。
这样,提供了一种有效度量预设数据编码方式的方案,兼具适用性、有效性和通用性。
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
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开实施例编码特征的确定方法的实现流程示意图;
图2是根据本公开实施例模型处理方法的实现流程示意图;
图3是根据本公开实施例编码特征的确定方法在一具体示例中的实现流程示意图;
图4是根据本公开实施例待进行分类处理的手写数字图片的示意图;
图5是根据本公开实施例在一具体示例中的参数化量子电路的示意图;
图6(a)是根据本公开实施例编码特征的确定方法在一具体示例中角度编码电路的示意图;
图6(b)和图6(c)是根据本公开实施例编码特征的确定方法在一具体示例中的实验效果示意图;
图7是根据本公开实施例编码特征的确定装置的结构示意图;
图8是根据本公开实施例模型处理装置的结构示意图;
图9是用来实现本公开实施例的编码特征的确定方法的经典电子设备的框图。
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和精神。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。
需要说明的是,本公开方案,量子计算机(也即量子计算设备,或量子设备)指运行量子电路或参数化量子电路(Parameterized Quantum Circuits,PQC)的设备。这里,量子电路是描述量子计算机执行过程的一种工具,它通常由多个量子门组成,而每个量子门在数学上均可以通过酉矩阵表达,例如,H门的数学表示为:
在很多种量子门中有一类特殊的是参数化量子门,例如旋转门Ry(θ),它的数学表示为:
其中,θ是可以调整的参数。当量子电路中包含参数化量子门,则该量子电路即可称为参数化量子电路。
数据编码指将经典数据编码为量子态的过程。例如,经典数据为x0(此例中是一个标量),并假设量子计算机的初始量子态为|0>(|0>=[1,0]T,是一个向量;<0|=[1,0]),用于编码的量子门设为Ry(x0),此时,执行Ry(x0)门后量子计算机的状态(也即目标量子态)变为|x0>:
这样,通过上述数据编码方式将经典数据x0编码成了目标量子态|x0>。可以理解的是,上述数据编码方式仅为一个示例,实际应用中,还可以有其他的编码方式,本公开方案对具体的数据编码方式不作限制。
实际应用中,稳定的数据编码方式对量子计算机来说至关重要。例如,当使用量子计算机进行经典数据分类时,数据编码方式越稳定则分类的准确率会越高,因此,如何度量给定的不同数据编码方式,而且,使得度量指标与经典数据分类的准确率相匹配,即判断哪种数据编码方式更稳定成为一个亟待解决的问题。
具体地,本公开方案提供了一种编码特征的确定方法,如图1所示,包括:
步骤S101:基于预设数据编码方式,将至少两个经典数据编码为目标量子态,其中,所述至少两个经典数据中的属于第一类别的第一经典数据编码为第一目标量子态,所述至少两个经典数据中的属于第二类别的第二经典数据编码为第二目标量子态;所述第一目标量子态属于所述第一类别,所述第二目标量子态属于所述第二类别。
本公开方案中,所述经典数据为已知分类结果的经典数据。进一步地,所述经典数据可以具体为图像的特征向量,此时,分类结果可以具体为图像的识别结果,比如,在手写字符图像的识别场景中,该经典数据可以具体为手写字符图像的特征向量,相应地,识别结果为识别得到的字符等。
步骤S102:基于属于所述第一类别的第一目标量子态以及属于所述第二类别的第二目标量子态,得到所述第一类别和所述第二类别的差异特征。
这里,可以理解的是,在存在多个经典数据的场景中,此时,属于第一类别的第一目标量子态可能存在多个,相应地,属于第二类别的第二目标量子态也可能存在多个。
步骤S103:至少基于所述第一类别和所述第二类别的差异特征、属于所述第一类别的第一目标量子态的第一纯度特征以及属于所述第二类别的第二目标量子态的第二纯度特征,得到所述预设数据编码方式的编码特征。
可以理解的是,属于第一类别的第一目标量子态的第一纯度特征,可以具体为,属于第一类别的所有第一目标量子态的纯度;同理,属于所述第二类别的第二目标量子态的第二纯度特征,可以具体为属于第二类别的所有第二目标量子态的纯度。如此,通过如下信息,即基于所述第一类别和所述第二类别的差异特征、属于所述第一类别的第一目标量子态的第一纯度特征以及属于所述第二类别的第二目标量子态的第二纯度特征,即可得到该预设数据编码方式的编码特征,进而完成对该预设数据编码方式的性能的度量。
这样,本公开方案提供了一种度量数据编码方式性能的方案,能够基于度量结果,也即预设数据编码方式的编码特征(或称为度量指标),在无需进行训练模拟的情况下,得到该预设数据编码方式的性能,该方式简单且实用性强,如此,为得到高质量的数据编码方式提供了可量化支持,进而为体现出量子计算机处理经典数据的优势奠定了基础。
而且,由于本公开方案能够有效度量预设数据编码方式的性能,所以,为辅助数据编码方式的设计、进一步提高量子计算机解决实际问题的能力奠定了基础。
在本公开方案的一具体示例中,在存在三个或三个以上的类别的情况下,可以基于任意两个类别的差异特征、属于第i类别的第i目标量子态的第i纯度特征,得到所述预设数据编码方式的编码特征;具体地,在存在三个或三个以上的类别的情况下,得到任意两个类别的差异特征,比如,采用得到所述第一类别和所述第二类别的差异特征的方式,得到任意两个类别的差异特征。
进一步地,以上所述的至少基于所述第一类别和所述第二类别的差异特征、属于所述第一类别的第一目标量子态的第一纯度特征以及属于所述第二类别的第二目标量子态的第二纯度特征,得到所述预设数据编码方式的编码特征,具体包括:
在存在三个或三个以上的类别的情况下,从任意两个类别的差异特征中选取出目标差异特征;
从所述属于第i类别的第i目标量子态的第i纯度特征中,选取出第一目标纯度特征;所述i为大于等于1的自然数;所述i小于等于总类别数C,所述C为大于等于2的自然数。对于分类问题而言,C还可称为总分类数。
基于所述目标差异特征以及所述第一目标纯度特征,得到所述预设数据编码方式的编码特征。
可以理解的是,在存在三个或三个以上类别的情况下,可参照得到第一类别和第二类别的差异特征的方式,来得到任意两个类别的差异特征;同理,可参考得到第一纯度特征或第二纯度特征的方式,来得到属于第i类别的第i目标量子态的第i纯度特征。
这样,本公开方案同样适用于多分类问题,即本公开方案提供了一种针对多分类问题的预设数据编码方式的可行、有效的度量方案;而且,能够在无需进行训练模拟的情况下,得到预设数据编码方式的性能,兼具适用性和通用性。
在本公开方案的一具体示例中,所述目标差异特征为最大差异特征,且所述第一目标纯度特征为最大纯度特征;或者,所述目标差异特征为最小差异特征,且所述第一目标纯度特征为最小纯度特征。
在一具体示例中,目标差异特征为所有差异特征中的最大值,即最大差异特征,同理,所述第一目标纯度特征也为所有纯度特征中的最大值,也即最大纯度特征,如此,得到的预设数据编码方式的编码特征即也为最大值。这里,实际应用中,不同类别的经典数据编码成的不同量子态的差异越大,即两个类别的差异特征越大,说明预设数据编码方式性能越忧;而且,各类别内部的经典数据尽可能编码成同一个量子态,即属于同一类别的量子态的纯度越大,说明预设数据编码方式性能越忧,基于此,得到的预设数据编码方式的编码特征为当前预设数据编码方式在最优情况下的数值,如此,为度量不同预设数据编码方式提供了可行、解释性强的度量标准。
在另一具体示例中,目标差异特征为所有差异特征中的最小值,即最小差异特征,同理,所述第一目标纯度特征也为所有纯度特征中的最小值,也即最小纯度特征,如此,得到的预设数据编码方式的编码特征即也为最小值。这里,实际应用中,不同类别的经典数据编码成的不同量子态的差异越小,即两个类别的差异特征越小,说明预设数据编码方式性能越差;而且,各类别内部的经典数据尽可能编码成同一个量子态,即属于同一类别的量子态的纯度越大,说明预设数据编码方式性能越忧,相反,纯度越小,说明预设数据编码方式性能越差;基于此,本示例中得到的预设数据编码方式的编码特征为当前预设数据编码方式在最差情况下的数值,如此,为度量不同预设数据编码方式提供了可行、解释性强的度量标准。
可以理解的是,本公开方案给出的两种可行方案,在实际应用中,可以基于实际需求进行选择,本公开方案对此不作限制,只要待度量的不同的预设数据编码方式采用相同的度量标准进行比较即可。
这样,本公开方案所提供的度量方式,简单、可行,而且,可解释性强,即能够通过物理含义来解释为何某种数据编码方式更好,因此,可以为进一步设计或优化数据编码方式提供一种参考视角。
在本公开方案的一具体示例中,还可以采用如下方式,得到第一类别和第二类别的差异特征,具体地:基于属于所述第一类别的第一目标量子态,得到第一中心量子态;基于属于所述第二类别的第二目标量子态,得到第二中心量子态;基于此,以上所述的基于属于所述第一类别的第一目标量子态以及属于所述第二类别的第二目标量子态,得到所述第一类别和所述第二类别的差异特征,具体包括:基于所述第一中心量子态和所述第二中心量子态,得到所述第一类别和所述第二类别的差异特征。这样,提供了一种有效度量两个类别之间的差异特征的方案,而且,该度量方式能够通过物理含义来解释,可解释性强,为后续有效度量数据编码方式的性能优劣奠定了基础。
在本公开方案的一具体示例中,可以采用如下方式得到第一中心量子态,具体地,以上所述的基于属于所述第一类别的第一目标量子态,得到第一中心量子态,具体包括:至少基于属于所述第一类别的第一目标量子态的数量,以及属于所述第一类别的第一目标量子态,得到所述第一中心量子态。这样,提供了一种得到中心量子态的可行方案,且该方案简单,如此,为后续有效度量数据编码方式的性能优劣奠定了基础。
在本公开方案的一具体示例中,可以采用如下方式得到第二中心量子态,具体地,以上所述的基于属于所述第二类别的第二目标量子态,得到第二中心量子态,具体包括:至少基于属于所述第二类别的第二目标量子态的数量,以及属于所述第二类别的第二目标量子态,得到所述第二中心量子态。这样,提供了一种得到中心量子态的可行方案,且该方案简单,如此,为后续有效度量数据编码方式的性能优劣奠定了基础。
举例来说,可以采用如下方式得到中心量子态;本示例中,量子态通过密度矩阵来表示,比如量子态|0>对应的密度矩阵ρ可以表示为
其中,ρi为第i类别的第i目标量子态的第i中心量子态,即对于i=0而言,ρ0则为属于第一类别的各第一目标量子态的第一中心量子态,同理,对于i=1而言,ρ1则为属于第二类别的第二目标量子态的第二中心量子态。Ni表示属于第i类别的经典数据(或目标量子态)的数量。这里,可以理解的是,属于第i类别的经典数据在编码为目标量子态后,该转换后得到的目标量子态也属于该第i类别。
可以理解的是,以上中心量子态的确定过程仅是示例性说明,实际应用中,还可以基于需求选取其他确定方式,本公开方案对此不作限制。
在本公开方案的一具体示例中,可以采用如下方式来得到第一类别和第二类别的差异特征,具体地,以上所述的基于所述第一中心量子态和所述第二中心量子态,得到所述第一类别和所述第二类别的差异特征,具体包括:得到所述第一中心量子态与所述第二中心量子态之间的迹距离;将所述第一中心量子态与所述第二中心量子态之间的迹距离作为所述第一类别和所述第二类别的差异特征。这样,进一步提供了一种有效度量两个类别之间的差异特征的方案,而且,该度量方式能够通过物理含义来解释,可解释性强,为后续有效度量数据编码方式的性能优劣奠定了基础。
在本公开方案的一具体示例中,还可以采用如下方式得到纯度特征;具体地,基于所述第一中心量子态,得到属于所述第一类别的第一目标量子态的所述第一纯度特征;基于所述第二中心量子态,得到属于所述第二类别的第二目标量子态的所述第二纯度特征;至少从所述第一纯度特征和所述第二纯度特征中选取出第二目标纯度特征。
基于此,以上所述的至少基于所述第一类别和所述第二类别的差异特征、属于所述第一类别的第一目标量子态的第一纯度特征以及属于所述第二类别的第二目标量子态的第二纯度特征,得到所述预设数据编码方式的编码特征,具体包括:至少基于所述第一类别和所述第二类别的差异特征,以及所述第二目标纯度特征,得到所述预设数据编码方式的编码特征。
这里,可以理解的是,在二分类场景中,即仅两个类别(如第一类别和第二类别)的场景下,此时,基于所述第一类别和所述第二类别的差异特征,以及第二目标纯度特征即可得到预设数据编码方式的编码特征。而对于多分类(即三个或三个类别以上的场景而言),此时,需要基于任意两个类别的差异特征,以及以上得到的第一目标纯度特征(即从所述属于第i类别的第i目标量子态的第i纯度特征中,选取出第一目标纯度特征),来得到所述预设数据编码方式的编码特征。
这里,ρ0为属于第一类别的第一目标量子态的中心量子态,本示例称为第一中心量子态;第一目标量子态为基于预设数据编码方式将属于第一类别的经典数据x0进行编编码后所得到的量子态同理,ρ1为属于第二类别的第二目标量子态的中心量子态,本示例称为第二中心量子态;第二目标量子态为基于预设数据编码方式将属于第二类别的经典数据x1进行编编码后所得到的量子态进一步地,TD(ρ0,ρ1)表示第一中心量子态ρ0和第二中心量子态ρ1之间的迹距离,也即第一类别和第二类别的差异特征;表示第一中心量子态ρ0的纯度,同理,表示第二中心量子态ρ1的纯度。即为从和中选取出的第二目标纯度特征。
可以理解的是,该示例以第二目标纯度特征为最小纯度特征为例进行说明,实际应用中,还可以将最大纯度特征作为第二目标纯度特征,本公开方案对此不作限制,只要待度量的不同的预设数据编码方式采用相同的度量标准进行比较即可。
再举例来说,对于C(总分类数,为大于等于2的自然数)种分类结果而言,此时,所述预设数据编码方式的编码特征可以通过下述公式得到:
其中,ρi为属于C类别中的第i类别的第i目标量子态的中心量子态,本示例称为第i中心量子态;第i目标量子态为基于预设数据编码方式将属于第i类别的经典数据进行编编码后所得到的量子态;同理,ρj为属于C类别中的第j类别的第j目标量子态的中心量子态,本示例称为第j中心量子态;第j目标量子态为基于预设数据编码方式将属于第j类别的经典数据进行编编码后所得到的量子态;TD(ρi,ρj)表征第i中心量子态ρi与第j中心量子态ρj之间的迹距离,也第i类别与第j类别的差异特征。表征第i中心量子态ρi的纯度。min{TD(ρi,ρj)|i≠j,i=1,2,…,C,j=1,2,…,C}为从任意两个类别的差异特征中选取出目标差异特征;为从中选取出的第一目标纯度特征。
同理,可以理解的是,该示例以目标差异特征为最小差异特征,第一目标纯度特征为最小纯度特征为例进行说明,实际应用中,还可以将最大差异特征作为目标差异特征,以及将最大纯度特征作为第一目标纯度特征,只要待度量的不同的预设数据编码方式采用相同的度量标准进行比较即可,本公开方案对此不作限制。
这样,即本公开方案提供了一种针对二分类问题,或多分类问题的预设数据编码方式的可行、有效的度量方案;而且,能够在无需进行训练模拟的情况下,得到预设数据编码方式的性能,兼具适用性和通用性。同时,该度量方式能够通过物理含义来解释,可解释性强
在本公开方案的一具体示例中,所述第二目标纯度特征为最大纯度特征或最小纯度特征。也就是说,所述第二目标纯度特征为第一纯度特征和第二纯度特征中的最大值,也即最大纯度特征,如此,得到的预设数据编码方式的编码特征即也为最大值。或者,所述第二目标纯度特征为第一纯度特征和第二纯度特征中的最小值,也即最小纯度特征,如此,得到的预设数据编码方式的编码特征即也为最小值。这样,本公开方案所提供的度量方式,简单、可行,而且,可解释性强,即能够通过物理含义来解释为何某种数据编码方式更好,因此,可以为进一步设计或优化数据编码方式提供一种参考视角。
这样,本公开方案兼具实用性、有效性和通用性,能够用于评价适用于近期量子设备的数据编码方式,而且,可以有效的区分不同数据编码方式的性能优劣;同时,本公开方案适用于任何数据编码方式的性能评价。
另外,与现有方案相比,本公开方案所提供的度量方法,无需通过训练模型求解结果来确定数据编码方式的性能,因此,度量效率更高。而且,本公开方案与PQC无关,只需知晓经典数据,以及预设数据编码方式即可得到该预设数据编码方式的性能,适用范围更广。
再有,本公开方案有效借助量子态之间的迹距离、纯度等性质来实现度量,因此,具有很强的可解释性。如此,进一步为数据编码方式的设计提供一种量子信息的视角。
本公开方案还提供了一种模型处理方法,如图2所示,包括:
步骤S201:基于至少两个预设数据编码方式的编码特征,从所述至少两个预设数据编码方式中选取出目标数据编码方式;其中,所述预设数据编码方式的编码特征是基于以上所述的方法得到。
步骤S202:基于所述目标数据编码方式,将待处理图像样本数据编码为目标量子态。
步骤S203:将编码后得到的目标量子态输入至量子神经网络进行模型处理。
可以理解的是,本公开方案可以应用于模型训练装置,比如,服务器、服务器集群、笔记本电脑等具有计算能力的经典计算设备或量子计算设备,本公开方案对此不作限制。
可以理解的是,所述模型处理,可以具体为模型训练,即基于本公开方案所得到编码特征选取出的目标数据编码方式,来编码待进行模型训练的样本数据,即待处理图像样本数据(比如,为将样本图像进行特征提出后得到的向量),如此,来提升模型训练的精度,最大化避免由于数据编码方式不合理而导致的模型训练效果不佳的问题。
这样,本公开方案有效提升了模型处理的精度,最大化避免了由于数据编码方式不合理而导致的模型训练效果不佳的问题,进而为解决实际问题提供了技术支持。
以下结合具体示例对本公开方案做进一步详细说明;本公开方案充分利用了量子信息的原理和数据编码的物理意义,来评价不同数据编码方式的性能;这里,为了便于描述,本示例以二分类(已知分类结果包括第一类别和第二类别)问题为例进行介绍,对于C(大于等于2的正整数)分类问题而言,均可参照下述二分类问题来进行处理。
具体地,针对二分类问题而言,度量指标(metric)可具体表征为:
其中,ρ0为属于第一类别的第一目标量子态的中心量子态,本示例称为第一中心量子态;第一目标量子态为基于预设数据编码方式将属于第一类别的经典数据x0进行编码后所得到的量子态同理,ρ1为属于第二类别的第二目标量子态的中心量子态,本示例称为第二中心量子态;第二目标量子态为基于预设数据编码方式将属于第二类别的经典数据x1进行编码后所得到的量子态
进一步地,TD(ρ0,ρ1)表示第一中心量子态ρ0和第二中心量子态ρ1之间的迹距离,TD(ρ0,ρ1)值越大表示第一中心量子态ρ0和第二中心量子态ρ1之间的差别越大,也即第一类别和第二类别的差异特征越大;表示第一中心量子态ρ0的纯度,同理,表示第二中心量子态ρ1的纯度,纯度越高说明属于同一个类的目标量子态越接近;举例来说,越高,则说明属于第一类别的各第一目标量子态越接近;同理,越高,则说明属于第二类别的各第二目标量子态越接近。
这里,实际应用中,可以采用如下方式得到中心量子态;本示例中,量子态通过密度矩阵来表示,比如量子态|0>对应的密度矩阵ρ可以表示为
其中,ρi为第i类别的第i目标量子态的第i中心量子态,即对于i=0而言,ρ0则为属于第一类别的各第一目标量子态的第一中心量子态,同理,对于i=1而言,ρ1则为属于第二类别的第二目标量子态的第二中心量子态。Ni表示属于第i类别的经典数据(或目标量子态)的数量。这里,可以理解的是,属于第i类别的经典数据在编码为目标量子态后,该转换后得到的目标量子态也属于该第i类别。
可以理解的是,以上中心量子态的确定过程仅是示例性说明,实际应用中,还可以基于需求选取其他确定方式,本公开方案对此不作限制。
基于此,对于二分类问题而言,通过上述metric公式即可得到待度量的数据编码方式(也即预设数据编码方式)的编码特征,如此,即可对不同的预设数据编码方式进行度量。
这里,上述metric公式的物理意义为:稳定的数据编码方式需要满足如下特点:
第一特点,即不同类别的经典数据编码成的不同量子态的差异较大;举例来说,对于二分类问题而言,第一中心量子态ρ0和第一中心量子态ρ1的差异越大越好,如迹距离越大越好。
综上,度量指标metric的值越大表明当前所度量的预设数据编码方式越好。
因此,本公开方案无需进行模型训练即可有效度量预设数据编码方式的性能,提升了度量效率。而且,本公开方案的度量指标metric具有深刻的物理意义,有很强的可解释性,为推广应用奠定了基础。
以下结合具体附图,对本公开方案的具体步骤做进行说明,如图3所示,包括:
步骤1:输入,即输入包含有N条数据的经典数据集合D={(xi,yi)|i=1,2,…,N}和待评价的数据编码方式(也即预设数据编码方式)E。其中xi为经典数据,比如可以是向量或者标量,yi=0或1表示经典数据所属的类别。这里,已知xi属于第一类别0,或者属于第二类别1;对于二分类问题而言,已知属于第一类别0的经典数据共N0个,属于第二类别1的经典数据共N1个,即N0+N1=N。
这里,可以理解的是,待考察的数据编码方式是输入变量,实际应用中,可由使用者基于实际需求而确定,本公开方案数据编码方式不作限制。
步骤3:基于量子态集合SE分别计算每个类别对应的中心量子态,即基于属于第一类别的第一目标量子态,计算得到第一类别的第一中心量子态ρ0,以及基于属于第二类别的第二目标量子态,计算得到第二类别的第二中心量子态ρ1;并计算类别之间(也即中心量子态之间的)的迹距离,记为TD(ρ0,ρ1);
步骤5:基于如下公式,得到该预设数据编码方式E的编码特征,即该预设数据编码方式E的编码特征metric:
步骤6:输出,即输出预设数据编码方式E的编码特征metric,该metric的值即可作为预设数据编码方式的度量指标。
这里,metric值越大表示预设数据编码方式越稳定,越有利于量子计算机进行经典的信息处理。
需要说明的是,上述本公开方案的上述过程可以在经典计算机上完成;进一步地,实际应用中,为了提升处理效率,对于经典计算机很难模拟的量子系统(比如量子态对应的矩阵规模太大导致经典计算机无法处理),可以使用量子计算机来完成。比如,使用Swaptest技术在量子计算机上计算得到和使用变分量子算法计算得到TD(ρ0,ρ1)。
进一步地,可以理解的是,上述过程同样适用于多分类问题,比如,对于C分类问题,即包括C种分类结果而言,本公开方案的度量指标可以具体为:
其中,ρi为属于C类别中的第i类别的第i目标量子态的中心量子态,本示例称为第i中心量子态;第i目标量子态为基于预设数据编码方式将属于第i类别的经典数据进行编编码后所得到的量子态;同理,ρj为属于C类别中的第j类别的第j目标量子态的中心量子态,本示例称为第j中心量子态;第j目标量子态为基于预设数据编码方式将属于第j类别的经典数据进行编编码后所得到的量子态;TD(ρi,ρj)表征第i中心量子态ρi与第j中心量子态ρj之间的迹距离。表征第i中心量子态ρi的纯度。
这样,本方案充分利用了量子信息的原理,以及经典数据编码量子态后的物理意义,来有效度量指定的数据编码方式(也即预设数据编码方式),具有如下优点:对于数据编码问题,本方案的帮助体现在以下几个方面:
第一,本公开方案所提供的度量方法,无需具体的训练模拟,即可有效的评价不同数据编码方式的性能优劣,简单、实用性强;而且,本公开方案metric较高的数据编码方式在近期的量子设备上表现也很好。
第二,本公开方案提供的度量方法具有深刻的物理意义,相较于现有直接使用求解问题的结果来评价数据编码方式(可解释性不强)的方案,本公开方案提供的度量方法可解释性强,能够通过物理含义来解释为何某种数据编码方式更好,因此,可以为进一步设计或优化数据编码方式提供一种参考视角。
第三,本公开方案不局限于具体数据编码方式,也不局限于分类的问题,比如可以是二分类问题,还可以是多分类问题,因此,通用性强。
以下结合具体案例对本公开方案做进一步验证,具体地,当使用量子计算机求解一个分类问题时,不同的数据编码方式对分类准确率影响较大,而使用本公开方案所提供的度量方法能够帮助量子计算机选出一种稳定的数据编码方式;为了说明本公开方案metric的有效性,以识别手写数字图片为例来说明metric值越大的数据编码方式的分类准确率越高。
本示例中使用量子神经网络(Quantum Neural Network,QNN)对经典数据集MNIST进行分类,这里,为了简单起见,本示例以二分类为例进行说明,即对图4所示的手写数字“3”和“6”图片进行分类。
这里,本示例中,所述量子神经网络主要包括数据编码电路和PQC两部分,其中,所述数据编码电路指将经典数据编码成量子态所需执行的量子电路,例如,Ry(x0)即为其中一种数据编码电路。虽然数据编码电路中也使用了参数化量子门,但是其中的参数是固定的输入数据,不会在模型训练过程中改变,而PQC中的参数在模型训练过程中会发生改变;这里,在本示例在不加说明时即表示数据编码电路和PQC为两类电路。
进一步地,如图5所示,本示例所使用的PQC包括n个量子比特,且具有多层电路结构,各层电路结构相同;具体地,每层电路结构中相邻两个量子比特之间作用有CNOT门,第一个量子比特与最后一个量子比特之间作用有一个受控非门(CNOT门);进一步地,每层电路结构中各量子比特均作用有一个U3(θij,φij,λij);其中U3(θij,φij,λij)为参数化量子门,θij,φij,λij是可变参数。本示例以n=6,且电路深度为8,也即包含有8层电路结构为例进行说明,即i=1,2,…,6,j=1,2,…,8。Z表示量子测量操作,<Z>表示执行多次量子测量操作后得到的期望值。
这里,由于<Z>的取值范围为[-1,1],为了实现二分类,需要对<Z>进行后处理,并得到<Z>*0.5+0.5。基于此,QNN分类器(即用于处理分类问题的量子神经网络)即可定义为:
这里,f表征QNN分类器,X为经典数据,是QNN分类器的输入信息;输入信息经由QNN分类器中的数据编码电路编码成量子态后,再经由QNN分类器中的PQC进行处理,得到分类结果,并输出分类结果y。
进一步地,QNN分类器的准确率ACC(Accuracy)定义如下:
这里,所述M指测试QNN分类器准确率所需要使用的数据量。这里,如果f(Xi)=yi则I(f(Xi),yi)=1,否则I(f(Xi),yi)=0。
进一步地,本示例考察了振幅编码(Amplitude Encoding)方式、角度编码(AngleEncoding)方式、复纠缠编码(Complex Entangled Encoding)方式、泡利旋转编码(Paulirotation Encoding)方式以及瞬时量子多项式编码(IQP Encoding)方式,共5种数据编码方式;如图6(a)所示,示例性地给出了一种角度编码方式所使用的角度编码电路,该角度编码电路包括6个量子比特;输入信息X=(x0,x1,…,x15)T,表示28×28的手写数字图片通过数据降维处理后得到的16维的向量。默认每个量子比特初始的量子态为|0>;将该角度编码电路对所述输入信息X进行处理后,即可将经典数据X编码为量子态。
进一步地,如图6(b)所示,基于本公开方案所述的度量方法,得到上述五种数据编码方式的metric的数值。进一步地,图6(b)给出了上述五种数据编码方式所对应的分类准确率。结合图6(b)和图6(c)可知,本公开方案的数据编码方式的metric的数值能够与QNN的分类准确率相匹配,即数据编码方式对应的metric数值越大,QNN分类器准确率越高,因此证明本公开方案的度量方式有效性。
这里,需要注意的是,本示例给出的PQC以及QNN的输出方式(即量子测量操作Z及期望值<Z>)仅为示例性的,本公开方案对此不作具体限制。即实际应用中,只要构造出的QNN可用于分类问题即可。
本公开方案还提供了一种编码特征的确定装置,如图7所示,包括:
编码单元701,用于基于预设数据编码方式,将至少两个经典数据编码为目标量子态,其中,所述至少两个经典数据中的属于第一类别的第一经典数据编码为第一目标量子态,所述至少两个经典数据中的属于第二类别的第二经典数据编码为第二目标量子态;所述第一目标量子态属于所述第一类别,所述第二目标量子态属于所述第二类别;
差异特征处理单元702,用于基于属于所述第一类别的第一目标量子态以及属于所述第二类别的第二目标量子态,得到所述第一类别和所述第二类别的差异特征;
编码特征确定单元703,用于至少基于所述第一类别和所述第二类别的差异特征、属于所述第一类别的第一目标量子态的第一纯度特征以及属于所述第二类别的第二目标量子态的第二纯度特征,得到所述预设数据编码方式的编码特征。
在本公开方案的一具体示例中,所述编码特征确定单元,具体用于在存在三个或三个以上的类别的情况下,得到任意两个类别的差异特征;从任意两个类别的差异特征中选取出目标差异特征;从所述属于第i类别的第i目标量子态的第i纯度特征中,选取出第一目标纯度特征;所述i为大于等于1的自然数;基于所述目标差异特征以及所述第一目标纯度特征,得到所述预设数据编码方式的编码特征。
在本公开方案的一具体示例中,所述目标差异特征为最大差异特征,且所述第一目标纯度特征为最大纯度特征;或者,所述目标差异特征为最小差异特征,且所述第一目标纯度特征为最小纯度特征。
在本公开方案的一具体示例中,所述差异特征处理单元,还用于基于属于所述第一类别的第一目标量子态,得到第一中心量子态;基于属于所述第二类别的第二目标量子态,得到第二中心量子态;基于所述第一中心量子态和所述第二中心量子态,得到所述第一类别和所述第二类别的差异特征。
在本公开方案的一具体示例中,所述差异特征处理单元,具体用于至少基于属于所述第一类别的第一目标量子态的数量,以及属于所述第一类别的第一目标量子态,得到所述第一中心量子态。
在本公开方案的一具体示例中,所述差异特征处理单元,具体用于至少基于属于所述第二类别的第二目标量子态的数量,以及属于所述第二类别的第二目标量子态,得到所述第二中心量子态。
在本公开方案的一具体示例中,所述差异特征处理单元,具体用于得到所述第一中心量子态与所述第二中心量子态之间的迹距离;将所述第一中心量子态与所述第二中心量子态之间的迹距离作为所述第一类别和所述第二类别的差异特征。
在本公开方案的一具体示例中,所述编码特征确定单元,还用于基于所述第一中心量子态,得到属于所述第一类别的第一目标量子态的所述第一纯度特征;基于所述第二中心量子态,得到属于所述第二类别的第二目标量子态的所述第二纯度特征;至少从所述第一纯度特征和所述第二纯度特征中选取出第二目标纯度特征;至少基于所述第一类别和所述第二类别的差异特征,以及所述第二目标纯度特征,得到所述预设数据编码方式的编码特征。
在本公开方案的一具体示例中,所述第二目标纯度特征为最大纯度特征或最小纯度特征。
上述装置中各单元具体功能可参照上述模型训练方法的相关描述,这里不再赘述。
可以理解的是,本公开方案所述的编码特征的确定装置可以具体为经典计算设备,也可以为量子计算设备,或者兼具经典计算功能和量子计算功能的计算设备,本公开方案对此不作限制。
本公开方案还提供了一种模型处理装置,如图8所示,包括:
编码特征确定单元801,用于基于至少两个预设数据编码方式的编码特征,从所述至少两个预设数据编码方式中选取出目标数据编码方式;其中,所述预设数据编码方式的编码特征是基于以上所述的编码特征的确定方法得到;
模型处理单元802,用于基于所述目标数据编码方式,将待处理图像样本数据编码为目标量子态;将编码后得到的目标量子态输入至量子神经网络进行模型处理。
上述装置中各单元具体功能可参照上述模型训练方法的相关描述,这里不再赘述。
同理,可以理解的是,本公开方案所述的模型处理装置可以具体为经典计算设备,也就是说,上述各单元运行于经典计算设备,比如个人电脑或服务器等经典计算设备上;或者,本公开方案所述的模型处理装置可以为量子计算设备,也就是说,上述各单元运行于量子计算设备,比如量子计算机上;再或者,本公开方案所述的模型处理装置可以为兼具经典计算功能和量子计算功能的计算设备,也就是说,上述部分单元通过量子计算功能实现,另外部分单元通过经典计算功能实现,或者,上述各单元中的部分功能通过量子计算功能实现,另外部分功能通过经典计算功能实现,本公开方案对此不作限制。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,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,本公开还提供了一种计算设备、一种可读存储介质和一种计算机程序产品。
这里,所述计算设备可具体为经典计算设备,还可以具体为量子计算设备,或者兼具经典计算功能和量子计算功能的计算设备,本公开方案对此不作限制。
以下以计算设备具体为经典电子设备(以下简称电子设备)为例进行说明;具体地,图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机,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9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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。
计算单元901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901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901执行上文所描述的各个方法和处理,例如编码特征的确定方法。例如,在一些实施例中,编码特征的确定方法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908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的编码特征的确定方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行编码特征的确定方法。
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执行也可以不同的次序执行,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。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (23)
1.一种编码特征的确定方法,包括:
基于预设数据编码方式,将至少两个经典数据编码为目标量子态,其中,所述至少两个经典数据中的属于第一类别的第一经典数据编码为第一目标量子态,所述至少两个经典数据中的属于第二类别的第二经典数据编码为第二目标量子态;所述第一目标量子态属于所述第一类别,所述第二目标量子态属于所述第二类别;
基于属于所述第一类别的第一目标量子态以及属于所述第二类别的第二目标量子态,得到所述第一类别和所述第二类别的差异特征;
至少基于所述第一类别和所述第二类别的差异特征、属于所述第一类别的第一目标量子态的第一纯度特征以及属于所述第二类别的第二目标量子态的第二纯度特征,得到所述预设数据编码方式的编码特征。
2.根据权利要求1所述的方法,还包括:
在存在三个或三个以上的类别的情况下,得到任意两个类别的差异特征;
其中,所述至少基于所述第一类别和所述第二类别的差异特征、属于所述第一类别的第一目标量子态的第一纯度特征以及属于所述第二类别的第二目标量子态的第二纯度特征,得到所述预设数据编码方式的编码特征,包括:
在存在三个或三个以上的类别的情况下,从任意两个类别的差异特征中选取出目标差异特征;
从所述属于第i类别的第i目标量子态的第i纯度特征中,选取出第一目标纯度特征;所述i为大于等于1的自然数;
基于所述目标差异特征以及所述第一目标纯度特征,得到所述预设数据编码方式的编码特征。
3.根据权利要求2所述的方法,其中,所述目标差异特征为最大差异特征,且所述第一目标纯度特征为最大纯度特征;或者,所述目标差异特征为最小差异特征,且所述第一目标纯度特征为最小纯度特征。
4.根据权利要求1至3任一项所述的方法,还包括:
基于属于所述第一类别的第一目标量子态,得到第一中心量子态;
基于属于所述第二类别的第二目标量子态,得到第二中心量子态;
其中,所述基于属于所述第一类别的第一目标量子态以及属于所述第二类别的第二目标量子态,得到所述第一类别和所述第二类别的差异特征,包括:
基于所述第一中心量子态和所述第二中心量子态,得到所述第一类别和所述第二类别的差异特征。
5.根据权利要求4所述的方法,其中,所述基于属于所述第一类别的第一目标量子态,得到第一中心量子态,包括:
至少基于属于所述第一类别的第一目标量子态的数量,以及属于所述第一类别的第一目标量子态,得到所述第一中心量子态。
6.根据权利要求4或5所述的方法,其中,所述基于属于所述第二类别的第二目标量子态,得到第二中心量子态,包括:
至少基于属于所述第二类别的第二目标量子态的数量,以及属于所述第二类别的第二目标量子态,得到所述第二中心量子态。
7.根据权利要求4至6任一项所述的方法,其中,所述基于所述第一中心量子态和所述第二中心量子态,得到所述第一类别和所述第二类别的差异特征,包括:
得到所述第一中心量子态与所述第二中心量子态之间的迹距离;
将所述第一中心量子态与所述第二中心量子态之间的迹距离作为所述第一类别和所述第二类别的差异特征。
8.根据权利要求4至7任一项所述的方法,还包括:
基于所述第一中心量子态,得到属于所述第一类别的第一目标量子态的所述第一纯度特征;
基于所述第二中心量子态,得到属于所述第二类别的第二目标量子态的所述第二纯度特征;
至少从所述第一纯度特征和所述第二纯度特征中选取出第二目标纯度特征;
其中,所述至少基于所述第一类别和所述第二类别的差异特征、属于所述第一类别的第一目标量子态的第一纯度特征以及属于所述第二类别的第二目标量子态的第二纯度特征,得到所述预设数据编码方式的编码特征,包括:
至少基于所述第一类别和所述第二类别的差异特征,以及所述第二目标纯度特征,得到所述预设数据编码方式的编码特征。
9.根据权利要求8所述的方法,其中,所述第二目标纯度特征为最大纯度特征或最小纯度特征。
10.一种模型处理方法,包括:
基于至少两个预设数据编码方式的编码特征,从所述至少两个预设数据编码方式中选取出目标数据编码方式;其中,所述预设数据编码方式的编码特征是基于权利要求1至权利要求9任一项所述方法得到;
基于所述目标数据编码方式,将待处理图像样本数据编码为目标量子态;
将编码后得到的目标量子态输入至量子神经网络进行模型处理。
11.一种编码特征的确定装置,包括:
编码单元,用于基于预设数据编码方式,将至少两个经典数据编码为目标量子态,其中,所述至少两个经典数据中的属于第一类别的第一经典数据编码为第一目标量子态,所述至少两个经典数据中的属于第二类别的第二经典数据编码为第二目标量子态;所述第一目标量子态属于所述第一类别,所述第二目标量子态属于所述第二类别;
差异特征处理单元,用于基于属于所述第一类别的第一目标量子态以及属于所述第二类别的第二目标量子态,得到所述第一类别和所述第二类别的差异特征;
编码特征确定单元,用于至少基于所述第一类别和所述第二类别的差异特征、属于所述第一类别的第一目标量子态的第一纯度特征以及属于所述第二类别的第二目标量子态的第二纯度特征,得到所述预设数据编码方式的编码特征。
12.根据权利要求11所述的装置,其中,所述编码特征确定单元,具体用于在存在三个或三个以上的类别的情况下,得到任意两个类别的差异特征;从任意两个类别的差异特征中选取出目标差异特征;从所述属于第i类别的第i目标量子态的第i纯度特征中,选取出第一目标纯度特征;所述i为大于等于1的自然数;基于所述目标差异特征以及所述第一目标纯度特征,得到所述预设数据编码方式的编码特征。
13.根据权利要求12所述的装置,其中,所述目标差异特征为最大差异特征,且所述第一目标纯度特征为最大纯度特征;或者,所述目标差异特征为最小差异特征,且所述第一目标纯度特征为最小纯度特征。
14.根据权利要求10至13任一项所述的装置,其中,所述差异特征处理单元,还用于基于属于所述第一类别的第一目标量子态,得到第一中心量子态;基于属于所述第二类别的第二目标量子态,得到第二中心量子态;基于所述第一中心量子态和所述第二中心量子态,得到所述第一类别和所述第二类别的差异特征。
15.根据权利要求14所述的装置,其中,所述差异特征处理单元,具体用于至少基于属于所述第一类别的第一目标量子态的数量,以及属于所述第一类别的第一目标量子态,得到所述第一中心量子态。
16.根据权利要求14或15所述的装置,其中,所述差异特征处理单元,具体用于至少基于属于所述第二类别的第二目标量子态的数量,以及属于所述第二类别的第二目标量子态,得到所述第二中心量子态。
17.根据权利要求14至16任一项所述的装置,其中,所述差异特征处理单元,具体用于得到所述第一中心量子态与所述第二中心量子态之间的迹距离;将所述第一中心量子态与所述第二中心量子态之间的迹距离作为所述第一类别和所述第二类别的差异特征。
18.根据权利要求14至17任一项所述的装置,其中,所述编码特征确定单元,还用于基于所述第一中心量子态,得到属于所述第一类别的第一目标量子态的所述第一纯度特征;基于所述第二中心量子态,得到属于所述第二类别的第二目标量子态的所述第二纯度特征;至少从所述第一纯度特征和所述第二纯度特征中选取出第二目标纯度特征;至少基于所述第一类别和所述第二类别的差异特征,以及所述第二目标纯度特征,得到所述预设数据编码方式的编码特征。
19.根据权利要求18所述的装置,其中,所述第二目标纯度特征为最大纯度特征或最小纯度特征。
20.一种模型处理装置,包括:
编码特征确定单元,用于基于至少两个预设数据编码方式的编码特征,从所述至少两个预设数据编码方式中选取出目标数据编码方式;其中,所述预设数据编码方式的编码特征是基于权利要求1至权利要求9任一项所述方法得到;
模型处理单元,用于基于所述目标数据编码方式,将待处理图像样本数据编码为目标量子态;将编码后得到的目标量子态输入至量子神经网络进行模型处理。
21.一种计算设备,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中任一项所述的方法。
22.一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中任一项所述的方法。
23.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210270238.0A CN114580643B (zh) | 2022-03-18 | 2022-03-18 | 确定方法、模型处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210270238.0A CN114580643B (zh) | 2022-03-18 | 2022-03-18 | 确定方法、模型处理方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114580643A true CN114580643A (zh) | 2022-06-03 |
CN114580643B CN114580643B (zh) | 2023-04-28 |
Family
ID=81782301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210270238.0A Active CN114580643B (zh) | 2022-03-18 | 2022-03-18 | 确定方法、模型处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114580643B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117974816A (zh) * | 2024-03-29 | 2024-05-03 | 苏州元脑智能科技有限公司 | 选取数据编码方式的方法、装置、计算机设备及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108780129A (zh) * | 2016-02-12 | 2018-11-09 | 耶鲁大学 | 用于控制量子系统的技术及相关系统和方法 |
CN111353607A (zh) * | 2020-03-31 | 2020-06-30 | 合肥本源量子计算科技有限责任公司 | 一种量子态判别模型的获得方法、装置 |
CN111615709A (zh) * | 2017-12-21 | 2020-09-01 | 哈佛学院院长等 | 在量子计算机上制备相关费米态 |
CN112001498A (zh) * | 2020-08-14 | 2020-11-27 | 苏州浪潮智能科技有限公司 | 基于量子计算机的数据识别方法、装置及可读存储介质 |
CN112394532A (zh) * | 2020-11-28 | 2021-02-23 | 中国海洋大学 | 一种纯度可调的高亮度单向量子导引态的制备方法及应用 |
CN112529198A (zh) * | 2020-12-23 | 2021-03-19 | 北京百度网讯科技有限公司 | 量子纠缠态的处理方法、装置、设备、存储介质及产品 |
CN112529202A (zh) * | 2020-12-23 | 2021-03-19 | 北京百度网讯科技有限公司 | 量子纠缠态分配方法、装置、设备、存储介质及产品 |
CN112561069A (zh) * | 2020-12-23 | 2021-03-26 | 北京百度网讯科技有限公司 | 模型处理方法、装置、设备、存储介质及产品 |
WO2021110261A1 (en) * | 2019-12-04 | 2021-06-10 | Alpine Quantum Technologies Gmbh | A method and system for comparing two quantum states |
CN113674097A (zh) * | 2021-08-24 | 2021-11-19 | 四川元匠科技有限公司 | 基于量子聚类算法的金融投资分析方法、存储介质和终端 |
CN113743611A (zh) * | 2020-05-30 | 2021-12-03 | 华为技术有限公司 | 数据处理的方法、装置及系统 |
CN114021728A (zh) * | 2021-11-04 | 2022-02-08 | 北京百度网讯科技有限公司 | 量子数据测量方法及系统、电子设备和介质 |
CN114096970A (zh) * | 2019-06-28 | 2022-02-25 | 谷歌有限责任公司 | 测量量子态纯度 |
-
2022
- 2022-03-18 CN CN202210270238.0A patent/CN114580643B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108780129A (zh) * | 2016-02-12 | 2018-11-09 | 耶鲁大学 | 用于控制量子系统的技术及相关系统和方法 |
CN111615709A (zh) * | 2017-12-21 | 2020-09-01 | 哈佛学院院长等 | 在量子计算机上制备相关费米态 |
CN114096970A (zh) * | 2019-06-28 | 2022-02-25 | 谷歌有限责任公司 | 测量量子态纯度 |
WO2021110261A1 (en) * | 2019-12-04 | 2021-06-10 | Alpine Quantum Technologies Gmbh | A method and system for comparing two quantum states |
CN111353607A (zh) * | 2020-03-31 | 2020-06-30 | 合肥本源量子计算科技有限责任公司 | 一种量子态判别模型的获得方法、装置 |
CN113743611A (zh) * | 2020-05-30 | 2021-12-03 | 华为技术有限公司 | 数据处理的方法、装置及系统 |
CN112001498A (zh) * | 2020-08-14 | 2020-11-27 | 苏州浪潮智能科技有限公司 | 基于量子计算机的数据识别方法、装置及可读存储介质 |
CN112394532A (zh) * | 2020-11-28 | 2021-02-23 | 中国海洋大学 | 一种纯度可调的高亮度单向量子导引态的制备方法及应用 |
CN112529202A (zh) * | 2020-12-23 | 2021-03-19 | 北京百度网讯科技有限公司 | 量子纠缠态分配方法、装置、设备、存储介质及产品 |
CN112561069A (zh) * | 2020-12-23 | 2021-03-26 | 北京百度网讯科技有限公司 | 模型处理方法、装置、设备、存储介质及产品 |
CN113792882A (zh) * | 2020-12-23 | 2021-12-14 | 北京百度网讯科技有限公司 | 量子纠缠态的处理方法、装置、设备、存储介质及产品 |
CN112529198A (zh) * | 2020-12-23 | 2021-03-19 | 北京百度网讯科技有限公司 | 量子纠缠态的处理方法、装置、设备、存储介质及产品 |
CN113674097A (zh) * | 2021-08-24 | 2021-11-19 | 四川元匠科技有限公司 | 基于量子聚类算法的金融投资分析方法、存储介质和终端 |
CN114021728A (zh) * | 2021-11-04 | 2022-02-08 | 北京百度网讯科技有限公司 | 量子数据测量方法及系统、电子设备和介质 |
Non-Patent Citations (4)
Title |
---|
NGA T.T. NGUYEN,等: ""Image Classification Using Quantum Inference on the D-Wave 2X"", 《2018 IEEE INTERNATIONAL CONFERENCE ON REBOOTING COMPUTING (ICRC)》 * |
YUANLONG WANG,等: ""Efficient identification of unitary quantum processes"", 《2017 AUSTRALIAN AND NEW ZEALAND CONTROL CONFERENCE (ANZCC)》 * |
王恒岩: ""基于核磁共振体系的量子信息测量与图像处理应用"", 《中国博士学位论文全文数据库信息科技辑》 * |
邵连合: ""量子相干性度量及其相关问题研究"", 《中国博士学位论文全文数据库基础科学辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117974816A (zh) * | 2024-03-29 | 2024-05-03 | 苏州元脑智能科技有限公司 | 选取数据编码方式的方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114580643B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108701250B (zh) | 数据定点化方法和装置 | |
CN112001498B (zh) | 基于量子计算机的数据识别方法、装置及可读存储介质 | |
JP7331975B2 (ja) | クロスモーダル検索モデルのトレーニング方法、装置、機器、および記憶媒体 | |
CN112270547A (zh) | 基于特征构造的金融风险评估方法、装置和电子设备 | |
CN113837308B (zh) | 基于知识蒸馏的模型训练方法、装置、电子设备 | |
CN113705628B (zh) | 预训练模型的确定方法、装置、电子设备以及存储介质 | |
CN115082920A (zh) | 深度学习模型的训练方法、图像处理方法和装置 | |
CN112580733A (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
CN115374948A (zh) | 量子神经网络的训练方法、数据处理方法、设备及介质 | |
CN115454706A (zh) | 一种系统异常确定方法、装置、电子设备及存储介质 | |
CN114580643B (zh) | 确定方法、模型处理方法、装置、设备及存储介质 | |
CN114821063A (zh) | 语义分割模型的生成方法及装置、图像的处理方法 | |
CN112990472B (zh) | 消除量子噪声的方法及装置、电子设备和介质 | |
CN113255922B (zh) | 量子纠缠量化方法和装置、电子设备、计算机可读介质 | |
CN113361717B (zh) | 量子态数据处理模型的训练方法、装置、电子设备及介质 | |
CN113516185A (zh) | 模型训练的方法、装置、电子设备及存储介质 | |
CN115458040A (zh) | 蛋白质的生成方法、装置、电子设备及存储介质 | |
CN115330579A (zh) | 模型水印的构建方法、装置、设备及存储介质 | |
CN114492823A (zh) | 消除量子噪声的方法及装置、电子设备和介质 | |
CN115577789A (zh) | 量子纠缠程度确定方法、装置、设备及存储介质 | |
CN115577310A (zh) | 异常对象的识别方法、装置、电子设备及存储介质 | |
CN114548307A (zh) | 分类模型训练方法和装置、分类方法和装置 | |
CN114429218A (zh) | 消除量子噪声的方法及装置、电子设备和介质 | |
CN114818970B (zh) | 经典数据处理方法、计算设备及存储介质 | |
CN114418107B (zh) | 酉算子编译方法、计算设备、装置及存储介质 |
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 |