CN114692883B - 一种量子数据加载方法、装置、设备和可读存储介质 - Google Patents

一种量子数据加载方法、装置、设备和可读存储介质 Download PDF

Info

Publication number
CN114692883B
CN114692883B CN202210600469.3A CN202210600469A CN114692883B CN 114692883 B CN114692883 B CN 114692883B CN 202210600469 A CN202210600469 A CN 202210600469A CN 114692883 B CN114692883 B CN 114692883B
Authority
CN
China
Prior art keywords
quantum
data
matrix
data loading
loaded
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
CN202210600469.3A
Other languages
English (en)
Other versions
CN114692883A (zh
Inventor
李辰
姜金哲
张新
李红珍
赵雅倩
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 CN202210600469.3A priority Critical patent/CN114692883B/zh
Publication of CN114692883A publication Critical patent/CN114692883A/zh
Application granted granted Critical
Publication of CN114692883B publication Critical patent/CN114692883B/zh
Priority to PCT/CN2023/081979 priority patent/WO2023231511A1/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Complex Calculations (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)

Abstract

本发明公开一种量子数据加载方法、装置、设备和可读存储介质，属于量子计算技术领域。方法包括：当接收到数据加载请求时，根据待加载数据获取数据加载矩阵；根据数据加载矩阵进行量子门拆解，获得基本量子门线路；将基本量子门线路接入量子计算线路，完成量子数据加载。通过实施本发明公开的一种量子数据加载方法，使各个量子比特通过基本量子门的组合实现相互耦合，再接入量子计算线路，从底层物理角度控制各量子比特在计算过程中保持特有的相干性；接入量子神经网络，可以提高该量子神经网络的训练效率和抗噪声性能。

Description

一种量子数据加载方法、装置、设备和可读存储介质
技术领域
本发明涉及量子计算技术领域，特别涉及一种量子数据加载方法、装置、设备和可读存储介质。
背景技术
量子计算是一种利用量子力学性质进行运算的新型运算，在某些领域具有远超经典计算的计算能力。在量子计算体系中，信息以量子比特的形式进行存储。与经典比特类似，量子比特也有状态，可以是|0>或|1>这两种基态，也可以是|0>和|1>的线性组合，称为叠加态。但量子比特的状态|φ>可表示为：
Figure 931467DEST_PATH_IMAGE001
，其中α，β为复数，且|α|2+|β|2=1。故单量子比特状态也可以表示成向量(α，β)T，该向量的模为1。对量子系统的测量操作会使系统随机地坍缩到基态，概率取决于每个基态前的系数。例如对于上述量子态|φ>有|α|2的概率坍缩到|0>，|β|2的概率坍缩到|1>。当多个量子比特纠缠在一起时，对应的基态数会呈指数上升。N个量子比特纠缠的系统有2N种基态，系统状态可表示为基态的线性叠加。量子计算机储存信息的能力随比特数增加而呈指数级上升。正是利用量子比特叠加这一性质，使得量子计算在某些情况下可以远超经典计算。量子机器学习是如今热门的一个研究领域，其基本思路与经典机器学习类似，即通过一定方式编码原始数据成为待处理的数据，然后通过一些列机器学习计算过程，实现对数据的分类、处理、分析等过程。由于此过程具有鲁棒性、泛化性等特点，因此量子机器学习有望被最先应用于含噪声的中等规模量子计算机上。
尽管量子机器学习具有一定的应用潜力，目前还没有比较明确有效的方案被提出。其中对经典数据的加载本身也存在一些问题。前文提到，想要实现量子机器学习过程，需要通过一定方式将经典数据预先编码成为特定的数据，随后再对这些数据进行操作，实现计算分析。量子数据目前主要都是通过旋转门加载到量子态上，或是通过门操作加载到量子叠加态的振幅上，这是目前两种最主流的数据加载方法。图1示出了通过旋转门加载量子态的方法，其中(2.1，3.5，7.0，1.6)为待加载的数据通过四个量子比特、四个旋转门R实现数据加载入量子线路中，后续再使用系列U门实现量子计算过程。M为测量操作，通过测量，实现对数据的处理。然而这种加载方法存在一些缺陷。如旋转门直接加载的数据不是叠加态，一个量子比特只加载一个数据，对量子计算性能造成浪费。
另一种常见方法是通过一系列门操作Uload，将数据加载到量子叠加态的振幅上，如图2所示。加载数据后的量子态为：
Figure 746976DEST_PATH_IMAGE002
，其中，f i (x)为所需加载的数据，仍以(2.1，3.5，7.0，1.6)为例，则f 1=2.1，f 2=3.5，f 3=7.0，f 4=1.6。|i>为第i个量子比特，因此此时的量子态是|x>=2.1|0>+3.5|1>+7.0|2>+1.6|3>，为符合量子原理只需再将系数f全部进行归一化处理即可。这种加载数据的方法也被广泛采用，然而此方法在不引入辅助比特的情况下，会导致后续的系列操作只能是线性的，这可能会限制量子计算的应用。
因此，亟需一种量子数据加载方法，使数据加载和后续操作呈现非线性关系，以充分发挥量子计算的优势。并且具有可兼容性，能够与量子线路集成，直接应用于现有的量子相位估计、HHL算法、量子机器学习等量子数据处理过程。
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压力测试方法和装置，以克服现有技术中由数据加载方式导致量子计算收到限制的问题。
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，提供一种量子数据加载方法，方法包括：
当接收到数据加载请求时，根据待加载数据获取数据加载矩阵；
根据数据加载矩阵进行量子门拆解，获得基本量子门线路；
将基本量子门线路接入量子计算线路，完成量子数据加载。
进一步地，一种量子数据加载方法前还包括：
接收数据加载请求以及随数据加载请求同时发送的待加载数据。
进一步地，根据待加载数据获取数据加载矩阵包括：
将待加载数据嵌入对角矩阵，通过嵌入待加载数据的对角矩阵获取数据加载矩阵。
进一步地，将待加载数据嵌入对角矩阵，通过嵌入待加载数据的对角矩阵获取数据加载矩阵包括：
根据待加载数据获取第一对角矩阵
Figure 956241DEST_PATH_IMAGE003
；其中，待加载数据依次设置于第一对角矩阵
Figure 984240DEST_PATH_IMAGE003
的主对角线，第一对角矩阵
Figure 962560DEST_PATH_IMAGE003
的阶数与待加载数据的数量相等；
归一化第一对角矩阵
Figure 683391DEST_PATH_IMAGE003
，获得第一归一化对角矩阵
Figure 114373DEST_PATH_IMAGE004
；
根据第一归一化矩阵
Figure 978686DEST_PATH_IMAGE004
构造第二对角矩阵
Figure DEST_PATH_IMAGE005
；
其中，第二对角矩阵表示为：
Figure 342671DEST_PATH_IMAGE006
，I为单位矩阵；
获取任意正交矩阵
Figure DEST_PATH_IMAGE007
；其中，任意正交矩阵
Figure 31141DEST_PATH_IMAGE007
的阶数与第一对角矩阵
Figure 949419DEST_PATH_IMAGE003
的阶数相同；
获取数据加载矩阵U；其中，
Figure 584800DEST_PATH_IMAGE008
，
Figure DEST_PATH_IMAGE009
，
Figure 570335DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE011
为任意正交矩阵
Figure 695286DEST_PATH_IMAGE007
相应的转置矩阵。
进一步地，若量子计算线路为量子神经网络线路，则采用待加载数据训练量子神经网络。
进一步地，训练量子神经网络包括：
使用待加载数据对应的标签对量子神经网络参数进行训练；
测量获取量子神经网络的分类结果；
获取分类结果与标签的差异，并将差异进行反向传播，获取训练完成的量子神经网络。
进一步地，上述方法还包括使用测试集数据评估训练完成的量子神经网络。
第二方面，提供一种量子数据加载装置，装置包括：数据加载模块，矩阵拆解模块，线路接入模块；
数据加载模块，用于当接收到数据加载请求时，根据待加载数据获取数据加载矩阵；
矩阵拆解模块，用于根据数据加载矩阵进行量子门拆解，获得基本量子门线路；
线路接入模块，用于将基本量子门线路接入量子计算线路。
第三方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行上述计算机程序时实现上述第一方面所记载方法的步骤。
第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现第一方面所记载方法的步骤。
本发明实施例提供的技术方案带来的有益效果是：
1. 通过实施本发明公开的一种量子数据加载方法，使各个量子比特通过基本量子门组合实现相互耦合，再接入量子计算线路，从底层物理角度控制各量子比特在计算过程中保持特有的相干性；
2. 使用本发明公开的一种量子数据加载方法加载数据并接入量子神经网络，可以提高该量子神经网络的训练效率；
3. 使用本发明公开的一种量子数据加载方法加载数据并接入量子神经网络，可以提高该量子神经网络的抗噪声性能。
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是一种通过旋转门加载量子态的方法示意图；
图2是一种通过一系列量子门操作将量子数据加载到振幅上的示意图；
图3是本发明实施例提供的一种量子数据加载方法示意图；
图4是本发明实施例提供的一种经过量子门拆解后的数据加载线路示意图；
图5是一种量子神经网络线路示意图；
图6是采用本发明实施例提供的一种量子数据加载方法加载数据与常规数据加载方法加载数据训练量子神经网获得的二分类准确率对比图；
图7是本发明实施例提供的一种量子数据加载装置示意图。
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。
针对现有技术中，由数据加载造成量子计算性能浪费的问题，本发明实施例公开一种量子数据加载方法、装置、设备和可读存储介质，使量子计算过程更具有优势，并且具有兼容性，能够与现有的量子线路、量子算法集成，并提高量子神经网络的抗噪性能。具体的技术方案如下：
在一个实施例中，如图3所示，一种量子数据加载方法包括：
步骤S1：当接收到数据加载请求时，根据待加载数据获取数据加载矩阵；
步骤S2：根据数据加载矩阵进行量子门拆解，获得基本量子门线路；
步骤S3：将基本量子门线路接入量子计算线路，完成量子数据加载。
步骤S1：当接收到数据加载请求时，根据待加载数据获取数据加载矩阵；
具体地，根据待加载数据获取数据加载矩阵包括：
步骤S11：将待加载数据嵌入对角矩阵，通过嵌入待加载数据的对角矩阵获取数据加载矩阵。
进一步地，将待加载数据嵌入对角矩阵，通过嵌入待加载数据的对角矩阵获取数据加载矩阵包括：
步骤S111：根据待加载数据获取第一对角矩阵
Figure 835280DEST_PATH_IMAGE003
；其中，待加载数据依次设置于第一对角矩阵
Figure 539931DEST_PATH_IMAGE003
的主对角线，第一对角矩阵
Figure 81771DEST_PATH_IMAGE003
的阶数与待加载数据的数量相等；
若要将初始数据（2.1，3.5，7.0，1.6）引入量子线路，首先将数据构造仅第一对角矩阵：
Figure 82350DEST_PATH_IMAGE012
步骤S112：归一化第一对角矩阵
Figure 709641DEST_PATH_IMAGE003
，获得第一归一化对角矩阵
Figure 686824DEST_PATH_IMAGE004
；
步骤S113：根据第一归一化矩阵
Figure 614329DEST_PATH_IMAGE004
构造第二对角矩阵
Figure DEST_PATH_IMAGE013
；
其中，第二对角矩阵表示为：
Figure 346661DEST_PATH_IMAGE014
，I为单位矩阵；
步骤S114：获取任意正交矩阵
Figure DEST_PATH_IMAGE015
；
其中，任意正交矩阵
Figure 493871DEST_PATH_IMAGE015
的阶数与第一对角矩阵
Figure 274745DEST_PATH_IMAGE003
的阶数相同；
步骤S115：获取数据加载矩阵U；
其中，
Figure 791177DEST_PATH_IMAGE008
，
Figure 632095DEST_PATH_IMAGE016
，
Figure 233977DEST_PATH_IMAGE010
，
Figure 818542DEST_PATH_IMAGE011
为任意正交矩阵
Figure DEST_PATH_IMAGE017
相应的转置矩阵。
步骤S2：根据数据加载矩阵进行量子门拆解，获得基本量子门线路。
根据数据加载矩阵进行量子门拆解是将数据加载矩阵对各个量子比特的操作拆解为简单量子门的组合对各个量子比特的操作，获得由基本量子门组合而成的线路，以便将基本量子门线路接入量子计算线路。
常用的基本量子门包括但不限于：旋转门，CNOT门。
将数据加载矩阵进行量子门拆解可以采用Raban等在文献Quantum Circuits forIsometries中提出的方法。本发明对量子门拆解的具体方法不加以限制。
拆解后的量子门线路的一种常见形式如图4所示，包括由Rz-Ry-Rz三组旋转门和CNOT组成的量子门单元，该量子门单元有L层，可以根据实际计算需要进行设置。
其中的θ为参数，每一个θ都是一个单独的值，通过量子门拆解得到。
步骤S3：将基本量子门线路接入量子计算线路，完成量子数据加载。
若量子计算线路为量子神经网络线路，则采用待加载数据训练量子神经网络。
具体包括：
步骤S31：使用待加载数据对应的标签对量子神经网络参数进行训练；
图5示出了一种量子神经网络示意图，其中，θ为待训练参数，每一个θ参数均可以不同。图5中的M表示测量若干个量子比特的最终量子态。
步骤S32：测量获取量子神经网络的分类结果；
步骤S33：获取分类结果与标签的差异，并将差异进行反向传播，获取训练完成的量子神经网络。
上述方法还包括：
步骤S34：使用测试集数据评估训练完成的量子神经网络。
对本发明提供的一种量子数据加载方法进行测试评估，可以将数据加载至量子计算机；亦或是采用IBM的qiskit等量子模拟模块，采用何种计算载体评估，本发明不加以限制。
图6示出了，将Iris数据集通过本发明提供的一种量子数据加载方法加载至酉矩阵后，进行量子门分解并接入量子神经网络进行训练，获得的二分类准确率与采用常规方法进行数据加载，训练量子神经网络的二分类准确率对比图。图6显示，一方面，在同样无噪声的情况下，本发明提供的一种量子数据加载方法和常规方法加载数据的方法准确率最终都能达到90%，但本方案收敛更快，在第一轮可以完成训练。另一方面，在含有1%噪声的情况下，常规方法无法准确训练，准确率只有60%左右，而采用本发明提供的一种量子数据加载方法可以将量子神经网络的准确率提高至90%左右。
上述一种量子数据加载方法前还包括：
步骤S0：接收数据加载请求以及随数据加载请求同时发送的待加载数据。
在另一个实施例中，如图7所示，一种量子数据加载装置包括：数据加载模块，矩阵拆解模块，线路接入模块；
所述数据加载模块，用于当接收到数据加载请求时，根据待加载数据获取数据加载矩阵；
所述矩阵拆解模块，用于根据所述数据加载矩阵进行量子门拆解，获得基本量子门线路；
所述线路接入模块，用于将所述基本量子门线路接入量子计算线路。
在另一个实施例中，一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行上述计算机程序时实现以下步骤：
步骤S0：接收数据加载请求以及随数据加载请求同时发送的待加载数据。
步骤S1：当接收到数据加载请求时，根据待加载数据获取数据加载矩阵；
步骤S11：将待加载数据嵌入对角矩阵，通过嵌入待加载数据的对角矩阵获取数据加载矩阵。
步骤S111：根据待加载数据获取第一对角矩阵
Figure 455060DEST_PATH_IMAGE003
；其中，待加载数据依次设置于第一对角矩阵
Figure 968343DEST_PATH_IMAGE003
的主对角线，第一对角矩阵
Figure 791943DEST_PATH_IMAGE003
的阶数与待加载数据的数量相等；
步骤S112：归一化第一对角矩阵
Figure 180199DEST_PATH_IMAGE003
，获得第一归一化对角矩阵
Figure 405644DEST_PATH_IMAGE004
；
步骤S113：根据第一归一化矩阵
Figure 322784DEST_PATH_IMAGE004
构造第二对角矩阵
Figure 899259DEST_PATH_IMAGE018
；
其中，第二对角矩阵表示为：
Figure 825627DEST_PATH_IMAGE014
，I为单位矩阵；
步骤S114：获取任意正交矩阵
Figure 905578DEST_PATH_IMAGE017
；
其中，任意正交矩阵
Figure 26243DEST_PATH_IMAGE017
的阶数与第一对角矩阵
Figure 558856DEST_PATH_IMAGE020
Figure 23335DEST_PATH_IMAGE020
的阶数相同；
步骤S115：获取数据加载矩阵U；
其中，
Figure DEST_PATH_IMAGE021
，
Figure 754531DEST_PATH_IMAGE022
，
Figure 544632DEST_PATH_IMAGE010
，
Figure 298961DEST_PATH_IMAGE011
为任意正交矩阵
Figure 832711DEST_PATH_IMAGE007
相应的转置矩阵。
步骤S2：根据数据加载矩阵进行量子门拆解，获得基本量子门线路；
步骤S3：将基本量子门线路接入量子计算线路，完成量子数据加载。
步骤S31：使用待加载数据对应的标签对量子神经网络参数进行训练；
步骤S32：测量获取量子神经网络的分类结果；
步骤S33：获取分类结果与标签的差异，并将差异进行反向传播，获取训练完成的量子神经网络。
步骤S34：使用测试集数据评估训练完成的量子神经网络。
在另一个实施例中，一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：
步骤S0：接收数据加载请求以及随数据加载请求同时发送的待加载数据。
步骤S1：当接收到数据加载请求时，根据待加载数据获取数据加载矩阵；
步骤S11：将待加载数据嵌入对角矩阵，通过嵌入待加载数据的对角矩阵获取数据加载矩阵。
步骤S111：根据待加载数据获取第一对角矩阵
Figure 887255DEST_PATH_IMAGE003
；其中，待加载数据依次设置于第一对角矩阵
Figure 908362DEST_PATH_IMAGE003
的主对角线，第一对角矩阵
Figure 415567DEST_PATH_IMAGE003
的阶数与待加载数据的数量相等；
步骤S112：归一化第一对角矩阵
Figure 487428DEST_PATH_IMAGE003
，获得第一归一化对角矩阵
Figure 396478DEST_PATH_IMAGE004
；
步骤S113：根据第一归一化矩阵
Figure 528382DEST_PATH_IMAGE004
构造第二对角矩阵
Figure 257304DEST_PATH_IMAGE013
；
其中，第二对角矩阵表示为：
Figure 132856DEST_PATH_IMAGE014
，I为单位矩阵；
步骤S114：获取任意正交矩阵
Figure 161992DEST_PATH_IMAGE015
；
其中，任意正交矩阵
Figure 199218DEST_PATH_IMAGE015
的阶数与第一对角矩阵
Figure 681015DEST_PATH_IMAGE003
的阶数相同；
步骤S115：获取数据加载矩阵U；
其中，
Figure 596143DEST_PATH_IMAGE021
，
Figure 479786DEST_PATH_IMAGE023
，
Figure 687913DEST_PATH_IMAGE010
，
Figure 657006DEST_PATH_IMAGE024
为任意正交矩阵
Figure 608782DEST_PATH_IMAGE015
相应的转置矩阵。
步骤S2：根据数据加载矩阵进行量子门拆解，获得基本量子门线路；
步骤S3：将基本量子门线路接入量子计算线路，完成量子数据加载。
步骤S31：使用待加载数据对应的标签对量子神经网络参数进行训练；
步骤S32：测量获取量子神经网络的分类结果；
步骤S33：获取分类结果与标签的差异，并将差异进行反向传播，获取训练完成的量子神经网络。
步骤S34：使用测试集数据评估训练完成的量子神经网络。
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
一种量子数据加载方法，如图3所示，包括：
步骤S0：接收数据加载请求以及随数据加载请求同时发送的待加载数据。
步骤S1：当接收到数据加载请求时，根据待加载数据获取数据加载矩阵；
步骤S11：将待加载数据嵌入对角矩阵，通过嵌入待加载数据的对角矩阵获取数据加载矩阵。
步骤S111：根据待加载数据获取第一对角矩阵
Figure 346930DEST_PATH_IMAGE003
；其中，待加载数据依次设置于第一对角矩阵
Figure 991538DEST_PATH_IMAGE003
的主对角线，第一对角矩阵
Figure 447928DEST_PATH_IMAGE003
的阶数与待加载数据的数量相等；
步骤S112：归一化第一对角矩阵
Figure 937815DEST_PATH_IMAGE003
，获得第一归一化对角矩阵
Figure 297514DEST_PATH_IMAGE025
；
步骤S113：根据第一归一化矩阵
Figure 113023DEST_PATH_IMAGE025
构造第二对角矩阵
Figure 791129DEST_PATH_IMAGE005
；
其中，第二对角矩阵表示为：
Figure 350287DEST_PATH_IMAGE026
，I为单位矩阵；
步骤S114：获取任意正交矩阵
Figure 797449DEST_PATH_IMAGE007
；
其中，任意正交矩阵
Figure 783859DEST_PATH_IMAGE007
的阶数与第一对角矩阵
Figure 214840DEST_PATH_IMAGE003
的阶数相同；
步骤S115：获取数据加载矩阵U；
其中，
Figure 312109DEST_PATH_IMAGE008
，
Figure 380822DEST_PATH_IMAGE016
，
Figure 272555DEST_PATH_IMAGE010
，
Figure 925253DEST_PATH_IMAGE011
为任意正交矩阵
Figure 826213DEST_PATH_IMAGE007
相应的转置矩阵。
步骤S2：根据数据加载矩阵进行量子门拆解，获得基本量子门线路；
步骤S3：将基本量子门线路接入量子计算线路，完成量子数据加载。
步骤S31：使用待加载数据对应的标签对量子神经网络参数进行训练；
步骤S32：测量获取量子神经网络的分类结果；
步骤S33：获取分类结果与标签的差异，并将差异进行反向传播，获取训练完成的量子神经网络。
步骤S34：使用测试集数据评估训练完成的量子神经网络。
实施例二
一种量子数据加载装置，如图7所示，包括：数据加载模块，矩阵拆解模块，线路接入模块；
所述数据加载模块，用于当接收到数据加载请求时，根据待加载数据获取数据加载矩阵；
所述矩阵拆解模块，用于根据所述数据加载矩阵进行量子门拆解，获得基本量子门线路；
所述线路接入模块，用于将所述基本量子门线路接入量子计算线路。
实施例三
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行上述计算机程序时实现以下步骤：
步骤S0：接收数据加载请求以及随数据加载请求同时发送的待加载数据。
步骤S1：当接收到数据加载请求时，根据待加载数据获取数据加载矩阵；
步骤S11：将待加载数据嵌入对角矩阵，通过嵌入待加载数据的对角矩阵获取数据加载矩阵。
步骤S111：根据待加载数据获取第一对角矩阵
Figure 513546DEST_PATH_IMAGE003
；其中，待加载数据依次设置于第一对角矩阵
Figure 576180DEST_PATH_IMAGE003
的主对角线，第一对角矩阵
Figure 716174DEST_PATH_IMAGE003
的阶数与待加载数据的数量相等；
步骤S112：归一化第一对角矩阵
Figure 155246DEST_PATH_IMAGE003
，获得第一归一化对角矩阵
Figure 697086DEST_PATH_IMAGE004
；
步骤S113：根据第一归一化矩阵
Figure 930621DEST_PATH_IMAGE004
构造第二对角矩阵
Figure 59376DEST_PATH_IMAGE027
；
其中，第二对角矩阵表示为：
Figure 302139DEST_PATH_IMAGE014
，I为单位矩阵；
步骤S114：获取任意正交矩阵
Figure 964064DEST_PATH_IMAGE015
；
其中，任意正交矩阵
Figure 634080DEST_PATH_IMAGE017
的阶数与第一对角矩阵
Figure 217508DEST_PATH_IMAGE003
的阶数相同；
步骤S115：获取数据加载矩阵U；
其中，
Figure 263961DEST_PATH_IMAGE008
，
Figure 780393DEST_PATH_IMAGE016
，
Figure 621310DEST_PATH_IMAGE010
，
Figure 459079DEST_PATH_IMAGE011
为任意正交矩阵
Figure 43644DEST_PATH_IMAGE017
相应的转置矩阵。
步骤S2：根据数据加载矩阵进行量子门拆解，获得基本量子门线路；
步骤S3：将基本量子门线路接入量子计算线路，完成量子数据加载。
步骤S31：使用待加载数据对应的标签对量子神经网络参数进行训练；
步骤S32：测量获取量子神经网络的分类结果；
步骤S33：获取分类结果与标签的差异，并将差异进行反向传播，获取训练完成的量子神经网络。
步骤S34：使用测试集数据评估训练完成的量子神经网络。
实施例四
一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现执行以下步骤：
步骤S0：接收数据加载请求以及随数据加载请求同时发送的待加载数据。
步骤S1：当接收到数据加载请求时，根据待加载数据获取数据加载矩阵；
步骤S11：将待加载数据嵌入对角矩阵，通过嵌入待加载数据的对角矩阵获取数据加载矩阵。
步骤S111：根据待加载数据获取第一对角矩阵
Figure 149003DEST_PATH_IMAGE003
；其中，待加载数据依次设置于第一对角矩阵
Figure 160821DEST_PATH_IMAGE003
的主对角线，第一对角矩阵
Figure 250000DEST_PATH_IMAGE003
的阶数与待加载数据的数量相等；
步骤S112：归一化第一对角矩阵
Figure 372677DEST_PATH_IMAGE003
，获得第一归一化对角矩阵
Figure 863701DEST_PATH_IMAGE004
；
步骤S113：根据第一归一化矩阵
Figure 780841DEST_PATH_IMAGE004
构造第二对角矩阵
Figure 91737DEST_PATH_IMAGE028
；
其中，第二对角矩阵表示为：
Figure 519570DEST_PATH_IMAGE014
，I为单位矩阵；
步骤S114：获取任意正交矩阵
Figure 865100DEST_PATH_IMAGE007
；
其中，任意正交矩阵
Figure 218721DEST_PATH_IMAGE007
的阶数与第一对角矩阵
Figure 751334DEST_PATH_IMAGE003
的阶数相同；
步骤S115：获取数据加载矩阵U；
其中，
Figure 481392DEST_PATH_IMAGE008
，
Figure 681430DEST_PATH_IMAGE016
，
Figure 205952DEST_PATH_IMAGE010
，
Figure 491440DEST_PATH_IMAGE024
为任意正交矩阵
Figure 25189DEST_PATH_IMAGE015
相应的转置矩阵。
步骤S2：根据数据加载矩阵进行量子门拆解，获得基本量子门线路；
步骤S3：将基本量子门线路接入量子计算线路，完成量子数据加载。
步骤S31：使用待加载数据对应的标签对量子神经网络参数进行训练；
步骤S32：测量获取量子神经网络的分类结果；
步骤S33：获取分类结果与标签的差异，并将差异进行反向传播，获取训练完成的量子神经网络。
步骤S34：使用测试集数据评估训练完成的量子神经网络。
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)

1.一种量子数据加载方法，其特征在于，所述方法包括：
当接收到数据加载请求时，根据待加载数据获取数据加载矩阵；
根据所述数据加载矩阵进行量子门拆解，获得基本量子门线路；
将所述基本量子门线路接入量子计算线路，完成量子数据加载；
其中，所述根据待加载数据获取数据加载矩阵包括：
将待加载数据嵌入对角矩阵，通过嵌入待加载数据的对角矩阵获取所述数据加载矩阵，包括：
根据待加载数据获取第一对角矩阵
Figure 168774DEST_PATH_IMAGE002
；其中，所述待加载数据依次设置于所述第一对角矩阵
Figure 103232DEST_PATH_IMAGE002
的主对角线，所述第一对角矩阵
Figure 690071DEST_PATH_IMAGE002
的阶数与所述待加载数据的数量相等；
归一化所述第一对角矩阵
Figure 913242DEST_PATH_IMAGE002
，获得第一归一化对角矩阵
Figure 243729DEST_PATH_IMAGE004
；
根据所述第一归一化矩阵
Figure 970377DEST_PATH_IMAGE004
构造第二对角矩阵
Figure 993697DEST_PATH_IMAGE006
；
其中，第二对角矩阵通过公式计算得到：
Figure 704164DEST_PATH_IMAGE008
，I为单位矩阵；
获取任意正交矩阵
Figure 244866DEST_PATH_IMAGE010
；其中，任意正交矩阵
Figure 481813DEST_PATH_IMAGE010
的阶数与所述第一对角矩阵
Figure 285821DEST_PATH_IMAGE002
的阶数相同；
获取所述数据加载矩阵U；其中，
Figure 608218DEST_PATH_IMAGE012
，
Figure 155874DEST_PATH_IMAGE014
，
Figure 981747DEST_PATH_IMAGE016
，
Figure 222236DEST_PATH_IMAGE018
为任意正交矩阵
Figure 766349DEST_PATH_IMAGE010
相应的转置矩阵。
2.根据权利要求1所述的一种量子数据加载方法，其特征在于，所述方法前还包括：
接收所述数据加载请求以及随所述数据加载请求同时发送的所述待加载数据。
3.根据权利要求1所述的一种量子数据加载方法，其特征在于，若所述量子计算线路为量子神经网络线路，则采用所述待加载数据训练量子神经网络。
4.根据权利要求3所述的一种量子数据加载方法，其特征在于，所述训练量子神经网络包括：
使用待加载数据对应的标签对所述量子神经网络参数进行训练；
测量获取所述量子神经网络的分类结果；
获取所述分类结果与所述标签的差异，并将所述差异进行反向传播，获取训练完成的量子神经网络。
5.根据权利要求4所述的一种量子数据加载方法，其特征在于，所述方法还包括使用测试集数据评估所述训练完成的量子神经网络。
6.一种量子数据加载装置，其特征在于，所述装置包括：数据加载模块，矩阵拆解模块，线路接入模块；
所述数据加载模块，用于当接收到数据加载请求时，根据待加载数据获取数据加载矩阵；
所述矩阵拆解模块，用于根据所述数据加载矩阵进行量子门拆解，获得基本量子门线路；
所述线路接入模块，用于将所述基本量子门线路接入量子计算线路。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述方法的步骤。
CN202210600469.3A 2022-05-30 2022-05-30 一种量子数据加载方法、装置、设备和可读存储介质 Active CN114692883B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210600469.3A CN114692883B (zh) 2022-05-30 2022-05-30 一种量子数据加载方法、装置、设备和可读存储介质
PCT/CN2023/081979 WO2023231511A1 (zh) 2022-05-30 2023-03-16 一种量子数据加载方法、装置、设备和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210600469.3A CN114692883B (zh) 2022-05-30 2022-05-30 一种量子数据加载方法、装置、设备和可读存储介质

Publications (2)

Publication Number Publication Date
CN114692883A CN114692883A (zh) 2022-07-01
CN114692883B true CN114692883B (zh) 2022-10-25

Family

ID=82145273

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210600469.3A Active CN114692883B (zh) 2022-05-30 2022-05-30 一种量子数据加载方法、装置、设备和可读存储介质

Country Status (2)

Country Link
CN (1) CN114692883B (zh)
WO (1) WO2023231511A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114692883B (zh) * 2022-05-30 2022-10-25 苏州浪潮智能科技有限公司 一种量子数据加载方法、装置、设备和可读存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101118608B (zh) * 2007-08-23 2011-07-20 清华大学 任意量子比特门的分解方法
US10311174B2 (en) * 2015-10-22 2019-06-04 International Business Machines Corporation Innermost data sharing method of lattice quantum chromodynamics calculation
CN110210073B (zh) * 2019-05-10 2022-03-08 腾讯科技（深圳）有限公司 量子噪声过程分析方法、装置、设备及存储介质
US11734598B2 (en) * 2019-11-01 2023-08-22 International Business Machines Corporation Quantum state preparation of a probability distribution facilitating quantum amplitude estimation
CN114091363B (zh) * 2020-08-04 2023-08-08 合肥本源量子计算科技有限责任公司 基于量子算法的计算流体动力学模拟方法、装置及设备
CN112633508B (zh) * 2020-11-30 2024-02-09 本源量子计算科技（合肥）股份有限公司 一种量子线路的生成方法、装置、存储介质及电子装置
CN114692883B (zh) * 2022-05-30 2022-10-25 苏州浪潮智能科技有限公司 一种量子数据加载方法、装置、设备和可读存储介质

Also Published As

Publication number Publication date
CN114692883A (zh) 2022-07-01
WO2023231511A1 (zh) 2023-12-07

Similar Documents

Publication Publication Date Title
US11423327B2 (en) Out of band server utilization estimation and server workload characterization for datacenter resource optimization and forecasting
US11579951B2 (en) Disk drive failure prediction with neural networks
US11227209B2 (en) Systems and methods for predicting information handling resource failures using deep recurrent neural network with a modified gated recurrent unit having missing data imputation
EP0581828B1 (en) Improvements in neural networks
US20230274003A1 (en) Identifying and correcting vulnerabilities in machine learning models
EP4120138B1 (en) System and method for molecular property prediction using hypergraph message passing neural network (hmpnn)
CN111145076B (zh) 数据并行化处理方法、系统、设备及存储介质
Falch et al. Machine learning‐based auto‐tuning for enhanced performance portability of OpenCL applications
US8161329B2 (en) Generating random sequences based on stochastic generative model having multiple random variates
CN105993024A (zh) 用于量子化学模拟的经典模拟常量和排序
US20200257982A1 (en) Categorical feature encoding for property graphs by vertex proximity
CN113592095B (zh) 一种基于量子计算的模型训练方法及装置
CN114692883B (zh) 一种量子数据加载方法、装置、设备和可读存储介质
CN108491228A (zh) 一种二进制漏洞代码克隆检测方法及系统
US12032711B2 (en) System and method for controlling confidential information
US20240330130A1 (en) Graph machine learning for case similarity
Bhaskara et al. Emulating malware authors for proactive protection using GANs over a distributed image visualization of dynamic file behavior
KR102352954B1 (ko) 예측 자동 회귀 기반 실시간 기업정보시스템 사용자 이상행위 탐지 시스템 및 방법
Hilal et al. Deep learning enabled class imbalance with sand piper optimization based intrusion detection for secure cyber physical systems
CN115691654B (zh) 一种基于较少参数的量子门控循环神经网络的抗菌肽的预测方法
CN110674497B (zh) 一种恶意程序相似度计算的方法和装置
CN112948232A (zh) 一种游戏协议测试方法、装置、电子设备和存储介质
US20220358572A1 (en) Device and method to provide data associated with shopping mall web page
US20230306106A1 (en) Computer Security Systems and Methods Using Self-Supervised Consensus-Building Machine Learning
Chen et al. A Sparse deep transfer learning model and its application for smart agriculture

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