CN114707655B - 一种量子线路转换方法、系统、存储介质和电子设备 - Google Patents

一种量子线路转换方法、系统、存储介质和电子设备 Download PDF

Info

Publication number
CN114707655B
CN114707655B CN202210327318.5A CN202210327318A CN114707655B CN 114707655 B CN114707655 B CN 114707655B CN 202210327318 A CN202210327318 A CN 202210327318A CN 114707655 B CN114707655 B CN 114707655B
Authority
CN
China
Prior art keywords
quantum
sample
probability distribution
quantum circuit
discrete probability
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
CN202210327318.5A
Other languages
English (en)
Other versions
CN114707655A (zh
Inventor
周祥臻
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.)
Beijing Zhongke Arc Quantum Software Technology Co ltd
Original Assignee
Beijing Zhongke Arc Quantum Software 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 Beijing Zhongke Arc Quantum Software Technology Co ltd filed Critical Beijing Zhongke Arc Quantum Software Technology Co ltd
Priority to CN202210327318.5A priority Critical patent/CN114707655B/zh
Publication of CN114707655A publication Critical patent/CN114707655A/zh
Application granted granted Critical
Publication of CN114707655B publication Critical patent/CN114707655B/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
    • 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)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Logic Circuits (AREA)

Abstract

本发明涉及量子线路转换技术领域，尤其涉及一种量子线路转换方法、系统、存储介质和电子设备，方法包括：S1、在对当前的逻辑量子线路进行量子线路转换的过程中，当引入交换门时，利用训练好的神经网络模型进行评估，得到离散概率分布，离散概率分布中的每个概率值对应当前的物理量子线路上的不同位置，把交换门放置于离散概率分布中的最大概率值所对应在当前的物理量子线路上的位置；S2、当每次引入交换门时，重复执行S1，直至完成逻辑量子线路的量子线路转换，能够快速得到冗余尽可能少的解即最终的物理量子线路，效率高。

Description

一种量子线路转换方法、系统、存储介质和电子设备
技术领域
本发明涉及量子线路转换技术领域，尤其涉及一种量子线路转换方法、系统、存储介质和电子设备。
背景技术
在设计量子程序的时候，通常假设可以在任意的量子比特对之间执行两量子比特门操作，但是，实际的量子计算机对于两量子比特门存在连通性的限制。因此，在量子计算机执行量子程之前，需要对输入的逻辑量子线路进行线路转换(引入冗余的量子门)，转换后可以得到可执行的物理量子线路。物理量子线路中的两量子比特门需要符合量子计算机的连通性限制并且在功能上与对应的逻辑量子线路等价。通常，一个的逻辑量子线路对应多种符合上述要求的物理量子线路，但是不同的物理量子线路引入的冗余是不同的，目前往往需要通过人工从多种符合上述要求的物理量子线路中的选取出最优的物理量子线路即冗余尽可能少的解，效率低，因此，需要一种能够快速找到冗余尽可能少的解即最优的物理量子线路的线路转换方法。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供了一种量子线路转换方法、系统、存储介质和电子设备。
本发明的一种量子线路转换方法的技术方案如下：
S1、在对当前的逻辑量子线路进行量子线路转换的过程中，当引入交换门时，利用训练好的神经网络模型进行评估，得到离散概率分布，所述离散概率分布中的每个概率值对应当前的物理量子线路上的不同位置，把所述交换门放置于所述离散概率分布中的最大概率值所对应在所述当前的物理量子线路上的位置；
S2、当每次引入交换门时，重复执行S1，直至完成所述逻辑量子线路的量子线路转换，得到最终的物理量子线路。
本发明的一种量子线路转换方法的有益效果如下：
当引入交换门时，利用训练好的神经网络模型对当前的物理量子线路上的不同位置的概率进行计算，能够快速确定最大概率值对应的位置，以放置交换门，直至完成逻辑量子线路的量子线路转换，能够快速得到冗余尽可能少的解即最终的物理量子线路，效率高。
本发明的一种量子线路转换系统的技术方案如下：
包括引入模块和调用确定模块；
所述引入模块用于：在对当前的逻辑量子线路进行量子线路转换的过程中，当引入交换门时，利用训练好的神经网络模型进行评估，得到离散概率分布，所述离散概率分布中的每个概率值对应当前的物理量子线路上的不同位置，把所述交换门放置于所述离散概率分布中的最大概率值所对应在所述当前的物理量子线路上的位置；
所述调用确定模块用于：当每次引入交换门时，重复调用所述引入模块，直至完成所述逻辑量子线路的量子线路转换，得到最终的物理量子线路。
本发明的种量子线路转换系统的有益效果如下：
当引入交换门时，利用训练好的神经网络模型对当前的物理量子线路上的不同位置的概率进行计算，能够快速确定最大概率值对应的位置，以放置交换门，直至完成逻辑量子线路的量子线路转换，能够快速得到冗余尽可能少的解即最终的物理量子线路，效率高。
本发明的一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行上述任一项所述的一种量子线路转换方法。
本发明的一种电子设备，包括处理器和上述的存储介质，所述处理器执行所述存储介质中的指令。
附图说明
图1为本发明实施例的一种量子线路转换方法的流程示意图；
图2为量子线路的示意图之一；
图3为量子线路的示意图之二；
图4为量子计算机连通图；
图5为量子线路的示意图之三；
图6为逻辑量子线路的示意图；
图7为物理量子线路；
图8为本发明实施例的一种量子线路转换系统的结构示意图。
具体实施方式
如图1所示，本发明实施例的一种量子线路转换方法，包括如下步骤：
S1、在对当前的逻辑量子线路进行量子线路转换的过程中，当引入交换门时，利用训练好的神经网络模型进行评估，得到离散概率分布，所述离散概率分布中的每个概率值对应当前的物理量子线路上的不同位置，把所述交换门放置于所述离散概率分布中的最大概率值所对应在所述当前的物理量子线路上的位置；
S2、当每次引入交换门时，重复执行S1，直至完成所述逻辑量子线路的量子线路转换，得到最终的物理量子线路。
其中，通过S1-S2所确定的最终的物理量子线路为冗余尽可能少的解的原因如下：
受限于有限的计算资源和量子线路高度的复杂性，传统的方式只可以对当前的逻辑量子线路进行粗略的评估，根据上述评估所得到的交换门放置位置信息通常是不准确的。而神经网络可以通过预学习的方式，通过花费大量的计算资源构建并且学习具有高精度的标签的训练集，从而得到针对任意当前逻辑量子线路的精确的评估模型，继而实现具有更少冗余的量子线路转换过程。
其中，本申请的前提是：在对当前的逻辑量子线路进行量子线路转换的过程中，只引入交换门。
当引入交换门时，利用训练好的神经网络模型对当前的物理量子线路上的不同位置的概率进行计算，能够快速确定最大概率值对应的位置，以放置交换门，直至完成逻辑量子线路的量子线路转换，能够快速得到冗余尽可能少的解即最终的物理量子线路，效率高。
下面对量子领域的技术术语进行解释，以便于更好的理解本申请，具体地：
1)量子比特：
量子比特是量子计算机存储数据的基本单元。量子程序通过对量子比特进行相应的操作来实现具体的功能。
2)量子门：
量子门可以改变其作用量子比特的状态，从而实现特定的量子操作。按照作用的量子比特数目，量子门可以分为单量子比特门和两量子比特门：
①单量子比特门只作用在一个特定的量子比特上，只可以改变该量子比特的状态；
②两量子比特门作用在两个量子比特上，可以改变上述两个量子比特的状态，两种常见的两量子比特门为控制非门和交换门。
在本申请中，用G(i)表示作用在i量子比特上的一般单量子比特门，用 G(i,j)表示作用在i和j量子比特上的一般两量子比特门。而且，本申请中还需要用到两种特殊的两量子比特门：交换门和控制非门。一个作用在i和j 量子比特上的交换门和控制非门可以分别用SWAP(i,j)和CNOT(i,j)表示。
3)量子线路：
量子线路是量子程序的一种常用描述方法，其通常由量子比特以及一系列的量子门构成。在图2所示的示例的量子线路中，其包含两个量子比特q0、 q1，每根线条表示对应的量子比特、模块A表示G(q0)、模块B表示 CNOT(q0,q1)、模块C表示SWAP(q0,q1)。用户在设计量子线路时不会考虑量子计算机的执行限制。因此，在量子计算机中执行量子线路描述的量子程序之前，需要将用户设计好的量子线路进行一系列的转换，需要使得转换后的线路在满足对应量子计算机的执行限制条件的同时在功能上与输入线路等价。本发明将用户层面设计的量子线路称为逻辑量子线路(记为PC)，将转换后得到的量子线路称为物理量子线路(记为LC)。
4)量子线路的层：
对于一个量子线路，如果我们将其中所有的门尽可能向左移，那么可以将左移之后在同一列的门划分为一层。对于图3所示的线路，其包含三层，其中第0、1、2层中的量子门分别为(CNOT(q0,q1),CNOT(q3,q2))、 CNOT(q0,q1)、CNOT(q0,q1)。
5)逻辑量子比特和物理量子比特：
本申请将逻辑量子线路中的量子比特称为逻辑量子比特，用qi表示编号为i的逻辑量子比特；将物理量子线路中的量子比特称为物理量子比特，用vi表示编号为i的物理量子比特。需要注意的是，物理量子线路中的物理量子比特与量子计算机中的真实量子比特一一对应。
6)量子计算机连通图：
在一些量子计算机中，物理比特之间的连通性是受限制的，具体表现为只可以在特定的物理比特对之间执行两个量子比特的门变换，这种限制可以用量子计算机连通图来表示。量子计算机的连通图可以描述为一个无向图，记为G＝(V,E)，其中V表示图中的节点集合，E＝{e0,e1,…}表示边的集合， e表示连通图中的一条边。G中的节点表示物理量子比特，边表示量子比特的连通性，只有在被边直接相连的物理量子比特之间可以执行两个量子比特的门变换。在图4的示例中，E＝{(v0,v1),(v1,v2)}，因此，只可以在物理比特(v0,v1)、(v1,v2)之间执行两个量子比特的门变换SWAP(v0,v1)、 SWAP(v1,v2)，而在(v0,v2)之间则不可以执行相应的门变换。
7)量子比特映射：
在量子计算机中运行量子程序时，需要将逻辑量子线路中的量子比特映射到物理量子比特上，该过程称为量子比特映射。此外，通过在物理线路中引入交换门可以改变一个确定的量子比特映射。例如在图5中，量子比特映射的初始状态为q0映射到v0、q1映射到v1、q2映射到v2，通过向物理量子线路引入SWAP(v0,v1)，可以将量子比特映射变换为q0映射到v1、q1映射到v0、q2映射到v2。可以用符号τ表示一个量子比特映射，τ(q)表示q逻辑量子比特在该映射下对应的物理量子比特，
Figure RE-GDA0003647357130000061
或者
Figure RE-GDA0003647357130000062
表示量子比特映射τ在引入连通图中一个边e对应的交换门或者SWAP(vj,vk)之后得到的新的量子比特映射。例如在图5中，
Figure RE-GDA0003647357130000063
τ(q1)＝v1，τ′(q1)＝v0。
8)逻辑量子线路中量子门的可执行：
如果在给定的量子比特映射τ下，逻辑量子线路中的两量子比特量子门 (假设作用在量子比特qi,qj上)满足(1)其位于逻辑量子线路中的第0层； (2)(τ(qi),τ(qj))∈E，则称该量子门为可执行的。
9)量子门的转换：
量子门的转换是指通过向物理量子线路引入一系列冗余的交换门操作不断改变量子比特映射，使逻辑量子线路中的一个两量子比特门在物理量子线路中的对应满足量子计算机连通性限制的过程，即使得(τ(qi),τ(qj))∈E。另外，对于一个逻辑量子线路中的门(例如CNOT(qi,qj))和一个量子比特映射τ，称其在物理量子线路中的对应为CNOT(τ(qi),τ(qj))。
例如对于图4的连通图，假设初始量子比特映射为τ(qi)＝vi，需要转换的逻辑量子线路中的两量子比特门为CNOT(q0,q2)。为了满足连通图的限制，可以向物理量子线路引入的交换门只有SWAP(v0,v1)和SWAP(v1,v2)。因为τ(q0)＝v0、τ(qi)＝vi(q2)＝v2，此时CNOT(q0,q2)在物理线路中的对应为 CNOT(v0,v2)，又因为
Figure RE-GDA0003647357130000071
因此CNOT(v0,v2)不满足量子计算机的连通图限制。如果向物理线路中引入SWAP(v0,v1)，则量子比特映射变为τ′(q0)＝v1、τ′(q1)＝v0、τ′(q2)＝v2，此时CNOT(q0,q2)在物理线路中的对应为CNOT(v1,v2)，又因为(v1,v2)∈E，此时CNOT(v1,v2)满足量子计算机的连通图限制。综上，在初始量子比特映射为τ(qi)＝vi时，上述CNOT(q0,q2)的转换过程需要向物理线路引入SWAP(v0,v1)和CNOT(v1,v2)。需要注意的时，一个量子门的转换过程通常是不唯一的，例如在上述例子中，通过引入SWAP(v1,v2)和CNOT(v0,v1)一样可以实现CNOT(q0,q2)的转换。
10)量子线路转换：
量子线路转换是指基于给定的计算机连通图、逻辑量子线路和一个初始量子比特映射，构造一个物理量子线路的过程，要求输出的物理量子线路在功能上与输入的逻辑量子线路等价，并且其中的两量子比特门满足计算机连通图的限制。
量子线路转换的具体方法是对于逻辑量子线路中的每一个两量子比特门(通常按照从左向右的顺序)，通过引入冗余的交换门对其在物理量子线路中进行转换。对于图6所示的逻辑量子线路和图4所示的量子计算机连通图，并且假设初始量子比特映射为τ(qi)＝vi，对其进行量子线路转换。首先转换左边的控制非门CNOT(q0,q2)，该门的转换过程需要向物理量子线路引入SWAP(v0,v1)，将量子比特映射更新为τ′(q0)＝v1、τ′(q1)＝v0、τ′(q2)＝v2，之后再引入CNOT(v1,v2)；其次对右边的控制非门CNOT(q2,q0)进行转换，因为此时CNOT(q2,q0)在物理线路中的对应CNOT(v2,v1)已经满足量子计算机的连通图限制，因此只需要向物理量子线路中引入CNOT(v2,v1)。最终整个量子线路转换过程输出的物理量子线路如图7所示。
整个量子线路转换的调用过程在本发明中记为PC＝QCT(LC,τ,G)，其中 LC为输入的逻辑量子线路，τ为初始量子比特映射，G为目标量子计算机对应的连通图，PC为输出的物理量子线路。
可选地，在上述技术方案中，还包括：
S30、生成并根据任一样本逻辑量子线路对应的样本矩阵，对所述任一样本逻辑量子线路进行多次量子线路转换，得到样本离散概率分布，该样本离散概率分布的每个概率值表示：在所述任一样本逻辑量子线路所对应的物理量子线路上的不同位置上引入交换门的推荐概率，直至得到多个样本矩阵以及每个样本矩阵对应的样本离散概率分布；
S31、基于多个样本矩阵以及每个样本矩阵对应的样本离散概率分布，并利用神经网络进行训练，得到所述训练好的神经网络模型。具体地：
人工神经网络的训练是参数θ取值的优化过程。该优化过程的输入为一组训练集，记为T＝(M,P)，其中
Figure RE-GDA0003647357130000081
Figure RE-GDA0003647357130000082
其中nT为训练集的大小，Mi和pi为一组期望通过人工神经网络得到的输入(量子线路)-输出(推荐概率)对，该优化过程的目标是找到一组θ的最优取值θ*，使得
Figure RE-GDA0003647357130000083
的取值尽可能小，其中
Figure RE-GDA0003647357130000084
此外，两个离散概率分布(pi，pj)之间的距离在本发明中被定义为
Figure RE-GDA0003647357130000085
其中 p(k)表示该概率分布的第k个概率值。上述训练过程在本发明中记为θ*＝Train(T)，其中，
Figure RE-GDA0003647357130000086
表示每个样本逻辑量子线路对应的样本矩阵，
Figure RE-GDA0003647357130000087
表示在每个样本逻辑量子线路的样本离散概率分布。
需要注意的是，本发明对寻找θ*的具体方法不做限制，理论上可以采用任意的优化算法，例如Adam等。
用于表征训练过程的伪代码如下：
输入：目标量子计算机连接图G，训练集规模nT，训练量子线路层数nl，训练所需要调用的量子线路转换算法QCT和参数优化算法Train，具体过程如下：
1、i←0，j←0，
Figure RE-GDA0003647357130000091
2、生成一个初始量子比特映射τ，满足τ(qi)＝vi；
3、如果i<nT，则i←i+1，反之则进入步骤9；
4、随机生成一个具有nl层并且只含有控制非门的逻辑量子线路LC，其矩阵表示记为M；
5、如果j<nE，则j←j+1，反之则进入步骤7；
6、
Figure RE-GDA0003647357130000092
PC←QCT(LC,τ',G)，pj←PC中引入交换门的个数，进入步骤5；
7、
Figure RE-GDA0003647357130000093
8、M←M∪M，P←P∪p，进入步骤3；
9、T←(M,P)，初始化人工神经网络ANNθ，θ*←Train(T)；
10、返回
Figure RE-GDA0003647357130000094
需要注意的是，QCT为生成P所需要调用的一般量子线路转换算法。本发明对上述算法不做限制，理论上可以采用现有任意算法。
可选地，在上述技术方案中，S1中，得到离散概率分布，包括：
S10、在对当前的逻辑量子线路进行量子线路转换的过程中，得到所述当前的逻辑量子线路对应的矩阵，当引入交换门时，将所述当前的逻辑量子线路对应的矩阵输入所述训练好的神经网络模型，得到所述离散概率分布，其中，所述当前的逻辑量子线路对应的矩阵的维度与样本矩阵的维度相同。具体地：
人工神经网络是机器学习领域中一种常用的计算模型，其在不同的应用中有不同的结构和调用方式。在本专利中，人工神经网络的调用过程可以记为p＝ANNθ(M)。其中人工神经网络的输入为一个大小为nv×nv×nl的三维矩阵M，其中nv表示量子计算机中物理量子比特的数目，nl为一个预设参数，表示矩阵M对应量子线路的层数，M中每一个元素的取值只能为0或1 并且具有对称性(即Mi,j,k＝Mj,i,k)；人工神经网络的输出为一个规模为nE的离散概率分布
Figure RE-GDA0003647357130000101
其中nE表示量子计算机对应连通图中边的数目；θ为人工神经网络的一组参数，通过改变θ的取值，对于相同的M，可以输出不同的p。在量子线路转换应用中，三维矩阵M可以表示一个层数为nl、量子比特数目为nv并且只存在两量子比特门的量子线路，当Mi,j,k＝1时，对应量子线路的第k层存在一个任意的两量子比特门G(i,j)；离散概率分布p 可以理解为为了转换M对应的量子线路，向物理量子线路引入某个交换门的推荐程度。
需要注意的是，本发明对人工神经网络的内部结构不做限制，只需要保证输入为M、输出为p即可。
用于表征上述基于训练好的神经网络模型的量子线路转换过程的伪代码如下：
输入：目标量子计算机连接图G，逻辑量子线路初始量子比特映射τ，逻辑量子线路LC，训练完成的人工神经网络
Figure RE-GDA0003647357130000102
训练量子线路层数nl，具体过程如下：
1、初始化空物理线路PC；
2、G←LC的前nl层的量子门，M←G中的门在量子比特映射τ下的矩阵表示；
3、
Figure RE-GDA0003647357130000103
i←ArgMax(p)；
4、向PC引入ei对应的交换门，
Figure RE-GDA0003647357130000104
5、如果LC在τ下不存在可执行的量子门，则进入步骤7；
6、G←LC在τ下任意一个可执行的量子门，从LC中删除G，向PC中引入 G在PC中的对应，进入步骤5；
7、如果LC中量子门的个数为0，则返回PC，反之则进入步骤2。
本申请的一种量子线路转换方法，基于人工神经网络的量子线路转换算法分为训练过程和转换过程两个部分。针对目标量子计算机，需要训练一个人工神经网络，该神经网络一经训练，后续转换过程可以直接调用，在目标量子计算机不变的情况下不需要重复训练。在转换过程中，针对输入的逻辑量子线路和初始量子比特映射，算法通过调用训练的人工神经网络完成量子线路转换过程并且输出对应的物理量子线路。此外，考虑到单量子比特门对量子线路转换过程没有影响，本申请默认输入的逻辑量子线路只含有两量子比特门，但并不代表本发明提出的算法只能处理只包含两量子比特门的量子线路。
而且，还可将神经网络嵌入量子线路转换算法中，利用神经网络的输出辅助线路转换算法的评估过程，可以提升线路转换算法的性能，从而得到更优的解即最优的物理量子线路。
在上述各实施例中，虽然对步骤进行了编号S1、S2等，但只是本申请给出的具体实施例，本领域的技术人员可根据实际情况调整S1、S2等的执行顺序，此也在本发明的保护范围内，可以理解，在一些实施例中，可以包含如上述各实施方式中的部分或全部。
如图8所示，本发明实施例的一种量子线路转换系统200，包括引入模块210和调用确定模块220；
所述引入模块210用于：在对当前的逻辑量子线路进行量子线路转换的过程中，当引入交换门时，利用训练好的神经网络模型进行评估，得到离散概率分布，所述离散概率分布中的每个概率值对应当前的物理量子线路上的不同位置，把所述交换门放置于所述离散概率分布中的最大概率值所对应在所述当前的物理量子线路上的位置；
所述调用确定模块220用于：当每次引入交换门时，重复调用所述引入模块210，直至完成所述逻辑量子线路的量子线路转换，得到最终的物理量子线路。
可选地，在上述技术方案中，还包括训练模块，所述训练模块用于：
生成并根据任一样本逻辑量子线路对应的样本矩阵，对所述任一样本逻辑量子线路进行多次量子线路转换，得到样本离散概率分布，该样本离散概率分布的每个概率值表示：在所述任一样本逻辑量子线路所对应的物理量子线路上的不同位置上引入交换门的推荐概率，直至得到多个样本矩阵以及每个样本矩阵对应的样本离散概率分布；
基于多个样本矩阵以及每个样本矩阵对应的样本离散概率分布，并利用神经网络进行训练，得到所述训练好的神经网络模型。
可选地，在上述技术方案中，所述所述引入模块210得到离散概率分布的过程，包括：
在对当前的逻辑量子线路进行量子线路转换的过程中，得到所述当前的逻辑量子线路对应的矩阵，当引入交换门时，将所述当前的逻辑量子线路对应的矩阵输入所述训练好的神经网络模型，得到所述离散概率分布，其中，所述当前的逻辑量子线路对应的矩阵的维度与样本矩阵的维度相同。
上述关于本发明的一种量子线路转换系统200中的各参数和各个单元模块实现相应功能的步骤，可参考上文中关于一种量子线路转换方法的实施例中的各参数和步骤，在此不做赘述。
本发明实施例的一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行上述任一项所述的一种量子操作的编译方法。
本发明实施例的一种电子设备，包括处理器和上述的存储介质，所述处理器执行所述存储介质中的指令。其中，电子设备可以选用电脑、手机等。
所属技术领域的技术人员知道，本发明可以实现为系统、方法或计算机程序产品。
因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。
可以采用一个或多个计算机可读的介质的任意组合。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。计算机可读存储介质例如可以是一一但不限于——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(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (6)

1.一种量子线路转换方法，其特征在于，包括：
S1、在对当前的逻辑量子线路进行量子线路转换的过程中，当引入交换门时，利用训练好的神经网络模型进行评估，得到离散概率分布，所述离散概率分布中的每个概率值对应当前的物理量子线路上的不同位置，把所述交换门放置于所述离散概率分布中的最大概率值所对应在所述当前的物理量子线路上的位置；
S2、当每次引入交换门时，重复执行S1，直至完成所述逻辑量子线路的量子线路转换，得到最终的物理量子线路；
还包括：
生成并根据任一样本逻辑量子线路对应的样本矩阵，对所述任一样本逻辑量子线路进行多次量子线路转换，得到样本离散概率分布，该样本离散概率分布的每个概率值表示：在所述任一样本逻辑量子线路所对应的物理量子线路上的不同位置上引入交换门的推荐概率，直至得到多个样本矩阵以及每个样本矩阵对应的样本离散概率分布；
基于多个样本矩阵以及每个样本矩阵对应的样本离散概率分布，并利用神经网络进行训练，得到所述训练好的神经网络模型。
2.根据权利要求1所述的一种量子线路转换方法，其特征在于，所述得到离散概率分布，包括：
在对当前的逻辑量子线路进行量子线路转换的过程中，得到所述当前的逻辑量子线路对应的矩阵，当引入交换门时，将所述当前的逻辑量子线路对应的矩阵输入所述训练好的神经网络模型，得到所述离散概率分布，其中，所述当前的逻辑量子线路对应的矩阵的维度与样本矩阵的维度相同。
3.一种量子线路转换系统，其特征在于，包括引入模块和调用确定模块；
所述引入模块用于：在对当前的逻辑量子线路进行量子线路转换的过程中，当引入交换门时，利用训练好的神经网络模型进行评估，得到离散概率分布，所述离散概率分布中的每个概率值对应当前的物理量子线路上的不同位置，把所述交换门放置于所述离散概率分布中的最大概率值所对应在所述当前的物理量子线路上的位置；
所述调用确定模块用于：当每次引入交换门时，重复调用所述引入模块，直至完成所述逻辑量子线路的量子线路转换，得到最终的物理量子线路；
还包括训练模块，所述训练模块用于：
生成并根据任一样本逻辑量子线路对应的样本矩阵，对所述任一样本逻辑量子线路进行多次量子线路转换，得到样本离散概率分布，该样本离散概率分布的每个概率值表示：在所述任一样本逻辑量子线路所对应的物理量子线路上的不同位置上引入交换门的推荐概率，直至得到多个样本矩阵以及每个样本矩阵对应的样本离散概率分布；
基于多个样本矩阵以及每个样本矩阵对应的样本离散概率分布，并利用神经网络进行训练，得到所述训练好的神经网络模型。
4.根据权利要求3所述的一种量子线路转换系统，其特征在于，所述引入模块得到离散概率分布的过程，包括：
在对当前的逻辑量子线路进行量子线路转换的过程中，得到所述当前的逻辑量子线路对应的矩阵，当引入交换门时，将所述当前的逻辑量子线路对应的矩阵输入所述训练好的神经网络模型，得到所述离散概率分布，其中，所述当前的逻辑量子线路对应的矩阵的维度与样本矩阵的维度相同。
5.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如权利要求1或2所述的一种量子线路转换方法。
6.一种电子设备，其特征在于，包括处理器和权利要求5所述的存储介质，所述处理器执行所述存储介质中的指令。
CN202210327318.5A 2022-03-30 2022-03-30 一种量子线路转换方法、系统、存储介质和电子设备 Active CN114707655B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210327318.5A CN114707655B (zh) 2022-03-30 2022-03-30 一种量子线路转换方法、系统、存储介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210327318.5A CN114707655B (zh) 2022-03-30 2022-03-30 一种量子线路转换方法、系统、存储介质和电子设备

Publications (2)

Publication Number Publication Date
CN114707655A CN114707655A (zh) 2022-07-05
CN114707655B true CN114707655B (zh) 2023-02-03

Family

ID=82170369

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210327318.5A Active CN114707655B (zh) 2022-03-30 2022-03-30 一种量子线路转换方法、系统、存储介质和电子设备

Country Status (1)

Country Link
CN (1) CN114707655B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115392469A (zh) * 2022-08-16 2022-11-25 北京中科弧光量子软件技术有限公司 基于动态深度搜索的量子线路映射方法、系统和电子设备
CN116702912B (zh) * 2023-05-29 2024-09-10 深圳量旋科技有限公司 一种量子线路编辑方法、装置、设备及介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113808072A (zh) * 2021-07-30 2021-12-17 吟雪情枫信息科技(上海)有限公司 集成电路板测试点布局方法及其系统
CN113791307B (zh) * 2021-09-07 2022-08-02 绍兴建元电力集团有限公司 基于离散贝叶斯网络的混合线路配电网故障区段定位方法
CN113947132B (zh) * 2021-09-16 2022-08-02 广东工业大学 基于gcn图神经网络的公交到站预测方法、计算机及介质

Also Published As

Publication number Publication date
CN114707655A (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN110188167B (zh) 一种融入外部知识的端到端对话方法及系统
CN114707655B (zh) 一种量子线路转换方法、系统、存储介质和电子设备
Stachurski Economic dynamics: theory and computation
JP2019032808A (ja) 機械学習方法および装置
CN112699247A (zh) 一种基于多类交叉熵对比补全编码的知识表示学习框架
US11334791B2 (en) Learning to search deep network architectures
CN113011529B (zh) 文本分类模型的训练方法、装置、设备及可读存储介质
CN116644804B (zh) 分布式训练系统、神经网络模型训练方法、设备和介质
CN106897744A (zh) 一种自适应设置深度置信网络参数的方法及系统
US20210374604A1 (en) Apparatus and method for training reinforcement learning model for use in combinatorial optimization
CN108171328A (zh) 一种卷积运算方法和基于该方法的神经网络处理器
CN115017178A (zh) 数据到文本生成模型的训练方法和装置
CN111931939A (zh) 一种单振幅量子计算模拟方法
CN113704565B (zh) 基于全局区间误差的学习型时空索引方法、装置及介质
CN116992008A (zh) 知识图谱多跳问答推理方法、装置和计算机设备
CN114463596A (zh) 一种超图神经网络的小样本图像识别方法、装置及设备
CN109685208A (zh) 一种用于神经网络处理器数据稀梳化加速的方法及装置
CN113222160B (zh) 一种量子态的转换方法及装置
US10997497B2 (en) Calculation device for and calculation method of performing convolution
CN116738983A (zh) 模型进行金融领域任务处理的词嵌入方法、装置、设备
CN116089731A (zh) 一种缓解灾难性遗忘的在线哈希检索方法及系统
CN114595641A (zh) 组合优化问题的求解方法和系统
CN114444697A (zh) 一种基于知识图谱的常识缺失信息多跳推理方法
JP7438544B2 (ja) ニューラルネットワーク処理装置、コンピュータプログラム、ニューラルネットワーク製造方法、ニューラルネットワークデータの製造方法、ニューラルネットワーク利用装置、及びニューラルネットワーク小規模化方法
JP7297286B2 (ja) 最適化方法、最適化プログラム、推論方法、および推論プログラム

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