CN114757225A - 信号采样质量的确定方法、装置、设备及存储介质 - Google Patents

信号采样质量的确定方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114757225A
CN114757225A CN202210345361.4A CN202210345361A CN114757225A CN 114757225 A CN114757225 A CN 114757225A CN 202210345361 A CN202210345361 A CN 202210345361A CN 114757225 A CN114757225 A CN 114757225A
Authority
CN
China
Prior art keywords
sampling
result
feature extraction
classification
quality
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
Application number
CN202210345361.4A
Other languages
English (en)
Other versions
CN114757225B (zh
Inventor
孟则霖
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 Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202210345361.4A priority Critical patent/CN114757225B/zh
Publication of CN114757225A publication Critical patent/CN114757225A/zh
Priority to JP2022139947A priority patent/JP7346685B2/ja
Priority to US17/939,367 priority patent/US20230084865A1/en
Priority to AU2022235559A priority patent/AU2022235559A1/en
Application granted granted Critical
Publication of CN114757225B publication Critical patent/CN114757225B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Computational Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Complex Calculations (AREA)
  • Testing Of Individual Semiconductor Devices (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本公开提供了一种信号采样质量的确定方法、电子装置、设备及存储介质，涉及量子计算领域，尤其涉及量子信号领域。具体实现方案为：基于第一采样参数对量子芯片的第一输出信号进行采样，获得第一采样数据；对该第一采样数据进行特征提取，得到第一特征提取结果；将该第一特征提取结果进行聚类，以确定采样质量分类结果。采用该方案，利用聚类方法对量子输出信号的采样质量进行评估，得到采样质量的精准分类结果，整个过程可以自动完成，大大提高了量子信号采样质量的评估效率。

Description

信号采样质量的确定方法、装置、设备及存储介质
技术领域
本公开涉及量子计算领域，尤其涉及量子信号领域，具体涉及一种信号采样质量的确定方法、装置、电子设备及存储介质。
背景技术
为了以较高的精度实现量子芯片上的量子门，实验人员需要对量子芯片上每个量子比特的控制脉冲进行精密的校准，其方法是反复向量子芯片输入特定的控制脉冲并读出，经计算和分析后更新脉冲参数，反复迭代最终输出最优化的控制脉冲参数。然而，随着人类需求的增加以及量子芯片工艺的进步，量子芯片上集成的量子比特数目快速增多，使得寻找最优脉冲参数的过程需要花费大量时间人力，降低了工作效率。
发明内容
本公开提供了一种信号采样质量的确定方法、装置、电子设备以及存储介质。
根据本公开的第一方面，提供了一种信号采样质量的确定方法，包括：
基于第一采样参数对量子芯片的第一输出信号进行采样，获得第一采样数据；
对该第一采样数据进行特征提取，得到第一特征提取结果；
对该第一特征提取结果进行聚类，以确定采样质量分类结果。
根据本公开的第二方面，提供了采样质量分类模型的训练方法，包括：
基于多个第二采样参数分别对量子芯片的多个第二输出信号进行采样，获得多组第二采样数据；
对该多组第二采样数据分别进行特征提取，得到对应的多个第二特征提取结果；
利用该多个第二特征提取结果训练聚类模型，得到采样质量分类模型，该采样质量分类模型用于确定采样质量分类结果。
根据本公开的第三方面，提供了一种信号采样质量的确定装置，包括：
第一采样模块，用于基于第一采样参数对量子芯片的第一输出信号进行采样，获得第一采样数据；
第一提取模块，用于对该第一采样数据进行特征提取，得到第一特征提取结果；
分类模块，对该第一特征提取结果进行聚类，以确定采样质量分类结果。
根据本公开的第四方面，提供了采样质量分类模型的训练装置，包括：
第二采样模块，用于基于多个第二采样参数分别对量子芯片的多个第二输出信号进行采样，获得多组第二采样数据；
第二提取模块，用于对该多组第二采样数据分别进行特征提取，得到对应的多个第二特征提取结果；
训练模块，用于利用该多个第二特征提取结果训练聚类模型，得到采样质量分类模型，该采样质量分类模型用于确定采样质量分类结果。
根据本公开的第五方面，提供了一种电子设备，包括：
至少一个处理器；以及
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。
根据本公开的第六方面，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，该计算机指令用于使计算机执行本公开任一实施例中的方法。
根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现本公开任一实施例中的方法。
本公开的技术方案，对量子芯片输出信号的采样进行采样质量的评估，并得到采样质量的分类结果，整个质量确定的过程可以自动完成，从而提高了量子信号采样质量的评估效率。
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是根据本公开一实施例的信号采样质量的确定方法的流程示意图；
图2是根据本公开另一实施例的信号采样质量的确定方法的流程示意图；
图3是根据本公开一实施例的Rabi振荡曲线及其拟合结果示意图；
图4是根据本公开再一实施例的信号采样质量的确定方法的流程示意图；
图5是根据本公开一实施例的采样质量分类模型的训练方法的流程示意图；
图6是根据本公开一实施例的采样数据分类结果的示意图；
图7是根据本公开一实施例的采样质量分类模型的训练步骤示意图；
图8是根据本公开一实施例的采样质量分类模型的应用步骤示意图；
图9是根据本公开一实施例的对采样信号校正的步骤示意图；
图10是根据本公开一实施例的信号采样质量的确定装置的结构示意图；
图11是根据本公开另一实施例的信号采样质量的确定装置的结构示意图；
图12是根据本公开再一实施例的信号采样质量的确定装置的结构示意图；
图13是根据本公开一实施例的采样质量分类模型的训练装置的结构示意图；
图14是用来实现本公开实施例的信号采样质量的确定方法的电子设备的框图。
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。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。本文中术语“第一”、“第二”表示指代多个类似的技术用语并对其进行区分，并不是限定顺序的意思，或者限定只有两个的意思，例如，第一特征和第二特征，是指代有两类/两个特征，第一特征可以为一个或多个，第二特征也可以为一个或多个。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
量子计算是一种遵循量子力学，对量子信息单元进行调控从而进行计算的计算模型。相较于传统的计算机，量子计算在处理某些问题时要优于传统的通用计算机。在量子计算中，量子门可以将某个量子态变换为另外一种量子态，是可逆的基本操作单元，而设计脉冲制备高保真度的量子门一直是实验中的核心问题。为了以较高的精度实现量子门，实验人员需要对量子芯片上每个量子比特(即组成量子门的基本单元)的控制脉冲进行精密的校准，其方法是反复向量子芯片输入特定的控制脉冲并读出，经计算和分析后更新脉冲参数，反复迭代最终输出最优化的控制脉冲参数。然而，随着人类需求的增加以及量子芯片工艺的进步，量子芯片上集成的量子比特数目快速增多，使得量子芯片校准(即找到最优化的控制脉冲参数)需要花费大量时间人力，降低了工作效率。
在传统的量子计算机实验室中，校准过程往往采用人工或半自动程序的方式：对于人工校准的方式，需要实验人员手动设定校准脉冲，并手动对读取结果进行分析；对于半自动程序的校准方式，程序可以根据预设的参数范围自动化地设定校准脉冲，并分析数据，同时还可以加入数值优化或多维扫描等算法加速校准进程。具体地，对人工或半自动程序校准的方案具体介绍如下：
(一)传统人工校准方法
在该类方法中，实验人员需要自己设置校准实验所需的控制脉冲，并分析返回数据；如果扫描参数选取不合适，则实验人员需要根据经验判断原因，并调整参数范围再重新进行实验设置。
但是，这种方法非常依赖于实验人员，对实验经验要求较高；传统方法的扩展性也较差，随着量子比特数量的增多、耦合结构复杂程度的提升，校准的工作量也将显著增加。
(二)半自动校准方案——基于优化算法的校准方法
一种现有的技术方案中根据芯片拓扑结构和连通性，对物理比特进行分组并独立的优化，从而实现了优化过程中高维参数空间的降维，降低了优化的时间复杂度。相关技术中，将该方案应用在54个量子比特量子芯片上实现了0.97％的|0>态错误率和4.5％的|1>态错误率中位数。
另外，还有一种被称为“自动拉比(autoRabi)算法”的半自动校准方法，其通过定义一个多维的优化过程，同时对比特读取、拉比(Rabi)振荡实验结果(包括周期、布居数分布等)进行优化；其损失函数被定义为：Ltot＝LF+LAC+LT+LBIC，其中LF用于描述拟合的好坏，LAC用于描述布居数(population)分布情况的好坏，LT用于确保脉冲上升沿的最大斜率在指定范围，而LBIC则用于确保读出信号的IQ平面上有且仅有两个团簇(cluster)。最终，“自动拉比算法”在模拟器上实现了10-4量级的错误率。
但是，通常，基于优化算法的校准方法，强烈依赖于初始参数的选择，如果初始参数与目标参数的距离较远，则极有可能落入误差较大的局部最优解，从而导致优化效果不够理想。同时，这种方法需要根据仪器以及芯片的实际情况，调整优化算法、搜索策略或损失函数等程序设置，因此扩展性较差。并且，由于不具备异常处理能力，因而很难做到完全自动化。
(三)半自动校准方案——基于机器学习的校准方法
相关技术中，有一种基于机器学习中消融学习(ablation study)的方法。其核心思想是对于高维的参数空间，进行多次带方向的一维搜索，以描绘出最优值所在的超曲面(hyper-surface)；其中，算法应用消融学习的方法剔除多余的搜索空间；上述方法较随机搜索最优参数而言，速度提升了180倍左右。
相关技术中，还有一种应用卷积神经网络对数据样本的所属类别进行预测的方案，该方案可以得到一个概率向量
Figure BDA0003576334930000061
以描述当前样本归属各类别(A、B...)的概率，并基于此向量构造损失函数进行参数扫描的优化，上述方法实现了88.5％的识别准确率。相关技术中，还会使用强化学习解决量子态调控(state manipulation)的问题，并与一些常用的方法进行结合，提升了操控保真度。
但是，如上所述，目前已有的实现方案大多应用机器学习完成图像分类、参数空间降维、量子态制备等任务，在出现异常情况时，难以做出正确的后续操作，因而难以实现真正的“自动化”。
综上可知，但上述人工或半自动的校准算法都依赖于初始参数的选择，这使得上述算法很难完全摆脱人工干预；同时，优化算法也存在陷入局部最优解的困扰，因而可能无法得到预期的结果，而多维扫描往往需要大量的采样，效率较低。随着芯片上集成的量子比特数量的增加，如果脉冲校准的速度比参数漂移的速度更慢，则量子计算机的效率将无法胜任高精度的量子任务。
根据本公开的实施例，提供了一种信号采样质量的确定方法，图1是根据本公开一实施例的信号采样质量的确定方法的流程示意图。如图1所式，该方法具体包括：
S101：基于第一采样参数对量子芯片的第一输出信号进行采样，获得第一采样数据。
一示例中，通过预设的实验流程和采样参数构造实验脉冲，生成控制信号并输入到位于制冷机中的量子芯片上，用以产生输出信号(也叫返回信号)，量子芯片的状态不能直接获取的，只能通过读取设备对输出信号进行采样、分析。第一采样数据中包括多个振幅不同的采样，采样参数可以包括振幅扫描区间和该区间内采样点的数量S。采样完成后，采样后的“第一采样数据”中包含了一整个振幅扫描区间内的S个采样点。
一示例中，采样数据是“布居数”，当然也可以根据实际情况，获取其余类型的采样数据，比如同相正交信号(IQ信号)、反射信号等等。
S102：对该第一采样数据进行特征提取，得到第一特征提取结果。
一示例中，选取拟合参数对第一采样数据进行拟合，然后根据第一采样数据的特征，结合拟合出的曲线，提取多种类的特征值，得到第一特征提取结果。可选的特征值种类包括：“拟合函数”、“协相关系数”、“布居数分布”、“振荡周期”等，本发明不做限定，只要能体现采样数据和拟合线的特性即可。得到多种特征值后，生成训练样本矩阵。
S103：对该第一特征提取结果进行聚类，以确定采样质量分类结果。
一示例中，进行聚类具体可以借助训练好的聚类模型实现，即将第一特征提取结果输入训练好的聚类模型，当然也可以通过其余聚类方法实现，此处不做限定。采样质量分类结果是采样质量“好”或“不好”的分类结果。其中，“不好”的分类结果下还分为多种具体“不好”类型，包括：采样过密、采样过疏、采样振幅扫描区间太小、采样振幅扫描区间太大等等。
采用上述实施例，在采样完毕后，使用聚类方法对任一信号数据及其采样结果进行分析，确定本次采样的采样质量分类结果，属于“应用阶段”。应用这种方法使得自动化采样过程具有较强的可解释性，对采样的具体类型进行自动化的精准分析，能够及时发现非理想的采样情况，便于进行后续处理，从而实现更完全的自动化，同时也提升了最终采样成功的概率。
在一种实施方式中，步骤S102中，对第一采样数据进行特征提取，得到第一特征提取结果，可以包括：根据该信号生成函数和/或该量子芯片的结构生成拟合函数；利用该拟合函数对第一采样数据进行拟合，得到拟合线；根据该第一采样数据和该拟合线获得第一特征提取结果。
具体地，可根据量子芯片的实际应用确定输入信号的生成函数，进而基于输入信号的生成函数生成量子芯片的输入信号。通过采样的方式，得到输出信号的多个采样点。
进一步地，在对采样点进行特征提取时，先根据输入信号的生成函数和/或量子芯片的结构特性，选定用于拟合的拟合函数。其中，拟合函数可以是三角函数或高斯函数。然后，利用拟合函数对采样点进行拟合操作，得到拟合曲线。
下面介绍一个基于超导实验的应用示例。在超导实验中，通常会用到拉比(Rabi)振荡实验，其可用于寻找拉比频率，在量子计算中通常与单比特门的校准相关。
示例性地，可通过向物理比特施加固定时长的微波驱动脉冲，调节其脉冲强度可观察到振荡曲线，并取从0振幅开始的第一个峰值所对应的振幅作为π脉冲的振幅。一个典型的Rabi振荡曲线及其拟合结果如图3所示。图3中的点代表采样点，得到采样点后，可以使用公式(1)作为拟合函数进行拟合：
Figure BDA0003576334930000081
其中x为横坐标(脉冲强度)，拟合得到的b与π脉冲强度相关。
进一步地，通过采样点和拟合线的特征，进行相关特征数的计算。采用上述示例，应用采样数据与拟合结果之间的差异进行特征的构造，因为拟合函数往往由已知的理论知识给出，这使得如果采用该方式获得特征并用于后续的聚类，可以保证聚类的过程受到理论的指导，加快聚类过程，提高聚类结果的准确性。
根据本公开的实施例，提供了一种信号采样质量的确定方法，图2是根据本公开再一实施例的信号采样质量的确定方法的流程示意图。如图2所示，该方法具体包括：
S201：基于实验阈值和信号生成函数生成控制信号；
S202：将该控制信号作为该量子芯片的输入，以获得第一输出信号。
S203：基于第一采样参数对量子芯片的第一输出信号进行采样，获得第一采样数据；
S204：对该第一采样数据进行特征提取，得到第一特征提取结果；
S205：对该第一特征提取结果进行聚类，以确定采样质量分类结果。
其中，上述步骤S203-S205分别与上述的S101-S103相类似或相同，在此不再赘述。
一示例中，在采用Rabi实验进行校正的前提下，使用高斯函数作为信号生成函数构造控制信号(也叫控制脉冲)。高斯函数中，可以根据实验阈值设置其中的参数，包括：最大振幅，脉冲的中心位置，标准差等等。在实验中，还可以通过信号生成函数设置多个振幅不同的信号组合成为一个复杂的控制信号。另，初始的第一采样参数，可以根据控制信号的特性进行设置。将该控制信号输入到位于制冷机中的量子芯片上，以得到第一输出信号。
本公开中，并没有限制生成控制脉冲的函数，高斯函数是比较常用的方案。另外，常用的还有方波、误差函数、DRAG脉冲(Derivative Removal by Adiabatic Gate)脉冲：可以翻译成绝热门导数消除，是用来修正能寄泄漏的一种特殊波形包络，若任务本身所需脉冲表达式可微且记为Ω(t)，则其一阶DRAG脉冲为Δ·dΩ(t)/dt，其中Δ为一个待定系数，在确定了合适的Δ后，该DRAG脉冲可实现对Ω(t)的修正，以减少能级泄漏。)等等，可以根据实验具体需求灵活选择。
采用上述方案，可以根据实验需求，确定信号阈值和信号的生成函数(信号生成函数)，较为精准地生成控制信号。
在一种实施方式中，第一采样数据包括量子态不同能级上的布居数，第一采样参数包括扫描区间和采样次数，步骤S101中，基于第一采样参数对量子芯片的第一输出信号进行采样，获得第一采样数据，可以包括：在扫描区间内，按照采样次数对量子芯片的第一输出信号进行采样，获得该量子态不同能级上的布居数。
具体地，采样参数包括扫描区间(也叫采样区间)和在该区间内的采样次数。可以在扫描区间内均匀采样，也可以不均匀采样。采用布居数作为采样的测量结果，布居数可以表示在不同(能量)层次的原子/分子的数量，布居数可以直观地展现量子比特各计算基的经典概率分布情况，可以反映处于某一状态的原子数目与另一状态原子数目比的量，更好地反映“量子门将量子态进行转换”的效果，为量子芯片的校准提供了较好的参考数据。
在一种实施方式中，第一特征提取结果可以包括：拟合误差、协相关系数、采样数据特征、自相关函数、周期采样点特征中至少一种。
具体地，特征数的选择，与输入输出信号的控制/拟合函数、量子芯片的结构特征或采样点的特性相关。比如，当采样数据为布居数的时候，特征数中就将布居数的特征值作为采样数据的特征。上述各特征数类型的具体计算方式，在下文中将会详细介绍。
采用上述示例，可以根据采样过程得到多方位、具体反映采样过程的多项特征数，以此为基础，在后续训练中，可以得到更加精准的分类模型。
根据本公开的实施例，提供了一种信号采样质量的确定方法，其中，采样质量分类结果包括不符合预设质量标准的第一分类结果和符合预设质量标准的第二分类结果。图4是根据本公开另一实施例的信号采样质量的确定方法的流程示意图。如图4所示，该方法具体包括：
S401：基于第一采样参数对量子芯片的第一输出信号进行采样，获得第一采样数据；
S402：对该第一采样数据进行特征提取，得到第一特征提取结果；
S403：对该第一特征提取结果进行聚类，以确定采样质量分类结果；
S304：在该采样质量分类结果为第一分类结果的情况下，根据该第一预设结果所对应的采样参数调整方式，调整该第一采样参数。
其中，上述步骤S401-S403分别与上述的S101-S103相类似或相同，在此不再赘述。
一示例中，采样质量分类结果有多种，如第一分类结果和第二分类结果。其中，第二分类结果可以是符合预设质量标准，如“好”、“合格”等结果。第一分类结果可以是不符合预设质量标准的结果，如“不合格”、“不好”等结果。其中，“符合预设质量标准”与“不符合预设质量标准”在不同的应用场景中有不同的定义方式，在此不作限定。
其中，第一分类结果还可以包括多个分类结果，多个第一分类结果根据其不符合预设质量标准的具体原因进行更细一步划分，且分别对应有不同的采样参数调整方式。
一示例中，采样参数调整方式可以包括：调整采样区间和/或调整采样点数量。具体地，调整采样区间包括扩大采样区间或缩小采样区间，调整采样点数量包括增加采样点或减少采样点。如，第一分类结果为“不合格”中的“采样过密”，其预设的采样参数调整方式为：将单位区域内的采样次数缩减一半。
这些调整方式很好地涵盖了对应着采样数据“不符合预设质量标准”情况可以进行的所有调整操作，在实际操作过程中，可以根据分类结果选择预先设置好的调整方式，使得参数调整过程快速、准确，不依赖于人工操作的经验值，更加高效地逼近最优采样参数。具体调整方式可以根据实际情况灵活设置，此处不做限定。
进一步地，在采样质量分类结果为第一分类结果的情况下，即在采样质量分类结果不符合预设质量标准的情况下，可以通过该第一分类结果所对应的采样参数调整方式，调整第一采样参数。
调整采样参数后，用新的采样参数继续对输出信号进行采样，然后再重复S301-S303的方案评估其质量，得到质量分类结果(评估结果)，直至质量分类结果为第二分类结果，即，评估结果符合预设质量标准为止。
采用上述方案，在反复试验以求得到最优采样参数的过程中，可以不用通过人工，而是使用程序自动化地完成反复试验的过程。此过程减少了人力损耗，因为通过当前的评估结果自动化改进参数，可以更高效地逼近最优采样参数。
也就是说，本公开可以实现一种基于溯因法(abduction reasoning)的量子芯片控制脉冲校准方案。具体地，确定采样数据的采样质量分类结果，即符合预设质量标准的第二分类结果或不符合预设质量标准的第一分类结果，并在采样质量分类结果为第一分类结果的情况下，根据其不符合预设质量标准的原因所对应的采样参数调整方式，自动调整采样参数，最终获得符合预设质量标准的采样数据，从而实现了校准流程的自动导航。
在一种实施方式中，在步骤S103中，对该第一特征提取结果进行聚类，以确定采样质量分类结果，可以包括：将该第一特征提取结果输入采样质量分类模型，得到该采样质量分类结果，该采样质量分类模型基于训练聚类模型而得到。
例如，先将聚类模型训练成采样质量分类模型，然后将第一特征提取结果输入训练好的采样质量分类模型，得到采样质量分类结果。从而，可以加速采样质量分类结果的确定效率，进而提升校准速度。根据本公开的实施例，提供了一种采样质量分类模型的训练方法，图5是根据本公开一实施例的采样质量分类模型的训练方法的流程示意图。如图5所示，该方法可以包括：
S501：基于多个第二采样参数分别对量子芯片的多个第二输出信号进行采样，获得多组第二采样数据；
一示例中，用多个采样参数分别对多个输出信号分别采样，具体原理以及采样过程，与步骤S101中公开的一样，此处不再赘述。即，上述步骤S501可以理解为同时执行多个步骤S101，得到多组第二采样数据。
S502：对该多组第二采样数据分别进行特征提取，得到对应的多个第二特征提取结果；
一示例中，对已经获得的多组第二采样数据分别进行特征提取，每一个的具体提取过程与S102步骤相类似或相同，此处不再赘述。
S503：利用该多个第二特征提取结果训练聚类模型，得到采样质量分类模型，该采样质量分类模型用于确定采样质量分类结果。
一示例中，该聚类模型可以是K-means算法聚类模型；先简单介绍一下机器学习中聚类算法的基本思路。聚类的核心任务是试图将数据集中的样本划分为若干个不相交的子集，每个子集称为一个“簇”(cluster)，每个簇对应一些可能的、潜在的类别或概念，例如“采样数据合格”、“采样数据不合格”、“因为采样太密所以采样数据不合格”、“因为采样点太少所以采样数据不合格”等，而这些概念对于聚类算法来说是未知的，需要使用者来进行把握和归纳，简单来说就是“自动分组”(automatic grouping)。
在机器学习算法中，通常需要对每一个样本提取特征，从而使得每一个样本可以使用一个b维的特征向量来进行表示：
xi＝(xi1,xi2,…,xin). (2)
所有的样本构成样本的数据集X＝{x1,x2,…,xm}，其中包含m个样本。而聚类任务是将数据集X划分为k个不同的簇{Cl|l＝1,2,…,Ck}，并满足当l≠l′时
Figure BDA0003576334930000131
而每一个样本x1都对应一个簇标记(cluster label)λj，表示该样本属于某一个簇
Figure BDA0003576334930000132
可见，聚类的目标是对于数据集X＝{x1,x2,…,xm}生成一个对应的簇标记向量λ＝(λ1,λ2,…,λm)。K-Means算法是最基本的聚类算法。对于给定的数据集X＝{x1,x2,…,xm}，k-means算法使用最小化均方误差的方法进行簇的划分C＝{C1,C2,…,Ck}：
Figure BDA0003576334930000133
其中
Figure BDA0003576334930000134
表示簇Cj的均值向量，即中心位置。因而，上式可以表示为每个簇中样本点的紧密程度，紧密程度越高，说明簇内样本的相似度就越高。聚类分析以相似性为基础，在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。
在本示例中，上文中的“多个第二特征提取结果”即对应着上文中的“样本数据集X”，具体地，计算得出多个第二特征提取结果之后，可以将多个第二特征提取结果以矩阵的形式存储，该矩阵中中每一列为一个特征，每一行为一个样本。实际操作中，可以先采用机器学习框架(比如：sklearn)中的归一方法对特征矩阵进行归一化，随后进行训练。经过大量的“第二特征提取结果”训练后，分类模型会得到多个簇，然后，再通过这多个簇的特征为其添加语义标签，还可以设定后续操作。使用聚类算法，目的是避免去评价分类准确率。仅仅利用人工针对自动聚类的结果，为每一个簇增加一个语义，并赋予后续的调整操作。这样做的好处是：第一避免为大量的数据人工打标签；第二聚类算法可能可以自动寻找到内在的分布。
当然，也可以选择其余的聚类算法去构造分类模型，在训练过程中，可以使用轮廓系数(Silhouette Score)等指标去评价聚类的好坏，此处不做限制。
上述示例，实质上公开了模型的“训练”阶段，在该阶段，先使用一些采样参数生成多个控制脉冲，分别输入到量子芯片得到采样数据集并进行分析，最终得到一个无标签的训练数据集(即第二特征提取结果)，随后使用具体的聚类算法(如K-Means算法等)进行聚类学习，在得到不同的簇(cluster)后，根据簇的特征为其赋予语义标签，用于表征其实验结果的特性(结果好坏、导致结果不好的原因等等)。使用聚类算法对实验采样数据类型进行划分，这一方面避免了繁杂的数据标注工作，另一方面还能够寻找出这些数据内在的分布结构，提升了模型“训练”的效率，也保证了训练好的采样质量分类模型的使用效果。
一示例中，步骤S503中，利用该多个第二特征提取结果训练聚类模型，得到采样质量分类模型，可以包括：将多个第二输出信号对应的多个第二特征提取结果输入该聚类模型，得到初始分类结果；根据该初始分类结果与预设分类结果之间的差异，调整该聚类模型的模型参数，以得到该采样质量分类模型。
具体地，在实际操作过程中，因为使用的是“无标注”的数据进行模型训练，所以需要通过以下方式判断模型是否训练好。
第一，利用训练样本的数量大小来判断。一般情况下，训练样本越多，聚类的结果就越好，因此，需要设定一个样本大小阈值。如果按照某一采样参数对某一输出信号进行采样算是一组样本，那么如果样本数超过了提前设定的阈值，即认为训练可以结束。
第二，利用聚类的结果与预设分类结果之间的差异来判断。因为训练过程中，是不会对每一个样本进行标注的，也就是说，并不知道每一个样本预设的分类结果应该是什么，那么就在训练了大量的样本之后，看聚类的结果是否已经包含预设分类的所有可能性。比如，预设的分类类型包括合格和不合格，不合格具体包括采样区间小、采样区间大、采样点过疏、采样点过密等。
根据当前的训练结果，模型根据输入的采样数据，将输出信号的采样质量分为六个簇，如图6所示，其中可以看出，簇0是采样点过密，簇1是采样区间大，簇2是采样点过疏，簇3是采样区间小，簇4是采样质量合格，簇5也是采样区间大，可以看到，聚类结果覆盖了所有预设分类结果，即可判断模型训练完成。如果判断模型还需继续训练，则通过机器自动或人工调整其参数。
采用上述示例，可以在无标注的情况下，准确判断模型分类的精准性是否达到要求，从而及时停止训练，提升模型训练的整体效率。
一示例中，预设分类结果包括第一分类结果和第二分类结果，上述方案还包括：预设多个该第一分类结果和该第二分类结果。
其中，第一分类结果和第二分类结果的实施方式可参见信号采样质量的确定方法中的相关描述，在此不再赘述。
一示例中，如果模型训练后将训练样本分为如图6所示的6个簇，那么，需要设置这六个簇中对应的采样参数调整方式，如表1所示：
Figure BDA0003576334930000151
通过上述方案，本需要人工反复调整的校准步骤，可以使用该模型对当前的采样数据进行分类预测，然后自动得到下一步操作的指令并执行，实现自动调整，自动导航。
下面介绍基于本实施例的信号采样质量的确定方法和模型训练方法的应用示例。
本公开的方案可分为“训练”和“应用”两个阶段。其中训练阶段是指使用训练样本训练聚类模型，并对簇给出语义和后续操作；应用阶段是指使用训练得到的模型评判采样数据，并采取相应操作。“训练”阶段的步骤如图7所示，其使用无监督学习算法完成，总结如下：
1、设计校准实验流程，输入所需的采样参数类型以及硬件的可调范围；
2、在可调范围内随机生成采样参数α1(对应上文中的第二采样参数)；
3、进行实验并采样获取测量结果d1(对应上文中的第二采样数据)，需要说明的是，这里的测量结果d1实质上包含多组采样数据；
3、对结果进行拟合和分析，得到提取特征后的训练数据x1(对应上文中的第二特征提取结果)；
4、判断当前数据条目是否足够，如果不够则返回第2步，否则进入第6步；
5、应用聚类算法进行模型训练得到模型M(对应上文中采样质量分类模型)，并为其中的每一个簇添加语义标签并设定后续操作(该操作可以具体是采样参数的调整方式)。
6、在完成训练步骤后，我们即可使用该模型M实现全自动的“应用”。“应用”阶段的流程如图8所示，在此将步骤梳理如下：
1、设计校准实验流程，输入所需的采样参数类型以及硬件的可调范围；
2、在可调范围内随机生成采样参数α2(对应上文中的第一采样参数)；
3、进行实验并采样获取测量结果d2(对应上文中的第一采样数据)；
4、对结果进行拟合和分析，得到提取特征后的训练数据x2(对应上文中的第一特征提取结果)；
5、使用“训练”阶段得到的聚类模型M进行分类；
6、根据分类结果采取措施，如果不符合预期则进入第7步，否则进入第8步；
7、使用“训练”阶段设定的参数调整方案调整采样参数，并重复执行第三步；
8、完成采样数据的训练，并输出采样、拟合结果等必要信息。
需要说明的是，上文中“第一采样参数”和“第二采样参数”的获取原理相同，用“第一”、“第二”表示主要是区分其使用的场景。其余“第一采样数据”、“第二采样数据”，“第一特征提取结果”、“第二特征提取结果”的类似，此处不再赘述。
上述公开方案中，利用聚类模型，使用不带标签的训练数据进行无监督学习，可以寻找数据内在的分布结构，同时还省去了数据标注的繁杂工作；同时由于采样数据为随机选取，随着数据量的增大，可均匀地覆盖采样参数空间中较多的情况，保证了训练数据有足够的覆盖面，最终训练出一个可以用于“溯因”的采样质量评估模型并使用。
应用本公开实施例一训练样本采集的处理流程包括如下内容：
以Rabi振荡实验为例展示如何寻找采样参数(采样参数具体包括高斯脉冲振幅的扫描区间和采样点数量)。首先，程序通过预设的实验流程和采样参数构造实验脉冲，生成控制信号并输入到位于制冷机中的量子芯片上，随后通过读取设备接受、分析返回信号，得到最终的读取结果。在Rabi实验中，常使用高斯函数构造控制脉冲，高斯函数具体如下所示：
A(t)＝A·exp[((t-τ)/σ)2], (4)
其中，A为最大振幅，τ为脉冲的中心位置，σ为标准差。一次Rabi实验可产生一个训练样本，例如，第i个训练样本是由S次振幅不同的采样构成(扫描振幅)：
Ai＝(Ai1,Ai2,…,Aij,…,AiS), (5)
其中Ai1,…,AiS为等差数列，Ai1和AiS分别为振幅的最小值和最大值(通常Ai1＝0)，构成了高斯脉冲振幅扫描区间，其中下标i表示训练样本的编号，下标j表示高斯脉冲振幅的编号。在本示例中，“采样参数”是指高斯脉冲振幅扫描区间和采样点的数量S。采样完成后，该“实验采样样本”Di中包含了S个点，随后，随机选取m组不同的随机采样参数分别进行采样，得到m组训练样本，形成最终的采样数据集D＝{D1,D2,…,Dm}(相当于上文中的第二采样数据)。通常使用量子态不同能级上的布居数作为测量结果进行拟合并提取特征。
应用本公开实施例一数据体征提取和模型训练的处理流程包括如下内容：
首先对采样数据Di进行拟合，并结合采样数据Di和通过拟合结果得到的“拟合采样样本”Ei来构造训练样本Xi(相当于上文中的第二特征提取结果)。
对于第i个样本Di，首先使用上文中提及的公式(1)进行拟合：
Figure BDA0003576334930000171
拟合后得到拟合结果
Figure BDA0003576334930000172
这里的
Figure BDA0003576334930000173
对应上式中的拟合参数，因而：
Figure BDA0003576334930000181
其中，
Figure BDA0003576334930000182
为拟合的初始参数，Ai为高斯脉冲振幅序列。随后，使用拟合得到的
Figure BDA0003576334930000183
以及Ai基于采样数据Di得到“拟合采样样本”Ei。在本示例中，基于原始数据以及拟合结果Ei之间的差异来构造特征，主要包括：“拟合函数”、“协相关系数”、“布居数分布”、“振荡周期”等多个特征，这些特征值将共同作为当前样本的训练样本Xi，Xi满足以下公式：
Xi＝[FitError(D,E),Cov(D,E),MaxPopE(D,E),…]T (7)
其中，FitError(D,E)、Cov(D,E)等的详细计算方式降在下文中详细说明：
(1)拟合误差和协相关系数
第i个训练样本Di拟合误差使用如下公式计算：
Figure BDA0003576334930000184
其中S＝|Di|表示样本。而协相关系数可以用如下公式表示：
Figure BDA0003576334930000185
这两个特征可以用于表示拟合结果和原始数据之间的相关性，一般来说，噪声越小并且拟合地越好，则相关性会越大，即拟合误差越小，协方差越大。
(2)与布居数相关的特征
该类特征是原始数据中的最大值、最小值和中位数：
MaxPopEi(Ei)＝maxEi, (10)
MinPopEi(Ei)＝minEi, (11)
MedianPopEi(Ei)＝[MaxPopi(Ei)+MinPopi(Ei)]/2, (12)
拟合数据的布居数特征MaxPopDi(Di)、MinPopDi(Di)、MedianPopDi(Di)求法类似，这里就不赘述了。
(3)与振荡周期相关的特征
首先是原始数据的自相关函数，该方法可用于计算数据的周期性，相对于傅里叶变换，其优点是在数据周期很小的情况下，结果较为精准。自相关函数相当于序列与自己的卷积：
Figure BDA0003576334930000191
而周期ACPeriodi(Di)等于相关函数得到的序列中的第一个峰所在的位置。另外，还可以根据拟合出来的结果，得到周期
Figure BDA0003576334930000192
Figure BDA0003576334930000193
其中
Figure BDA0003576334930000194
为拟合得到的周期。根据周期，可以得到一个重要的特征，即每个周期内采样点的数量：
Figure BDA0003576334930000195
至此，特征提取方法已经介绍完成。接下来，使用K-means算法进行模型训练。在训练之前，计算上述特征，并将其存储到一个矩阵中，其中每一列为一个特征，每一行为一个样本。需要采用采用现有技术对特征矩阵进行归一化，随后进行训练。如图6所示，将所有数据分为6个簇，再通过观察簇的特征为其添加语义标签，并设定后续操作。
至此，完成了训练阶段的工作，将训练好的模型称为MRabi。接下来，将使用上述模型进行后续操作。
在完成模型训练后，进入应用阶段。即在真实的实验环境中，使用训练好的模型MRabi对采集数据的情况进行分类预测，得到相应的分类；随后我们根据分类的标签以及预设的操作，调整预测参数的设置(具体包括采样点的数量和高斯脉冲振幅)，并重新进行上述过程，直至分类结果为“采样质量合格(符合预期)”，应用阶段的具体步骤如图8所示。
图9示出了实施“应用阶段”对某一输出信号的采样进行不断修正(校正)，最后得到“采样质量合格(符合预期)”结果的示意图。可以看出，按照箭头的方向，经过多次扫描参数的调整，最终可以得到较好的扫描参数范围，并通过拟合函数，得到较好的拟合结果，从而得到校准所需的实验参数(例如π脉冲振幅)。
实际操作中，将本公开的方案与现有技术中的随机采样方法进行对比，两种方案均以实现相同拟合精度为目标，并对比其达到目标拟合精度所需的迭代步骤；其中，高斯脉冲振幅扫描最大值的初始值随机在[0,10]的范围内随机选取。两种方案的对比结果如表2所示，其中，“误差”由上文中的公式(7)计算得出：
表2：本公开方案与随机采样方法对比结果
Figure BDA0003576334930000201
明显可见，使用本公开的方案可以大大缩减寻找到合适采样参数的迭代次数。
上述方案的主要创新效果如下所示：
第一，本实施例的信号质量校准方法基于溯因法进行自动化校准，即在校准过程中，如果采样结果不满足预期，则使用机器学习的算法，并根据第一预设分类结果所对应的采样参数调整方式，对采样实验参数进行调整。由于采样参数调整方式是基于分类结果对应的失败原因而确定，因此可以使得自动化过程具有较强的可解释性，并能够就非理想情况进行处理，从而实现更完全的自动化(无需较为精确的初始采样参数)，同时也提升了最终的成功率。
第二，本实施例中的初始网络模型可以是聚类模型，即可以采用聚类算法进行模型训练，包括使用聚类算法对实验采样数据类型进行划分。这一方面避免了繁杂的数据标注工作，另一方面还能够寻找出这些数据内在的分布结构。
第三，利用拟合结果与原始数据的差异提取特征：本方案应用原始采样数据与拟合结果之间的差异进行特征的构造，因为拟合函数往往由已知的理论知识给出，这使得模型训练过程能够受到理论的指导，降低训练难度。
如图10所示，本公开的实施例中提供一种信号采样质量的确定装置1000，该装置包括：
第一采样模块1001，用于基于第一采样参数对量子芯片的第一输出信号进行采样，获得第一采样数据；
第一提取模块1002，用于对该第一采样数据进行特征提取，得到第一特征提取结果；
分类模块1003，用于对该第一特征提取结果进行聚类，以确定采样质量分类结果。
一示例中，对该第一采样数据进行特征提取，得到第一特征提取结果，包括：
根据信号生成函数和/或该量子芯片的结构生成拟合函数；
利用该拟合函数对该第一采样数据进行拟合，得到拟合线；
根据该第一采样数据和该拟合线获得该第一特征提取结果。
如图11所示，本公开的实施例中提供再另一种信号采样质量的确定装置1100，该装置包括：
生成模块1101，用于基于实验阈值和信号生成函数生成控制信号；
输入模块1102，用于将该控制信号作为该量子芯片的输入，以获得该第一输出信号。
第一采样模块1103，用于基于第一采样参数对量子芯片的第一输出信号进行采样，获得第一采样数据；
第一提取模块1104，用于对该第一采样数据进行特征提取，得到第一特征提取结果；
分类模块1105，用于对该第一特征提取结果进行聚类，以确定采样质量分类结果。
一示例中，第一采样数据包括量子态不同能级上的布居数，第一采样参数包括扫描区间和采样次数，第一采样模块用于：
在该扫描区间内，按照该采样次数对该第一输出信号进行采样，获得该量子态不同能级上的布居数。
一示例中，第一特征提取结果包括：拟合误差、协相关系数、采样数据特征、自相关函数、周期采样点特征中至少一种。
如图12所示，本公开的实施例中提供另一种信号采样质量的确定装置1200，该装置中采样质量分类结果包括不符合预设质量标准的第一分类结果和符合预设质量标准的第二分类结果，该装置包括：
第一采样模块1201，用于基于第一采样参数对量子芯片的第一输出信号进行采样，获得第一采样数据；
第一提取模块1202，用于对该第一采样数据进行特征提取，得到第一特征提取结果；
分类模块1203，用于将该第一特征提取结果输入采样质量分类模型，以得到采样质量分类结果。
调整模块1204，用于在该采样质量分类结果为该第一分类结果的情况下，根据该第一预设结果所对应的采样参数调整方式，调整该第一采样参数。
根据上述任一示例中公开的装置，其中，该分类模块包括：
将该第一特征提取结果输入采样质量分类模型，得到该采样质量分类结果，该采样质量分类模型基于训练聚类模型而得到。。
如图13所示，本公开的实施例中提供一种采样质量分类模型的训练装置1300，该装置包括：
第二采样模块1301，用于基于多个第二采样参数分别对量子芯片的多个第二输出信号进行采样，获得多组第二采样数据；
第二提取模块1302，用于对该多组第二采样数据分别进行特征提取，得到对应的多个第二特征提取结果；
训练模块1303，用于利用该多个第二特征提取结果训练聚类模型，以得到采样质量分类模型，该采样质量分类模型用于确定采样质量分类结果。
根据上述任一示例中公开的信号采样质量的确定装置，其中，该训练模块用于：
将多个第二输出信号对应的多个第二特征提取结果输入该聚类模型，得到初始分类结果；
根据该初始分类结果与预设分类结果之间的差异，调整该聚类模型的模型参数，以得到该采样质量分类模型。
根据上述任一示例中公开的信号采样质量的确定装置，其中，该预设分类结果包括第一分类结果和第二分类结果，该训练模块，还用于：
预设多个该第一分类结果和该第二分类结果；
预设多个该第一分类结果分别对应的采样参数调整方式。
本公开实施例各装置中的各模块的功能可以参见上述方法中的对应描述，在此不再赘述。
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电子设备、一种可读存储介质和一种计算机程序产品。
图14示出了可以用来实施本公开的实施例的示例电子设备1400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14所示，设备1400包括计算单元1401，其可以根据存储在只读存储器(ROM)1402中的计算机程序或者从存储单元1408加载到随机访问存储器(RAM)1403中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备1400操作所需的各种程序和数据。计算单元1401、ROM 1402以及RAM 1403通过总线1404彼此相连。输入/输出(I/O)接口1405也连接至总线1404。
设备1400中的多个部件连接至I/O接口1405，包括：输入单元1406，例如键盘、鼠标等；输出单元1407，例如各种类型的显示器、扬声器等；存储单元1408，例如磁盘、光盘等；以及通信单元1409，例如网卡、调制解调器、无线通信收发机等。通信单元1409允许设备1400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1401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1401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1401执行上文所描述的各个方法和处理，例如信号采样质量的确定方法。例如，在一些实施例中，方法信号采样质量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1408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1402和/或通信单元1409而被载入和/或安装到设备1400上。当计算机程序加载到RAM 1403并由计算单元1401执行时，可以执行上文描述的信号采样质量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1401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行信号采样质量的确定方法。
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)、复杂可编程逻辑设备(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，本发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)

1.一种信号采样质量的确定方法，包括：
基于第一采样参数对量子芯片的第一输出信号进行采样，获得第一采样数据；
对所述第一采样数据进行特征提取，得到第一特征提取结果；
对所述第一特征提取结果进行聚类，以确定采样质量分类结果。
2.根据权利要求1所述的方法，其中，所述的对所述第一采样数据进行特征提取，得到第一特征提取结果，包括：
根据信号生成函数和/或所述量子芯片的结构生成拟合函数；
利用所述拟合函数对所述第一采样数据进行拟合，得到拟合线；
根据所述第一采样数据和所述拟合线获得所述第一特征提取结果。
3.根据权利要求2所述的方法，还包括：
基于实验阈值和所述信号生成函数生成控制信号；
将所述控制信号作为所述量子芯片的输入，以获得所述第一输出信号。
4.根据权利要求1所述的方法，其中，所述第一采样数据包括量子态不同能级上的布居数，所述第一采样参数包括扫描区间和采样次数，所述的基于第一采样参数对量子芯片的第一输出信号进行采样，获得第一采样数据，包括：
在所述扫描区间内，按照所述采样次数对所述第一输出信号进行采样，获得所述量子态不同能级上的布居数。
5.根据权利要求1所述的方法，其中，所述第一特征提取结果包括：拟合误差、协相关系数、采样数据特征、自相关函数、周期采样点特征中至少一种。
6.根据权利要求1至5任一项所述的方法，其中，所述采样质量分类结果包括不符合预设质量标准的第一分类结果和符合预设质量标准的第二分类结果，所述方法还包括：
在所述采样质量分类结果为所述第一分类结果的情况下，根据所述第一预设结果所对应的采样参数调整方式，调整所述第一采样参数。
7.根据权利要求1至5任一项所述的方法，其中，对所述第一特征提取结果进行聚类，以确定采样质量分类结果，包括：
将所述第一特征提取结果输入采样质量分类模型，得到所述采样质量分类结果，所述采样质量分类模型基于训练聚类模型而得到。
8.一种采样质量分类模型的训练方法，包括：
基于多个第二采样参数分别对量子芯片的多个第二输出信号进行采样，获得多组第二采样数据；
对所述多组第二采样数据分别进行特征提取，得到对应的多个第二特征提取结果；
利用所述多个第二特征提取结果训练聚类模型，得到采样质量分类模型，所述采样质量分类模型用于确定采样质量分类结果。
9.根据权利要求8所述的方法，所述利用所述多个第二特征提取结果训练聚类模型，得到采样质量分类模型，包括：
将多个第二输出信号对应的多个第二特征提取结果输入所述聚类模型，得到初始分类结果；
根据所述初始分类结果与预设分类结果之间的差异，调整所述聚类模型的模型参数，得到所述采样质量分类模型。
10.根据权利要求9所述的方法，其中，所述预设分类结果包括第一分类结果和第二分类结果，所述利用所述多个第二特征提取结果训练聚类模型，以得到采样质量分类模型，还包括：
预设多个所述第一分类结果和所述第二分类结果；
预设多个所述第一分类结果分别对应的采样参数调整方式。
11.一种信号采样质量的确定装置，包括：
第一采样模块，用于基于第一采样参数对量子芯片的第一输出信号进行采样，获得第一采样数据；
第一提取模块，用于对所述第一采样数据进行特征提取，得到第一特征提取结果；
分类模块，对所述第一特征提取结果进行聚类，以确定采样质量分类结果。
12.根据权利要求11所述的装置，其中，所述第一提取模块，用于：
根据信号生成函数和/或所述量子芯片的结构生成拟合函数；
利用所述拟合函数对所述第一采样数据进行拟合，得到拟合线；
根据所述第一采样数据和所述拟合线获得所述第一特征提取结果。
13.根据权利要求12所述的装置，还包括：
生成模块，用于基于实验阈值和信号生成函数生成控制信号；
输入模块，将所述控制信号作为所述量子芯片的输入，以获得所述第一输出信号。
14.根据权利要求11所述的装置，其中，所述第一采样数据包括量子态不同能级上的布居数，所述第一采样参数包括扫描区间和采样次数，所述第一采样模块用于：
在所述扫描区间内，按照所述采样次数对所述第一输出信号进行采样，获得所述量子态不同能级上的布居数。
15.根据权利要求11所述的装置，其中，所述第一特征提取结果包括：拟合误差、协相关系数、采样数据特征、自相关函数、周期采样点特征中至少一种。
16.根据权利要求11-15任一项所述的装置，其中，所述采样质量分类结果包括不符合预设质量标准的第一分类结果和符合预设质量标准的第二分类结果，所述装置还包括：
调整模块，用于在所述采样质量分类结果为所述第一分类结果的情况下，根据所述第一预设结果所对应的采样参数调整方式，调整所述第一采样参数。
17.根据权利要求11-15任一项所述的装置，其中，所述分类模块包括：
将所述第一特征提取结果输入采样质量分类模型，得到所述采样质量分类结果，所述采样质量分类模型基于训练聚类模型而得到。
18.一种采样质量分类模型的训练装置，包括：
第二采样模块，用于基于多个第二采样参数分别对量子芯片的多个第二输出信号进行采样，获得多组第二采样数据；
第二提取模块，用于对所述多组第二采样数据分别进行特征提取，得到对应的多个第二特征提取结果；
训练模块，用于利用所述多个第二特征提取结果训练聚类模型，得到采样质量分类模型，所述采样质量分类模型用于确定采样质量分类结果。
19.根据权利要求18所述的装置，所述训练模块用于：
将多个第二输出信号对应的多个第二特征提取结果输入所述聚类模型，得到初始分类结果；
根据所述初始分类结果与预设分类结果之间的差异，调整所述聚类模型的模型参数，得到所述采样质量分类模型。
20.根据权利要求19所述的装置，其中，所述预设分类结果包括第一分类结果和第二分类结果，所述训练模块，还用于：
预设多个所述第一分类结果和所述第二分类结果；
预设多个所述第一分类结果分别对应的采样参数调整方式。
21.一种电子设备，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。
CN202210345361.4A 2022-03-31 2022-03-31 信号采样质量的确定方法、装置、设备及存储介质 Active CN114757225B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202210345361.4A CN114757225B (zh) 2022-03-31 2022-03-31 信号采样质量的确定方法、装置、设备及存储介质
JP2022139947A JP7346685B2 (ja) 2022-03-31 2022-09-02 信号サンプリング品質の判定方法および装置、サンプリング品質分類モデルのトレーニング方法および装置、電子機器、記憶媒体並びにコンピュータプログラム
US17/939,367 US20230084865A1 (en) 2022-03-31 2022-09-07 Method and apparatus for determining signal sampling quality, electronic device and storage medium
AU2022235559A AU2022235559A1 (en) 2022-03-31 2022-09-21 Method and apparatus for determining signal sampling quality, electronic device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210345361.4A CN114757225B (zh) 2022-03-31 2022-03-31 信号采样质量的确定方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114757225A true CN114757225A (zh) 2022-07-15
CN114757225B CN114757225B (zh) 2023-05-30

Family

ID=82329276

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210345361.4A Active CN114757225B (zh) 2022-03-31 2022-03-31 信号采样质量的确定方法、装置、设备及存储介质

Country Status (4)

Country Link
US (1) US20230084865A1 (zh)
JP (1) JP7346685B2 (zh)
CN (1) CN114757225B (zh)
AU (1) AU2022235559A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117649668B (zh) * 2023-12-22 2024-06-14 南京天溯自动化控制系统有限公司 一种医疗设备计量证书识别和分析方法
CN117571742B (zh) * 2024-01-12 2024-04-05 贵州大学 基于人工智能实现芯片质检的方法及装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103236065A (zh) * 2013-05-09 2013-08-07 中南大学 基于主动轮廓模型和细胞神经网络的生物芯片分析方法
CN106546846A (zh) * 2016-10-18 2017-03-29 天津大学 基于压缩感知盲源信号分离技术的电能质量信号检测装置
CN109308453A (zh) * 2018-08-10 2019-02-05 天津大学 基于模式聚类与谱校正的欠采样信号频率估计方法及装置
CN110503977A (zh) * 2019-07-12 2019-11-26 国网上海市电力公司 一种变电站设备音频信号采集分析系统
CN110662232A (zh) * 2019-09-25 2020-01-07 南昌航空大学 一种采用多粒度级联森林评估链路质量的方法
WO2020038040A1 (zh) * 2018-08-22 2020-02-27 郑州云海信息技术有限公司 信号链路信号质量评估方法、装置、设备及可读存储介质
US20200250241A1 (en) * 2018-12-31 2020-08-06 Dathena Science Pte Ltd Systems and methods for subset selection and optimization for balanced sampled dataset generation
US20200265333A1 (en) * 2019-02-19 2020-08-20 International Business Machines Corporation Quantum space distance estimation for classifier training using hybrid classical-quantum computing system
CN113516247A (zh) * 2021-05-20 2021-10-19 阿里巴巴新加坡控股有限公司 参数校准方法、量子芯片的控制方法、装置及系统
CN113517530A (zh) * 2020-07-22 2021-10-19 阿里巴巴集团控股有限公司 量子芯片的制备方法、装置、设备及量子芯片
CN114048816A (zh) * 2021-11-16 2022-02-15 中国人民解放军国防科技大学 一种图神经网络数据采样方法、装置、设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9940212B2 (en) 2016-06-09 2018-04-10 Google Llc Automatic qubit calibration
US11580433B2 (en) 2019-03-09 2023-02-14 International Business Machines Corporation Validating and estimating runtime for quantum algorithms

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103236065A (zh) * 2013-05-09 2013-08-07 中南大学 基于主动轮廓模型和细胞神经网络的生物芯片分析方法
CN106546846A (zh) * 2016-10-18 2017-03-29 天津大学 基于压缩感知盲源信号分离技术的电能质量信号检测装置
CN109308453A (zh) * 2018-08-10 2019-02-05 天津大学 基于模式聚类与谱校正的欠采样信号频率估计方法及装置
WO2020038040A1 (zh) * 2018-08-22 2020-02-27 郑州云海信息技术有限公司 信号链路信号质量评估方法、装置、设备及可读存储介质
US20200250241A1 (en) * 2018-12-31 2020-08-06 Dathena Science Pte Ltd Systems and methods for subset selection and optimization for balanced sampled dataset generation
US20200265333A1 (en) * 2019-02-19 2020-08-20 International Business Machines Corporation Quantum space distance estimation for classifier training using hybrid classical-quantum computing system
CN110503977A (zh) * 2019-07-12 2019-11-26 国网上海市电力公司 一种变电站设备音频信号采集分析系统
CN110662232A (zh) * 2019-09-25 2020-01-07 南昌航空大学 一种采用多粒度级联森林评估链路质量的方法
CN113517530A (zh) * 2020-07-22 2021-10-19 阿里巴巴集团控股有限公司 量子芯片的制备方法、装置、设备及量子芯片
CN113516247A (zh) * 2021-05-20 2021-10-19 阿里巴巴新加坡控股有限公司 参数校准方法、量子芯片的控制方法、装置及系统
CN114048816A (zh) * 2021-11-16 2022-02-15 中国人民解放军国防科技大学 一种图神经网络数据采样方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DOMINIK S. WILD等: "Quantum Sampling Algorithms for Near-Term Devices", 《ARXIV》 *
KAMIL WERESZCZYNSKIA等: "Cosine series quantum sampling method with applications in signal and image processing", 《ARXIV》 *

Also Published As

Publication number Publication date
JP7346685B2 (ja) 2023-09-19
JP2022171732A (ja) 2022-11-11
CN114757225B (zh) 2023-05-30
AU2022235559A1 (en) 2022-10-06
US20230084865A1 (en) 2023-03-16

Similar Documents

Publication Publication Date Title
CN108446741B (zh) 机器学习超参数重要性评估方法、系统及存储介质
CN114757225B (zh) 信号采样质量的确定方法、装置、设备及存储介质
CN111127364B (zh) 图像数据增强策略选择方法及人脸识别图像数据增强方法
Liu Multi-feature fusion for specific emitter identification via deep ensemble learning
KR20220147550A (ko) 다중 목표의 이미지-텍스트 매칭 모델의 훈련 방법, 이미지-텍스트 검색 방법 및 장치
US20230325675A1 (en) Data valuation using reinforcement learning
CN113326852A (zh) 模型训练方法、装置、设备、存储介质及程序产品
CN114154570A (zh) 一种样本筛选方法、系统及神经网络模型训练方法
CN114637760A (zh) 一种智能问答方法及系统
Nowak et al. Empirical performance of the approximation of the least hypervolume contributor
CN112990035A (zh) 一种文本识别的方法、装置、设备以及存储介质
CN112528159B (zh) 一种特征质量评估方法、装置、电子设备及存储介质
US20200279148A1 (en) Material structure analysis method and material structure analyzer
CN116432608A (zh) 基于人工智能的文本生成方法、装置、计算机设备及介质
US20230100716A1 (en) Self-optimizing context-aware problem identification from information technology incident reports
CN114897183A (zh) 问题数据处理方法、深度学习模型的训练方法和装置
Alamery Cryptocurrency analysis using machine learning and deep learning approaches
CN115168326A (zh) Hadoop大数据平台分布式能源数据清洗方法及系统
WO2018002967A1 (ja) 情報処理システム、情報処理方法、及び、記録媒体
CN114187487A (zh) 一种大规模点云数据的处理方法、装置、设备及介质
CN109166128B (zh) 一种非等效三维点云分割方法
CN113032443A (zh) 用于处理数据的方法、装置、设备和计算机可读存储介质
Li et al. Y-SPCR: A new dimensionality reduction method for gene expression data classification
CN112632999A (zh) 命名实体识别模型获取及命名实体识别方法、装置及介质
Gedda et al. Change Point Detection for Process Data Analytics Applied to a Multiphase Flow Facility.

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