CN114818970B - 经典数据处理方法、计算设备及存储介质 - Google Patents

经典数据处理方法、计算设备及存储介质 Download PDF

Info

Publication number
CN114818970B
CN114818970B CN202210540841.6A CN202210540841A CN114818970B CN 114818970 B CN114818970 B CN 114818970B CN 202210540841 A CN202210540841 A CN 202210540841A CN 114818970 B CN114818970 B CN 114818970B
Authority
CN
China
Prior art keywords
quantum
features
feature
classical data
sequence
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
CN202210540841.6A
Other languages
English (en)
Other versions
CN114818970A (zh
Inventor
王鑫
叶瑞麟
李广西
幺宏顺
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 CN202210540841.6A priority Critical patent/CN114818970B/zh
Publication of CN114818970A publication Critical patent/CN114818970A/zh
Application granted granted Critical
Publication of CN114818970B publication Critical patent/CN114818970B/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
    • G06F18/24—Classification techniques
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Error Detection And Correction (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了经典数据处理方法、计算设备及存储介质，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：获取特征序列，所述特征序列是基于经典数据所包含的M个特征的特征度量信息对所述M个特征进行排序处理后所得；所述经典数据为用于分类处理或回归处理N条经典数据之一；基于所述特征序列中特征的顺序，通过量子编码电路对所述经典数据中的M个特征进行量子编码。如此，能够以较小的代价提高量子编码的质量。而且，兼具通用性和灵活性。

Description

经典数据处理方法、计算设备及存储介质
技术领域
本公开涉及数据处理技术领域，尤其涉及量子计算技术领域。
背景技术
如何对数据进行分类是人工智能领域关注的核心问题，主要原因是生产生活中遇到的很多问题都可以归结为分类问题，例如人脸识别系统、图片分类、肿瘤诊断方案等。近几年量子机器学习领域得到了飞速的发展，近期的量子计算设备已经可以实现量子神经网络(Quantum Neural Network，QNN)。因此，有望通过QNN对经典数据进行分类，从而利用量子纠缠、叠加等量子特性解决当前人工智能技术很难解决的实际问题，突破当前分类问题的瓶颈。
发明内容
本公开提供了一种经典数据处理方法、装置、设备及存储介质。
根据本公开的一方面，提供了一种经典数据处理方法，应用于量子计算设备，包括：
获取特征序列，所述特征序列是基于经典数据所包含的M个特征的特征度量信息对所述M个特征进行排序处理后所得；所述经典数据为用于分类处理或回归处理N条经典数据之一；所述M为大于等于2的自然数；所述N为大于等于1的自然数；以及
基于所述特征序列中特征的顺序，通过量子编码电路对所述经典数据中的M个特征进行量子编码。
根据本公开的另一方面，提供了一种经典数据处理方法，应用于具有经典计算能力和量子计算能力的计算设备，包括：
基于经典数据所包含的M个特征的特征度量信息对所述M个特征进行排序处理，得到特征序列；其中，所述经典数据为用于进行分类处理或回归处理的N条经典数据之一；所述M为大于等于2的自然数；所述N为大于等于1的自然数；以及
基于所述特征序列中特征的顺序，通过量子编码电路对所述特征序列中的M个特征进行量子编码。
根据本公开的另一方面，提供了一种量子计算设备，包括：
输入单元，用于获取特征序列，所述特征序列是基于经典数据所包含的M个特征的特征度量信息对所述M个特征进行排序处理后所得；所述经典数据为用于分类处理或回归处理N条经典数据之一；所述M为大于等于2的自然数；所述N为大于等于1的自然数；
量子处理单元，用于基于所述特征序列中特征的顺序，通过量子编码电路对所述经典数据中的M个特征进行量子编码。
根据本公开的另一方面，提供了一种计算设备，包括：
经典处理单元，用于基于经典数据所包含的M个特征的特征度量信息对所述M个特征进行排序处理，得到特征序列；其中，所述经典数据为用于进行分类处理或回归处理的N条经典数据之一；所述M为大于等于2的自然数；所述N为大于等于1的自然数；
量子处理单元，用于基于所述特征序列中特征的顺序，通过量子编码电路对所述经典数据中的M个特征进行量子编码。
根据本公开的另一方面，提供了一种量子计算设备，包括：
至少一个量子处理单元QPU；
存储器，耦合到至少一个QPU并用于存储可执行指令，
所述指令被所述至少一个量子处理单元执行，以使所述至少一个量子处理单元能够执行以上应用于量子计算设备的方法。
根据本公开的另一方面，提供了一种计算设备，包括：
至少一个处理器；
至少一个量子处理单元QPU；以及
与所述至少一个处理器通信连接，以及与所述至少一个QPU耦合的存储器；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应用于计算设备中的至少部分方法；或者，
所述指令被所述至少一个量子处理单元执行，以使所述至少一个量子处理单元能够执行以上所述的应用于计算设备中的至少部分方法。
根据本公开的另一方面，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，当至少一个量子处理单元执行时，所述计算机指令使得所述至少一个量子处理单元执行以上所述的应用量子计算设备的方法。
根据本公开的另一方面，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计算设备执行以上所述的应用于计算设备的方法。
根据本公开的另一方面，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至少一个量子处理单元执行时实现以上所述的应用于量子计算设备的方法；或者，
所述计算机程序在被处理器和/或量子处理单元执行时实现以上所述应用于计算设备的方法。
这样，能够以较小的代价提高量子编码的质量。而且，兼具通用性和灵活性。
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经典数据处理方法的场景示意图；
图2是根据本申请一实施例经典数据处理方法的示意性流程图一；
图3是根据本申请一实施例经典数据处理方法的示意性流程图二；
图4是根据本申请一实施例经典数据处理方法的示意性流程图三；
图5是根据本申请一实施例经典数据处理方法中使用角度编码电路进行编码后的示意图；
图6是根据本申请一实施例经典数据处理方法的示意性流程图四；
图7是根据本申请另一实施例经典数据处理方法的示意性流程图；
图8是根据本公开实施例使用角度编码电路进行编码的示意图；
图9(a)是根据本公开实施例经典数据处理方法在一具体示例中的实现流程示意图；
图9(b)是根据本公开实施例经典数据处理方法在一具体示例中使用角度编码电路进行编码后的示意图；
图10是根据本公开实施例在具体对比实验中所使用的角度编码电路的示意图；
图11是根据本公开实施例量子计算设备的结构示意图；
图12是根据本公开实施例计算设备的结构示意图；
图13是用来实现本公开实施例经典数据处理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。
在使用QNN进行分类处理或回归处理的场景中，首先要将经典数据编码为量子态(Quantum State)，而编码的实用性与质量直接影响最终的分类结果。
这里编码的质量没有形式化的定义，主要与具体的问题相关。对于分类任务而言，编码的质量越高对应的分类准确率越高。实用性则指的是需要能在近期量子设备上实现。
因此，如何在近期的量子设备上高效地进行量子编码(Quantum Encoding)是一个非常重要的问题。
图1是根据本公开实施例经典数据处理方法的场景示意图，该示意图示例性的描述了可以结合经典计算设备和量子计算设备来进行经典数据处理方法，如此，来借由量子计算设备所具有的量子纠缠、叠加等量子特性解决当前人工智能技术很难解决的实际问题，并提升分类处理或回归处理的准确度，以及分类处理或回归处理效率。具体地，如图1所示，用于分类处理或回归处理的经典数据集合(比如包含N条经典数据，每条经典数据包含有M个特征)经由经典计算设备对特征进行排序处理后，得到经典数据对应的特征序列，将所述经典数据对应的特征序列输入至量子计算设备后，经由量子神经网络所包含的量子编码电路，按照特征序列中特征的顺序，对所述经典数据中的特征进行编码处理，得到该经典数据对应的量子态，再经由量子神经网络所包含的参数化量子电路对经典数据对应的量子态进行作用后，即可输出针对该经典数据的分类结果或回归处理结果。可选地，所述经典计算设备可以具体为个人电脑、服务器、服务器集群等任意具有经典数据处理功能的电子设备，相应地，所述量子计算设备可以具体为通过例如超导量子电路、离子阱、光量子系统等实现的具有量子计算功能的量子设备。
可以理解的是，图1仅是示例性说明，并非用于限制本公开方案的应用场景，实际应用中，本公开方案的经典数据处理方法还可以应用于量子神经网络的模型训练过程等，本公开方案对此不作限制，只要是基于本公开方案所述的方法对经典数据编码成量子态，均在本公开方案的保护范围内。
图2是根据本申请一实施例经典数据处理方法的示意性流程图一。该方法可选地可以应用于量子计算设备中。该方法包括以下内容的至少部分内容。具体地，如图2所示，该方法包括：
步骤S201：获取特征序列，所述特征序列是基于经典数据所包含的M个特征的特征度量信息对所述M个特征进行排序处理后所得；所述经典数据为用于分类处理或回归处理N条经典数据之一；所述M为大于等于2的自然数；所述N为大于等于1的自然数。
这里，所述经典数据可以具体为待进行分类处理或回归处理的图像，比如，人脸图像、字符图像，或者待进行分类处理或回归处理的文本图像等，本公开方案对此不作具体限制。进一步地，所述分类处理主要用于对经典数据进行分类，比如，对于字符图像而言，分类处理可以具体指识别该字符图像所属的字符。所述回归处理主要用于对经典数据的特定区域进行识别，继续以字符图像为例，此时，所述回归处理可以具体指识别得到字符图像中字符所在的区域。可以理解的是，以上仅为示例性说明，实际应用中，还可以有其他分类处理或回归处理，本公开方案对此不做限制。
步骤S202：基于所述特征序列中特征的顺序，通过量子编码电路对所述经典数据中的M个特征进行量子编码。
这样，本公开方案能够基于经典数据自身的数据特征，先对待进行量子编码的特征进行预处理，再进行量子编码，也即在进行量子编码的过程中，充分考虑了待进行量子编码的经典数据的特征，如此，以较小的代价提高了量子编码的质量。而且，通用性强，灵活性强，为后续提升量子机器学习的效率、提升分类结果或回归处理结果的准确率奠定了基础。
在一具体示例中，所述量子编码电路可以为振幅编码电路、角度编码电路、瞬时量子多项式(Instantaneous Quantum Polynomial，IQP)编码电路、哈密顿量演化编码电路等，本公开方案对具体的量子编码电路不作限制。
在本公开方案的一具体示例中，所述特征度量信息为能够度量所述经典数据对应的特征在所述N条经典数据中的波动程度的信息，进而来度量特征在经典数据中的重要程度。
这样，本公开方案提供了一种可量化的衡量标准，如此，为在量子编码过程中考虑经典数据的特征提供了可量化的标准，而且，该衡量标准可解释性强，为后续提升量子机器学习的效率、提升分类结果的准确率奠定了基础。
在本公开方案的一具体示例中，所述特征度量信息为所述经典数据所包含的特征的方差。也就是说，所述特征度量信息为所述特征对应的方差；比如，对于经典数据而言，每个特征属于一个特定的类别，或者说每个特征对应一个属性，比如，特征1对性别，特征2对应年龄，特征3对应学历等，此时，对于N条经典数据而言，每类特征对应一个方差，此时，该类特征的方差可基于N条经典数据所包含的该类特征而得到。
举例来说，以特征矩阵X为例进行说明，该特征矩阵X可表示为(xij)N×M，i＝1，…，N；j＝1，…，M，其中，特征矩阵X的第i行，记为Xi＝{xi1，…，xiM}，表示第i条经典数据，每条经典数据包含有M类特征(也即M个特征)，每类特征通过特征矩阵的列来表达，即特征矩阵X的第j列记为
Figure BDA0003648277800000071
表示第j列特征，比如，第一列对应第一类特征，第二列对应第二类特征，以此类推；
此时，第j列特征的方差σj即为：
Figure BDA0003648277800000072
这样，本公开方案提供了一种可量化的衡量标准，如此，为在量子编码过程中考虑经典数据的特征提供了可量化的标准，而且，该衡量标准简便、可解释性强，为后续提升量子机器学习的效率、提升分类结果的准确率奠定了基础。
在本公开方案的一具体示例中，所述特征序列是基于所述M个特征中特征的特征度量信息对所述M个特征进行降序排序或升序排序后所得。
举例来说，先对M个特征的特征度量信息进行排序处理，得到排序结果，再基于该排序结果，对M个特征基于自身所对应的特征度量信息的大小进行排序，得到特征序列；比如，基于该排序结果，对所述M个特征进行排序，使得M个特征基于自身所对应的特征度量信息的大小进行降序排序，得到特征序列；或者，基于该排序结果，使得M个特征基于自身所对应的特征度量信息的大小进行升序排序，得到特征序列。
举例来说，以N＝2，M＝3为例进行说明，即两条经典数据，每条经典数据包含有3类特征，此时，特征矩阵X即可表示为：
Figure BDA0003648277800000073
这里，
Figure BDA0003648277800000074
表示第j列特征；
进一步地，分别计算每列特征
Figure BDA0003648277800000075
的方差，并记为σ1，σ2，σ3，这里，σ1表示第一类特征的方差，σ2表示第二类特征的方差，σ3表示第三类特征的方差。
按照各列特征的方差大小将方差进行降序排序，得到排序结果σ2，σ3，σ1。进一步地，基于排序结果σ2，σ3，σ1，对特征矩阵X中的特征进行排序，使得特征矩阵X中的特征基于特征的方差进行降序排序，也即将特征矩阵X每一列基于每一列特征的方差进行降序排序，得到新的特征矩阵X′，其中，
Figure BDA0003648277800000081
这里，重新排序后得到的每行特征，也即(x12，x13，x11)即可称为特征序列，也即第一行(或第一条)经典数据对应的特征序列；同理，(x22，x23，x21)即可称为第二行(或第二条)经典数据对应的特征序列。
这样，考虑了经典数据的特征的重要程度，并通过对特征排序进行预处理，如此，为以最小代价提升量子编码的质量提供了支持，而且，该过程无需改变量子编码电路的电路结构，减少了量子计算资源的使用。
在本公开方案的一具体示例中，提供了一种经典数据处理方法，具体地，图3是根据本申请一实施例经典数据处理方法的示意性流程图二，该方法可以应用于量子计算设备，可以理解的是，该方法可应用于图1所示的场景中。如图3所示，该方法包括：
步骤S301：获取特征序列，所述特征序列是基于经典数据所包含的M个特征的特征度量信息对所述M个特征进行排序处理后所得；所述经典数据为用于分类处理或回归处理N条经典数据之一；所述M为大于等于2的自然数；所述N为大于等于1的自然数。
这里，所述经典数据可以具体为待进行分类处理或回归处理的图像，比如，人脸图像、字符图像，或者待进行分类处理或回归处理的文本图像等，本公开方案对此不作具体限制。进一步地，所述分类处理主要用于对经典数据进行分类，比如，对于字符图像而言，分类处理可以具体指识别该字符图像所属的字符。所述回归处理主要用于对经典数据的特定区域进行识别，继续以字符图像为例，此时，所述回归处理可以具体指识别得到字符图像中字符所在的区域。可以理解的是，以上仅为示例性说明，实际应用中，还可以有其他分类处理或回归处理，本公开方案对此不做限制。
在一具体示例中，所述特征度量信息为能够度量所述经典数据对应的特征在所述N条经典数据中的波动程度的信息，进而来度量特征在经典数据中的重要程度。进一步地，所述特征度量信息为所述经典数据所包含的特征的方差。也就是说，所述特征度量信息为所述特征对应的方差；比如，对于经典数据而言，每个特征属于一个特定的类别，或者说每个特征对应一个属性，比如，特征1对性别，特征2对应年龄，特征3对应学历等，此时，对于N条经典数据而言，每类特征对应一个方差，此时，该类特征的方差可基于N条经典数据所包含的该类特征而得到。
这里，有关特征度量信息的具体说明和示例可参见以上描述，此处不再赘述。
在另一具体示例中，所述特征序列是基于所述M个特征中特征的特征度量信息对所述M个特征进行降序排序或升序排序后所得。这里，特征序列有关说明和示例，可参见以上描述，此处不再赘述。
在一具体示例中，所述量子编码电路可以为振幅编码电路、角度编码电路、瞬时量子多项式(Instantaneous Quantum Polynomial，IQP)编码电路、哈密顿量演化编码电路等，本公开方案对具体的量子编码电路不作限制。
步骤S302：基于所述特征序列中特征的顺序，将所述经典数据中的M个特征编码在所述量子编码电路中的量子比特上。
在本公开方案的一具体示例中，所述量子编码电路是基于所述特征序列对应的分布情况所确定，所述分布情况表征所述特征序列中特征的特征度量信息的数据分布情况。也就是说，该示例中，可以基于待进行量子编码的特征序列对应的数据分布情况来有针对性地选择量子编码电路，如此，为进一步提升量子编码的质量奠定了基础。
在本公开方案的一具体示例中，所述量子编码电路包含有目标数量个量子比特；所述目标数量是基于所述分布情况所确定出的、对所述特征序列进行量子编码所需的量子比特的数量。也就是说，该示例中，可以基于待进行量子编码的特征序列对应的数据分布情况来有针对性地确定目标数量，然后确定出量子编码电路，如此，为进一步提升量子编码的质量奠定了基础。
举例来说，继续以特征矩阵X为例进行说明，在得到特征矩阵X中各列特征(也即各类特征)的方差σ1，σ2，σ3...σM之后，对方差进行排序处理后获知前4个方差较大，而且，从第5个方差起，相较于前四个而言均较小，此时，则可选择包含有4个量子比特的电路作为量子编码电路。
可以理解的是，方差的大与小为相对概念，是计算得到的一组具体数值之间比较得到的，本公开方案对方差的大与小不作具体限制，只要是基于方差的数据分布情况来选择量子编码电路均在本公开方案的保护范围内。
这样，本公开方案能够基于经典数据自身的数据特征，先对待进行量子编码的特征进行预处理，再基于预处理结果，也即得到的特征序列中特征的顺序，将经典数据中的M个特征依次编码在所述量子编码电路中的量子比特上，如此，以较小的代价提高了量子编码的质量。而且，通用性强，灵活性强，为后续提升量子机器学习的效率、提升分类结果或回归处理结果的准确率奠定了基础。
在本公开方案的一具体示例中，提供了一种经典数据处理方法，具体地，图4是根据本申请一实施例经典数据处理方法的示意性流程图三，该方法可以应用于量子计算设备，可以理解的是，该方法可应用于图1所示的量子计算设备中。如图4所示，该方法包括：
步骤S401：获取特征序列，所述特征序列是基于经典数据所包含的M个特征的特征度量信息对所述M个特征进行排序处理后所得；所述经典数据为用于分类处理或回归处理N条经典数据之一；所述M为大于等于2的自然数；所述N为大于等于1的自然数。
这里，所述经典数据可以具体为待进行分类处理或回归处理的图像，比如，人脸图像、字符图像，或者待进行分类处理或回归处理的文本图像等，本公开方案对此不作具体限制。进一步地，所述分类处理主要用于对经典数据进行分类，比如，对于字符图像而言，分类处理可以具体指识别该字符图像所属的字符。所述回归处理主要用于对经典数据的特定区域进行识别，继续以字符图像为例，此时，所述回归处理可以具体指识别得到字符图像中字符所在的区域。可以理解的是，以上仅为示例性说明，实际应用中，还可以有其他分类处理或回归处理，本公开方案对此不做限制。
在一具体示例中，所述特征度量信息为能够度量所述经典数据对应的特征在所述N条经典数据中的波动程度的信息，进而来度量特征在经典数据中的重要程度。进一步地，所述特征度量信息为所述经典数据所包含的特征的方差。也就是说，所述特征度量信息为所述特征对应的方差；比如，对于经典数据而言，每个特征属于一个特定的类别，或者说每个特征对应一个属性，比如，特征1对性别，特征2对应年龄，特征3对应学历等，此时，对于N条经典数据而言，每类特征对应一个方差，此时，该类特征的方差可基于N条经典数据所包含的该类特征而得到。
这里，有关特征度量信息的具体说明和示例可参见以上描述，此处不再赘述。
在另一具体示例中，所述特征序列是基于所述M个特征中特征的特征度量信息对所述M个特征进行降序排序或升序排序后所得。这里，特征序列有关说明和示例，可参见以上描述，此处不再赘述。
在一具体示例中，所述量子编码电路可以为振幅编码电路、角度编码电路、瞬时量子多项式(Instantaneous Quantum Polynomial，IQP)编码电路、哈密顿量演化编码电路等，本公开方案对具体的量子编码电路不作限制。
步骤S402：在所述量子编码电路中包含有多个量子比特情况下，基于所述量子编码电路中量子比特的目标数量，对所述特征序列中的M个特征进行分组，得到至少一个有序特征组，所述有序特征组中包含有所述目标数量个特征，且所包含的特征的顺序与所述特征序列中特征的顺序相对应。
举例来说，如图5所示，以特征序列包含4个特征(按顺序分别记为x2，x4，x1和x3)，量子编码电路中包含有2个量子比特(分别为量子比特Q0和量子比特Q1)为例进行说明，此时，由于量子编码电路中包含有2个量子比特，所以，将特征序列中的4个特征进行分组，分成两个有序特征组，其中，第一个有序特征组包含x2和x4，第二个有序特征组包含x1和x3，每个有序特征组中的特征的先后顺序，与在特征序列中的先后顺序一致，比如，对于第一个有序特征组而言，特征的顺序为x2，x4，如此，与在特征序列中x2和x4的先后顺序一致。
可以理解的是，当存在多个有序特征组的情况下，有序特征组之间，也是基于特征序列进行排序的，比如，排序结果为第一个有序特征组、第二个有序特征组，如此，确保特征序列中各特征的顺序不变。或者，有序数组之间是无序的，此时，只要有序数组中的特征是按顺序排序的即可。
在本公开方案的一具体示例中，所述量子编码电路是基于所述特征序列对应的分布情况所确定，所述分布情况表征所述特征序列中特征的特征度量信息的数据分布情况。也就是说，该示例中，可以基于待进行量子编码的特征序列对应的数据分布情况来有针对性地选择量子编码电路，如此，为进一步提升量子编码的质量奠定了基础。
在本公开方案的一具体示例中，所述量子编码电路包含有目标数量个量子比特；所述目标数量是基于所述分布情况所确定出的、对所述特征序列进行量子编码所需的量子比特的数量。也就是说，该示例中，可以基于待进行量子编码的特征序列对应的数据分布情况来有针对性地确定目标数量，然后确定出量子编码电路，如此，为进一步提升量子编码的质量奠定基础。这里，具体示例可参见以上说明，此处不再赘述。
步骤S403：基于所述特征序列中特征的顺序，将所述有序特征组中不同特征编码到所述量子编码电路中的不同量子比特上。
举例来说，继续以图5为例，此时，可以将第一个有序特征组中x2，x4对应编码到所述量子编码电路的量子比特Q0和量子比特Q1上，进一步地，将第二个有序特征组中x1，x3对应编码到所述量子编码电路的量子比特Q0和量子比特Q1上，如此，尽可能将方差大的特征编码到量子编码电路中不同的量子比特上，为提升量子编码的质量奠定了基础。
这样，本公开方案充分利用了量子编码的特征位置敏感的特性，创新性在量子编码过程中，考虑了经典数据的特征的重要程度，并通过对特征排序进行预处理，为量子编码设计提供了新的思路，同时，实现了以较小的代价提高量子编码的质量的目的。
在本公开方案的一具体示例中，提供了一种经典数据处理方法，具体地，图6是根据本申请一实施例经典数据处理方法的示意性流程图四，该方法可以应用于量子计算设备，可以理解的是，该方法可应用于图1所示的量子计算设备中。如图6所示，该方法包括：
步骤S601：获取特征序列，所述特征序列是基于经典数据所包含的M个特征的特征度量信息对所述M个特征进行排序处理后所得；所述经典数据为用于分类处理或回归处理N条经典数据之一；所述M为大于等于2的自然数；所述N为大于等于1的自然数。
步骤S602：基于所述特征序列中特征的顺序，通过量子编码电路对所述经典数据中的M个特征进行量子编码。
这里，步骤S601和步骤S602的相关描述可参见以上图2至图4的相关内容，此处不再赘述。
步骤S603：得到所述经典数据对应的量子态；其中，所述量子编码电路为量子神经网络所包含的编码电路；所述量子神经网络能够对所述N条经典数据进行处理，所述处理为以下至少之一：模型训练、分类处理、回归处理。
也就是说，用于进行模型训练，或模型训练后的用于分类处理，或者模型训练后的用于回归处理的量子神经网络两部分，一部分为量子编码电路，用于对经典数据进行量子编码，得到经典数据对应的量子态；另一部分为参数化量子电路，用于进行模型训练，或分类处理、或回归处理等。在一具体示例中，本公开方案所述的量子编码电路为量子神经网络中的编码电路。
步骤S604：将所述量子神经网络包含的参数化量子电路作用到所述经典数据对应的量子态上，得到输出结果。
这里，该输出结果可通过测量得到；进一步地，对于模型训练的场景而言，基于该输出结果即可计算损失函数进而来优化参数化量子电路，完成模型训练。对于分类处理或回归处理而言，该输出结果即为分类结果或回归结果。
这样，本公开方案来借由量子计算设备所具有的量子纠缠、叠加等量子特性解决当前人工智能技术很难解决的实际问题，并提升分类处理或回归处理的准确度，以及分类处理或回归处理效率。
基于此，相较于现有量子编码方案，本公开方案具有如下优势：
第一，使用的量子计算资源少；现有量子编码方案只关注量子编码电路的结构，而忽略了待进行量子编码的数据本身的性质。而且，现有量子编码方案通常是调整量子编码电路的结构来优化编码的质量，而若要改变量子编码电路的结构，就需要改变在量子计算机上的运行方式，显然，会消耗大量的量子计算资源，通过大量实验发现量子编码的质量与量子编码电路的结构不会直接相关。因此，现有量子编码方案往往得不偿失。而本公开方案提供了一种新思路，通过挖掘出经典数据内在的结构信息，比如挖掘得到特征表达更为优异的经典数据，基于此，对特征进行排序处理后再进行量子编码处理，如此，基于经典数据内在的结构信息来改进当前的量子编码方式，这样，以较小的代价提高了量子编码的质量，同时，也提升了量子机器学习的效果及效率。
第二，兼具实用性、有效性和通用性；由于本公开方案是通过将经典数据的特征按照特征度量信息，比如方差进行排序的方法来优化量子编码方式的，所以，不需要额外的量子计算资源即可更好的完成量子机器学习的任务，而且，可以在近期的量子设备上实现，实用性更强；同时，本公开方案还提升了分类准确率或回归结果的准确率，因此，有效性更强；再有，本公开方案对具体的量子编码电路以及具体的经典数据集不作限制，换言之，能够适用于任何量子编码电路，处理不同的经典数据集，因此，通用性也更强。
本公开方案还提供了一种经典数据处理方法，应用于具有经典计算能力和量子计算能力的计算设备，比如，应用于兼具经典计算能力和量子计算能力的量子计算设备；可以理解的是，该示例也可应用于如图1所示的场景中，此时，可将经典计算设备和量子计算设备看做所述计算设备中的两个功能单元，一个具有经典计算能力，另外一个具有量子计算能力即可。
具体地，如图7所示，包括：
步骤S701：基于经典数据所包含的M个特征的特征度量信息对所述M个特征进行排序处理，得到特征序列；其中，所述经典数据为用于进行分类处理或回归处理的N条经典数据之一；所述M为大于等于2的自然数；所述N为大于等于1的自然数。
这里，所述经典数据可以具体为待进行分类处理或回归处理的图像，比如，人脸图像、字符图像，或者待进行分类处理或回归处理的文本图像等，本公开方案对此不作具体限制。进一步地，所述分类处理主要用于对经典数据进行分类，比如，对于字符图像而言，分类处理可以具体指识别该字符图像所属的字符。所述回归处理主要用于对经典数据的特定区域进行识别，继续以字符图像为例，此时，所述回归处理可以具体指识别得到字符图像中字符所在的区域。可以理解的是，以上仅为示例性说明，实际应用中，还可以有其他分类处理或回归处理，本公开方案对此不做限制。
步骤S702：基于所述特征序列中特征的顺序，通过量子编码电路对所述经典数据中的M个特征进行量子编码。
在一具体示例中，步骤S701可由计算设备中经典计算能力实现，该经典计算能力可具体由计算设备的部分功能模块实现。相应地，步骤S702可由计算设备中量子计算能力实现，该量子计算能力可具体由计算设备的其他部分功能模块实现，本公开方案对此不作限制。
进一步地，在一示例中，所述计算设备包括经典计算设备和量子计算设备，此时，步骤S701可由经典计算设备实现，步骤S702可由量子计算设备实现。
这样，本公开方案能够基于经典数据自身的数据特征，先对待进行量子编码的特征进行预处理，再进行量子编码，也即在进行量子编码的过程中，充分考虑了待进行量子编码的经典数据的特征，如此，以较小的代价提高了量子编码的质量。而且，通用性强，灵活性强，为后续提升量子机器学习的效率、提升分类结果或回归处理结果的准确率奠定了基础。
在一具体示例中，所述量子编码电路可以为振幅编码电路、角度编码电路、瞬时量子多项式(Instantaneous Quantum Polynomial，IQP)编码电路、哈密顿量演化编码电路等，本公开方案对具体的量子编码电路不作限制。
在本公开方案的一具体示例中，可采用如下方式来实现量子编码，具体地，以上所述的基于所述特征序列中特征的顺序，通过量子编码电路对所述经典数据中的M个特征进行量子编码，具体包括：基于所述特征序列中特征的顺序，将所述经典数据中的M个特征编码在所述量子编码电路中的量子比特上。
这样，本公开方案能够基于经典数据自身的数据特征，先对待进行量子编码的特征进行预处理，再基于预处理结果，也即得到的特征序列中特征的顺序，将经典数据中的M个特征依次编码在所述量子编码电路中的量子比特上，如此，以较小的代价提高了量子编码的质量。而且，通用性强，灵活性强，为后续提升量子机器学习的效率、提升分类结果或回归处理结果的准确率奠定了基础。
在本公开方案的一具体示例中，还可以采用如下方式来实现量子编码；具体地，在所述量子编码电路中包含有多个量子比特情况下，基于所述量子编码电路中量子比特的目标数量，对所述特征序列中的M个特征进行分组，得到至少一个有序特征组，所述有序特征组中包含有所述目标数量个特征，且所包含的特征的顺序与所述特征序列中特征的顺序相对应；在一示例中，该步骤可由计算设备中具有量子计算能力的相关模块实现；或者，该步骤也可由计算设备中具有经典计算能力的相关模块实现。
基于此，以上所述的将所述经典数据中的M个特征编码在所述量子编码电路中的量子比特上，具体包括：将所述有序特征组中不同特征编码到所述量子编码电路中的不同量子比特上。
可以理解的是，具体示例以及相关解释可参照以上所述的应用于量子计算设备的方法的相关内容，此处不再赘述。
这样，本公开方案充分利用了量子编码的特征位置敏感的特性，创新性在量子编码过程中，考虑了经典数据的特征的重要程度，并通过对特征排序进行预处理，为量子编码设计提供了新的思路，同时，实现了以较小的代价提高量子编码的质量的目的。
在本公开方案的一具体示例中，所述量子编码电路是基于所述特征序列对应的分布情况所确定，所述分布情况表征所述特征序列中特征的特征度量信息的数据分布情况。也就是说，该示例中，可以基于待进行量子编码的特征序列对应的数据分布情况来有针对性地选择量子编码电路，如此，为进一步提升量子编码的质量奠定了基础。
在本公开方案的一具体示例中，所述量子编码电路包含有目标数量个量子比特；所述目标数量是基于所述分布情况所确定出的、对所述特征序列进行量子编码所需的量子比特的数量。也就是说，该示例中，可以基于待进行量子编码的特征序列对应的数据分布情况来有针对性地确定目标数量，然后确定出量子编码电路，如此，为进一步提升量子编码的质量奠定了基础。具体示例以及相关解释可参照以上所述的应用于量子计算设备的方法的相关内容，此处不再赘述。
这样，本公开方案能够基于经典数据自身的数据特征，先对待进行量子编码的特征进行预处理，再基于预处理结果，也即得到的特征序列中特征的顺序，将经典数据中的M个特征依次编码在所述量子编码电路中的量子比特上，如此，以较小的代价提高了量子编码的质量。而且，通用性强，灵活性强，为后续提升量子机器学习的效率、提升分类结果或回归处理结果的准确率奠定了基础。
在本公开方案的一具体示例中，所述特征度量信息为能够度量所述经典数据对应的特征在所述N条经典数据中的波动程度的信息，进而来度量特征在经典数据中的重要程度。
这样，本公开方案提供了一种可量化的衡量标准，如此，为在量子编码过程中考虑经典数据的特征提供了可量化的标准，而且，该衡量标准可解释性强，为后续提升量子机器学习的效率、提升分类结果的准确率奠定了基础。
在本公开方案的一具体示例中，还可以采用如下方式计算的得到特征度量信息，具体包括：计算得到所述经典数据所包含的特征的方差；将所述经典数据所包含的特征的方差作为所述特征的特征度量信息。比如，在计算设备中具有经典计算能力的相关模块计算所述经典数据所包含的特征的方差，进而将特征的方差作为该特征的特征度量信息。
这里，具体示例以及相关解释可参照以上所述的应用于量子计算设备的方法的相关内容，此处不再赘述。
这样，本公开方案提供了一种可量化的衡量标准，如此，为在量子编码过程中考虑经典数据的特征提供了可量化的标准，而且，该衡量标准简便、可解释性强，为后续提升量子机器学习的效率、提升分类结果的准确率奠定了基础。
在本公开方案的一具体示例中，还可以采用如下方式，得到特征序列，具体地，以上所述的基于经典数据所包含的M个特征的特征度量信息对所述M个特征进行排序处理，得到特征序列，具体包括：基于所述经典数据所包含的M个特征的特征度量信息，对所述M个特征进行降序排序或升序排序，得到所述特征序列。这里，具体示例以及相关解释可参照以上所述的应用于量子计算设备的方法的相关内容，此处不再赘述。
这样，考虑了经典数据的特征的重要程度，并通过对特征排序进行预处理，如此，为以最小代价提升量子编码的质量提供了支持，而且，该过程无需改变量子编码电路的电路结构，减少了量子计算资源的使用。
在本公开方案的一具体示例中，在量子编码完成后，还会得到所述经典数据对应的量子态；其中，所述量子编码电路为量子神经网络所包含的编码电路；所述量子神经网络能够对所述N条经典数据进行处理，所述处理为以下至少之一：模型训练、分类处理、回归处理；将所述量子神经网络包含的参数化量子电路作用到所述经典数据对应的量子态上，得到输出结果。可以理解的是，该示例的具体步骤可以通过计算设备中具有量子计算功能的相关模块实现。
这样，本公开方案来借由量子计算设备所具有的量子纠缠、叠加等量子特性解决当前人工智能技术很难解决的实际问题，并提升分类处理或回归处理的准确度，以及分类处理或回归处理效率。
基于此，相较于现有量子编码方案，本公开方案具有如下优势：
第一，使用的量子计算资源少；现有量子编码方案只关注量子编码电路的结构，而忽略了待进行量子编码的数据本身的性质。而且，现有量子编码方案通常是调整量子编码电路的结构来优化编码的质量，而若要改变量子编码电路的结构，就需要改变在量子计算机上的运行方式，显然，会消耗大量的量子计算资源，通过大量实验发现量子编码的质量与量子编码电路的结构不会直接相关。因此，现有量子编码方案往往得不偿失。而本公开方案提供了一种新思路，通过挖掘出经典数据内在的结构信息，比如挖掘得到特征表达更为优异的经典数据，基于此，对特征进行排序处理后再进行量子编码处理，如此，基于经典数据内在的结构信息来改进当前的量子编码方式，这样，以较小的代价提高了量子编码的质量，同时，也提升了量子机器学习的效果及效率。
第二，兼具实用性、有效性和通用性；由于本公开方案是通过将经典数据的特征按照特征度量信息，比如方差进行排序的方法来优化量子编码方式的，所以，不需要额外的量子计算资源即可更好的完成量子机器学习的任务，而且，可以在近期的量子设备上实现，实用性更强；同时，本公开方案还提升了分类准确率或回归结果的准确率，因此，有效性更强；再有，本公开方案对具体的量子编码电路以及具体的经典数据集不作限制，换言之，能够适用于任何量子编码电路，处理不同的经典数据集，因此，通用性也更强。
以下结合具体示例，对本公开方案做进一步详细说明；具体地，本公开方案提供一种基于经典数据的特征进行排序处理的量子编码方案，能够以较小的代价来提高量子编码的质量。
具体地，本示例中，对N条经典数据按照其特征的方差，由大到小进行排序，得到特征序列，进而对该N条经典数据的特征序列进行量子编码。需要说明的是，本公开方案的主要思想是利用量子编码电路的不对称性来提高量子编码的质量，从而达到更好的量子机器学习的效果。举例来说，经典数据集经典数据中的特征的方差越大，意味着该特征的数值波动越大，方差大的特征，往往是经典数据集中的重要特征，起到决定性因素，因此，为减少这些重要特征的相互影响，也需要将方差大的特征编码到量子编码电路中不同的量子比特上。
需要说明的是，人工智能方法中，特征向量中的特征具有一定的对称性，例如神经网络，线性回归等，改变每个特征的位置对分类结果不会有影响。但是，对于QNN而言，则不同，例如QNN中通用酉门：
Figure BDA0003648277800000191
其中，三个参数θ，λ，φ的重要程度并不等价。因此，对于QNN而言，特征的位置变化，对量子编码的结果存在影响，进而对分类结果也存在影响。
进一步地，如图8所示，使用角度编码电路来编码高维数据，通常会需要很多旋转门进行叠加，此时，不同的特征编码到不同的量子比特上，会得到不同的编码结果。如此，进一步说明了特征在量子编码电路中的位置，对最终的编码结果会产生影响。这里，可将量子编码的这种特点称为特征位置敏感。
基于此，本公开方案充分利用了量子编码的特征位置敏感的特性，创新性在量子编码过程中，考虑了经典数据的特征的重要程度，并通过对特征进行排序进行预处理，为量子编码设计提供了新的思路，同时，实现了以较小的代价提高量子编码的质量的目的。而且，本公开方案无需改变量子编码电路的电路结构，减少了量子计算资源使用；而且，由于能够在不改变量子编码电路的结构的同时，提升编码的质量，所以，本公开方案还兼具通用性和灵活性，提高了量子机器学习的效果。
如图9(a)所示，经典数据处理方法的主要流程包括：
步骤一：确定特征矩阵X和量子编码电路E，这里，所述量子编码方式也即量子编码电路。进一步地，特征矩阵X可表示为(xij)N×M，i＝1，…，N；j＝1，…，M，其中，特征矩阵X的第i行，记为Xi＝{xi1，…，xiM}，表示第i条经典数据，特征矩阵X的第j列，记为
Figure BDA0003648277800000201
表示第j列特征；其中，每条经典数据均包括含有M个特征；E为任意已知的量子编码电路。
步骤二：在经典计算机上计算每列特征的方差，第一列特征的方差记为σ1，第二列特征的方差记为σ2，第三列特征的方差记为σ3，以此类推，第M列特征的方差则即为σM，其中，第j列特征的方差σj为：
Figure BDA0003648277800000202
步骤三：将σ1，σ2，σ3...σM按照由大到小排序，得到方差排序结果；基于方差排序结果，将特征矩阵X的每一列进行排序，使得每一列的方差也由大到小排序，并得到新的特征矩阵X′。
这里，新的特征矩阵X′是基于方差排序结果对特征矩阵X排序后所得，其中，新的特征矩阵X′的第i行，可记为X′i＝{x′i1，…，x′iM}，第j列，可记为
Figure BDA0003648277800000203
步骤四：将新的特征矩阵X′的每一行X′i输入至量子计算机，以将每一行X′i作用到量子编码电路，执行量子编码电路EX(X′i)，得到量子编码后的量子态，记为|E>i＝E(X′i)|0N>。比如，首先将新的特征矩阵X′的第一行X′1输入至量子计算机，得到第一行X′1对应的量子态|E>1；再将新的特征矩阵X′的第二行X′2输入至量子计算机，得到第二行X′2对应的量子态|E>2，以此类推，直至得到每一行对应的量子态。
需要说明的是，|E>i表示将X′i作用到量子编码电路E后的结果，并非是QNN的真正输出量子态。具体而言，所述QNN包括量子编码电路和参数化量子电路，而|E>i指的是作用量子编码电路后的量子态，而实际使用(比如模型训练、分类处理或回归处理)时，需要继续将参数化电路作用到|E>i上才可得到QNN的真正输出量子态。
举例来说，对于M＝3，N＝2的情况，特征矩阵X可记为：
Figure BDA0003648277800000211
其中，
Figure BDA0003648277800000212
分别计算每列特征
Figure BDA0003648277800000213
的方差，并记为σ1，σ2，σ3，按照各列特征的方差大小进行降序排序，排序结果为σ2，σ3，σ1，此时，基于排序结果σ2，σ3，σ1，将特征矩阵X的每一列进行排序，得到新的特征矩阵X′：
Figure BDA0003648277800000214
最后，将X′中的每一行输入至量子计算机，举例来说，如图9(b)所示，将X′中的第一行[x12 x13 x11](记为X′1)输入至量子计算机，执行量子编码电路E(x12，x13，x11)，得到量子编码后的量子态，记为|E>1＝E(X′1)|0N>，并将QNN中的参数化量子电路作用到|E>1后得到最终的输出量子态。进一步地，按照上述方案处理第二行，即可得到第二行对应的量子态|E>2＝E(X′2)|0N>，并作用参数化量子电路后得到第二行对应的最终的输出量子态。
这里，为了证明将特征基于方差从大到小重新排布后再进行量子编码可以提高量子编码的质量，本示例以如图10所示的角度编码电路为例，分别在BreastCancer经典数据集，Spambase经典数据集和German credit经典数据集上展开了实验。
这里，所述BreastCancer经典数据集中各经典数据有30个特征，用于判断经典数据对应的病人是否患有乳腺癌，本公开方案的实验去掉了原BreastCancer经典数据集中最后六个维度的特征，保留前24个维度的特征。进一步地，BreastCancer经典数据集共有529条经典数据，两个类别的经典数据的数目不相同，也即患有乳腺癌的经典数据的数目，与未患有乳腺癌的经典数据的数目不相同。为了保持类别平衡，本本公开方案的实验两个类别分别选取260的经典数据。所述Spambase经典数据集中各经典数据有57个特征，用于判断经典数据对应的邮件是否存在垃圾邮件。Spambase经典数据集中共4601个经典数据，分为0，1两类，其中标签为0的经典数据有2788条，标签为1的经典数据有1813条。为保持样本均衡，每类选取各选择1800条经典数据进行实验。所述German credit经典数据集有24个特征，用于判断经典数据对应的信用卡是否存在失信行为。所述German credit经典数据集共有1000条数据，分为0，1两类，标签为1的经典数据有700个，标签为2的经典数据有300个，为了达到类别平衡，每一类选择300个经典数据。
如图10所示，Ry表示R旋转门，Sj(j＝1，2，...，k，...，2k，...，Lk)是排序后的特征，Sj是一个标量。这里，为了说明本公开方案的效果，该示例引入了量子态与类别之间的瑞丽互信息I2(C:Q)和稳定最大分类精度两个评价标准。这里，I2(C:Q)的值越大，说明量子编码出来的量子态更容易被分类器(也即量子神经网络)区分。稳定最大分类精度指的是能够比较稳定的达到的最大分类精度，而不是某一次或两次达到的远超其他情况的分类精度。
使用本公开方案，选用量子比特的数目为2，4，8三种情况的角度编码电路，对以上处理后的三个经典数据集进行处理，实验结果如下表所示。
表1：角度编码下不同编码顺序的实验结果
Figure BDA0003648277800000221
Figure BDA0003648277800000231
这里，表中order列中的normal表示正常顺序编码，order列中的variance代表按照方差从大到小编码。如上表所示，基于本公开方案，I2(C:Q)和稳定最大分类精度都有所提高，如此，证明本公开方案有效改善了监督学习的效果，这充分展示了本公开方案的有效性。
需要说明的是，本公开方案不局限于具体的编码方式，上述案例仅是示例性说明，实际应用中，还可以选用IQP编码电路、哈密顿量演化编码电路等，均可按照特征的重要度将经典数据编码到不同的位置，而且，也能够达到很好的效果。
另外，本公开方案不局限于分类任务。实际上无论是分类任务还是回归任务，最终的效果取决于特征的好坏，因此，将基于特征的特性将特征编码到不同量子比特上以对特征进行区分对待是十分合理的。
这样，与现有关注电路结构的方案相比，本公开方案能够通过特征度量信息，比如方差，来优化特征的编码位置，如此，在现有编码方式的基础上，进一步提升量子数据对经典数据的数据特征的表达能力，进而提升量子机器学习的整体效果，同时对近期量子设备较为友好，因此，本公开方案具有很好的有效性和实用性。
本公开方案还提供了一种量子计算设备，如图11所示，包括：
输入单元1101，用于获取特征序列，所述特征序列是基于经典数据所包含的M个特征的特征度量信息对所述M个特征进行排序处理后所得；所述经典数据为用于分类处理或回归处理N条经典数据之一；所述M为大于等于2的自然数；所述N为大于等于1的自然数；
量子处理单元1102，用于基于所述特征序列中特征的顺序，通过量子编码电路对所述经典数据中的M个特征进行量子编码。
在本公开方案的一具体示例中，所述量子处理单元，具体用于基于所述特征序列中特征的顺序，将所述经典数据中的M个特征编码在所述量子编码电路中的量子比特上。
在本公开方案的一具体示例中，所述量子处理单元，还用于在所述量子编码电路中包含有多个量子比特情况下，基于所述量子编码电路中量子比特的目标数量，对所述特征序列中的M个特征进行分组，得到至少一个有序特征组，所述有序特征组中包含有所述目标数量个特征，且所包含的特征的顺序与所述特征序列中特征的顺序相对应；将所述有序特征组中不同特征编码到所述量子编码电路中的不同量子比特上。
在本公开方案的一具体示例中，所述量子编码电路是基于所述特征序列对应的分布情况所确定，所述分布情况表征所述特征序列中特征的特征度量信息的数据分布情况。
在本公开方案的一具体示例中，所述量子编码电路包含有目标数量个量子比特；所述目标数量是基于所述分布情况所确定出的、对所述特征序列进行量子编码所需的量子比特的数量。
在本公开方案的一具体示例中，所述特征度量信息为能够度量所述经典数据对应的特征在所述N条经典数据中的波动程度的信息。
在本公开方案的一具体示例中，所述特征度量信息为所述经典数据所包含的特征的方差。
在本公开方案的一具体示例中，所述特征序列是基于所述M个特征中特征的特征度量信息对所述M个特征进行降序排序或升序排序后所得。
在本公开方案的一具体示例中，所述量子处理单元，还用于：
得到所述经典数据对应的量子态；其中，所述量子编码电路为量子神经网络所包含的编码电路；所述量子神经网络能够对所述N条经典数据进行处理，所述处理为以下至少之一：模型训练、分类处理、回归处理；
将所述量子神经网络包含的参数化量子电路作用到所述经典数据对应的量子态上，得到输出结果。
本公开实施例的量子计算设备的各单元的具体功能和示例的描述，可以参见上述方法实施例中对应步骤的相关描述，在此不再赘述。
本公开方案还提供了一种计算设备，如图12所示，包括：
经典处理单元1201，用于基于经典数据所包含的M个特征的特征度量信息对所述M个特征进行排序处理，得到特征序列；其中，所述经典数据为用于进行分类处理或回归处理的N条经典数据之一；所述M为大于等于2的自然数；所述N为大于等于1的自然数；
量子处理单元1202，用于基于所述特征序列中特征的顺序，通过量子编码电路对所述经典数据中的M个特征进行量子编码。
在本公开方案的一具体示例中，所述量子处理单元，具体用于基于所述特征序列中特征的顺序，将所述经典数据中的M个特征编码在所述量子编码电路中的量子比特上。
在本公开方案的一具体示例中，所述量子处理单元，还用于在所述量子编码电路中包含有多个量子比特情况下，基于所述量子编码电路中量子比特的目标数量，对所述特征序列中的M个特征进行分组，得到至少一个有序特征组，所述有序特征组中包含有所述目标数量个特征，且所包含的特征的顺序与所述特征序列中特征的顺序相对应；将所述有序特征组中不同特征编码到所述量子编码电路中的不同量子比特上。
在本公开方案的一具体示例中，所述量子编码电路是基于所述特征序列对应的分布情况所确定，所述分布情况表征所述特征序列中特征的特征度量信息的数据分布情况。
在本公开方案的一具体示例中，所述量子编码电路包含有目标数量个量子比特；所述目标数量是基于所述分布情况所确定出的、对所述特征序列进行量子编码所需的量子比特的数量。
在本公开方案的一具体示例中，所述特征度量信息为能够度量所述经典数据对应的特征在所述N条经典数据中的波动程度的信息。
在本公开方案的一具体示例中，所述经典处理单元，还用于计算得到所述经典数据所包含的特征的方差；将所述经典数据所包含的特征的方差作为所述特征的特征度量信息。
在本公开方案的一具体示例中，所述经典处理单元，具体用于基于所述经典数据所包含的M个特征的特征度量信息，对所述M个特征进行降序排序或升序排序，得到所述特征序列。
在本公开方案的一具体示例中，所述量子处理单元，还用于：
得到所述经典数据对应的量子态；其中，所述量子编码电路为量子神经网络所包含的编码电路；所述量子神经网络能够对所述N条经典数据进行处理，所述处理为以下至少之一：模型训练、分类处理、回归处理；
将所述量子神经网络包含的参数化量子电路作用到所述经典数据对应的量子态上，得到输出结果。
本公开实施例的计算设备的各单元的具体功能和示例的描述，可以参见上述方法实施例中对应步骤的相关描述，在此不再赘述。
本公开方案还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，当至少一个量子处理单元执行时，所述计算机指令使得所述至少一个量子处理单元执行以上应用量子计算设备的所述方法。
本公开方案还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，所述计算机指令用于使计算设备执行以上所述的应用于计算设备的方法。
本公开方案还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计算设备执行时实现以上应用于计算设备所述的方法；
或者，所述计算机程序在被处理器和/或量子处理单元执行时实现应用于计算设备所述的方法。
本公开方案还提供了一种量子计算设备，所述量子计算设备包括：
至少一个量子处理单元；
存储器，耦合到所述至少一个QPU并用于存储可执行指令，
所述指令被所述至少一个量子处理单元执行，以使所述至少一个量子处理单元能够执行应用于量子计算设备所述的方法。
可以理解的是，本公开方案所述的中使用的量子处理单元(quantum processingunit，QPU)，也可称为量子处理器或量子芯片，可以涉及包括多个以特定方式互连的量子比特的物理芯片。
而且，可以理解的是，本公开方案所述的量子比特可以指量子计算设备的基本信息单元。量子比特包含在QPU中，并推广了经典数字比特的概念。
根据本公开的实施例，本公开还提供了一种计算设备，包括：
至少一个处理器；
至少一个量子处理单元QPU；以及
与所述至少一个处理器通信连接，以及与所述至少一个QPU耦合的存储器；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应用于计算设备的方法中的至少部分步骤；或者
所述指令被所述至少一个量子处理单元执行，以使所述至少一个量子处理单元能够执行以上应用于计算设备的方法中的至少部分步骤。
具体地，所述计算设备包括经典计算设备和量子计算设备；其中，所述经典计算设备可以具体为以上所述的电子设备。
图13示出了可以用来实施本公开的实施例的示例电子设备1300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13所示，设备1300包括计算单元1301，其可以根据存储在只读存储器(ROM)1302中的计算机程序或者从存储单元1308加载到随机访问存储器(RAM)1303中的计算机程序，来执行各种适当的动作和处理。在RAM1303中，还可存储设备1300操作所需的各种程序和数据。计算单元1301、ROM 1302以及RAM 1303通过总线1304彼此相连。输入/输出(I/O)接口1305也连接至总线1304。
设备1300中的多个部件连接至I/O接口1305，包括：输入单元1306，例如键盘、鼠标等；输出单元1307，例如各种类型的显示器、扬声器等；存储单元1308，例如磁盘、光盘等；以及通信单元1309，例如网卡、调制解调器、无线通信收发机等。通信单元1309允许设备1300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1301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1301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1301执行上文所描述的各个方法和处理，例如经典数据处理方法。例如，在一些实施例中，经典数据处理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1308。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1302和/或通信单元1309而被载入和/或安装到设备1300上。当计算机程序加载到RAM 1303并由计算单元1301执行时，可以执行上文描述的经典数据处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元1301可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行经典数据处理方法。
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 (32)

1.一种经典数据处理方法，应用于量子计算设备，包括：
获取特征序列，所述特征序列是基于经典数据所包含的M个特征的特征度量信息对所述M个特征进行排序处理后所得；所述特征度量信息为能够度量所述经典数据对应的特征在所述N条经典数据中的波动程度的信息；所述经典数据为用于分类处理或回归处理N条经典数据之一；所述M为大于等于2的自然数；所述N为大于等于1的自然数；以及
基于所述特征序列中特征的顺序，通过量子编码电路对所述经典数据中的M个特征进行量子编码；
其中，所述基于所述特征序列中特征的顺序，通过量子编码电路对所述经典数据中的M个特征进行量子编码，包括：
基于所述特征序列中特征的顺序，将所述经典数据中的M个特征编码在所述量子编码电路中的量子比特上。
2.根据权利要求1所述的方法，还包括：
在所述量子编码电路中包含有多个量子比特情况下，基于所述量子编码电路中量子比特的目标数量，对所述特征序列中的M个特征进行分组，得到至少一个有序特征组，所述有序特征组中包含有所述目标数量个特征，且所包含的特征的顺序与所述特征序列中特征的顺序相对应；
其中，所述将所述经典数据中的M个特征编码在所述量子编码电路中的量子比特上，包括：
将所述有序特征组中不同特征编码到所述量子编码电路中的不同量子比特上。
3.根据权利要求1或2所述的方法，其中，所述量子编码电路是基于所述特征序列对应的分布情况所确定，所述分布情况表征所述特征序列中特征的特征度量信息的数据分布情况。
4.根据权利要求3所述的方法，其中，所述量子编码电路包含有目标数量个量子比特；所述目标数量是基于所述分布情况所确定出的、对所述特征序列进行量子编码所需的量子比特的数量。
5.根据权利要求1所述的方法，其中，所述特征度量信息为所述经典数据所包含的特征的方差。
6.根据权利要求5所述的方法，其中，所述特征序列是基于所述M个特征中特征的特征度量信息对所述M个特征进行降序排序或升序排序后所得。
7.根据权利要求1或5所述的方法，还包括：
得到所述经典数据对应的量子态；其中，所述量子编码电路为量子神经网络所包含的编码电路；所述量子神经网络能够对所述N条经典数据进行处理，所述处理为以下至少之一：模型训练、分类处理、回归处理；
将所述量子神经网络包含的参数化量子电路作用到所述经典数据对应的量子态上，得到输出结果。
8.一种经典数据处理方法，应用于具有经典计算能力和量子计算能力的计算设备，包括：
基于经典数据所包含的M个特征的特征度量信息对所述M个特征进行排序处理，得到特征序列；其中，所述特征度量信息为能够度量所述经典数据对应的特征在所述N条经典数据中的波动程度的信息；所述经典数据为用于进行分类处理或回归处理的N条经典数据之一；所述M为大于等于2的自然数；所述N为大于等于1的自然数；以及
基于所述特征序列中特征的顺序，通过量子编码电路对所述经典数据中的M个特征进行量子编码；
其中，所述基于所述特征序列中特征的顺序，通过量子编码电路对所述经典数据中的M个特征进行量子编码，包括：
基于所述特征序列中特征的顺序，将所述经典数据中的M个特征编码在所述量子编码电路中的量子比特上。
9.根据权利要求8所述的方法，还包括：
在所述量子编码电路中包含有多个量子比特情况下，基于所述量子编码电路中量子比特的目标数量，对所述特征序列中的M个特征进行分组，得到至少一个有序特征组，所述有序特征组中包含有所述目标数量个特征，且所包含的特征的顺序与所述特征序列中特征的顺序相对应；
其中，所述将所述经典数据中的M个特征编码在所述量子编码电路中的量子比特上，包括：
将所述有序特征组中不同特征编码到所述量子编码电路中的不同量子比特上。
10.根据权利要求8或9所述的方法，其中，所述量子编码电路是基于所述特征序列对应的分布情况所确定，所述分布情况表征所述特征序列中特征的特征度量信息的数据分布情况。
11.根据权利要求10所述的方法，其中，所述量子编码电路包含有目标数量个量子比特；所述目标数量是基于所述分布情况所确定出的、对所述特征序列进行量子编码所需的量子比特的数量。
12.根据权利要求8所述的方法，还包括：
计算得到所述经典数据所包含的特征的方差；
将所述经典数据所包含的特征的方差作为所述特征的特征度量信息。
13.根据权利要求12所述的方法，其中，所述基于经典数据所包含的M个特征的特征度量信息对所述M个特征进行排序处理，得到特征序列，包括：
基于所述经典数据所包含的M个特征的特征度量信息，对所述M个特征进行降序排序或升序排序，得到所述特征序列。
14.根据权利要求8或13所述的方法，还包括：
得到所述经典数据对应的量子态；其中，所述量子编码电路为量子神经网络所包含的编码电路；所述量子神经网络能够对所述N条经典数据进行处理，所述处理为以下至少之一：模型训练、分类处理、回归处理；
将所述量子神经网络包含的参数化量子电路作用到所述经典数据对应的量子态上，得到输出结果。
15.一种量子计算设备，包括：
输入单元，用于获取特征序列，所述特征序列是基于经典数据所包含的M个特征的特征度量信息对所述M个特征进行排序处理后所得；所述特征度量信息为能够度量所述经典数据对应的特征在所述N条经典数据中的波动程度的信息；所述经典数据为用于分类处理或回归处理N条经典数据之一；所述M为大于等于2的自然数；所述N为大于等于1的自然数；
量子处理单元，用于基于所述特征序列中特征的顺序，通过量子编码电路对所述经典数据中的M个特征进行量子编码；
其中，所述量子处理单元，具体用于基于所述特征序列中特征的顺序，将所述经典数据中的M个特征编码在所述量子编码电路中的量子比特上。
16.根据权利要求15所述的量子计算设备，其中，所述量子处理单元，还用于在所述量子编码电路中包含有多个量子比特情况下，基于所述量子编码电路中量子比特的目标数量，对所述特征序列中的M个特征进行分组，得到至少一个有序特征组，所述有序特征组中包含有所述目标数量个特征，且所包含的特征的顺序与所述特征序列中特征的顺序相对应；将所述有序特征组中不同特征编码到所述量子编码电路中的不同量子比特上。
17.根据权利要求15或16所述的量子计算设备，其中，所述量子编码电路是基于所述特征序列对应的分布情况所确定，所述分布情况表征所述特征序列中特征的特征度量信息的数据分布情况。
18.根据权利要求17所述的量子计算设备，其中，所述量子编码电路包含有目标数量个量子比特；所述目标数量是基于所述分布情况所确定出的、对所述特征序列进行量子编码所需的量子比特的数量。
19.根据权利要求15所述的量子计算设备，其中，所述特征度量信息为所述经典数据所包含的特征的方差。
20.根据权利要求19所述的量子计算设备，其中，所述特征序列是基于所述M个特征中特征的特征度量信息对所述M个特征进行降序排序或升序排序后所得。
21.根据权利要求15或19所述的量子计算设备，其中，所述量子处理单元，还用于：
得到所述经典数据对应的量子态；其中，所述量子编码电路为量子神经网络所包含的编码电路；所述量子神经网络能够对所述N条经典数据进行处理，所述处理为以下至少之一：模型训练、分类处理、回归处理；
将所述量子神经网络包含的参数化量子电路作用到所述经典数据对应的量子态上，得到输出结果。
22.一种计算设备，包括：
经典处理单元，用于基于经典数据所包含的M个特征的特征度量信息对所述M个特征进行排序处理，得到特征序列；其中，所述特征度量信息为能够度量所述经典数据对应的特征在所述N条经典数据中的波动程度的信息；所述经典数据为用于进行分类处理或回归处理的N条经典数据之一；所述M为大于等于2的自然数；所述N为大于等于1的自然数；
量子处理单元，用于基于所述特征序列中特征的顺序，通过量子编码电路对所述经典数据中的M个特征进行量子编码；
其中，所述量子处理单元，具体用于基于所述特征序列中特征的顺序，将所述经典数据中的M个特征编码在所述量子编码电路中的量子比特上。
23.根据权利要求22所述的设备，其中，所述量子处理单元，还用于在所述量子编码电路中包含有多个量子比特情况下，基于所述量子编码电路中量子比特的目标数量，对所述特征序列中的M个特征进行分组，得到至少一个有序特征组，所述有序特征组中包含有所述目标数量个特征，且所包含的特征的顺序与所述特征序列中特征的顺序相对应；将所述有序特征组中不同特征编码到所述量子编码电路中的不同量子比特上。
24.根据权利要求22或23所述的设备，其中，所述量子编码电路是基于所述特征序列对应的分布情况所确定，所述分布情况表征所述特征序列中特征的特征度量信息的数据分布情况。
25.根据权利要求24所述的设备，其中，所述量子编码电路包含有目标数量个量子比特；所述目标数量是基于所述分布情况所确定出的、对所述特征序列进行量子编码所需的量子比特的数量。
26.根据权利要求22所述的设备，其中，所述经典处理单元，还用于计算得到所述经典数据所包含的特征的方差；将所述经典数据所包含的特征的方差作为所述特征的特征度量信息。
27.根据权利要求26所述的设备，其中，所述经典处理单元，具体用于基于所述经典数据所包含的M个特征的特征度量信息，对所述M个特征进行降序排序或升序排序，得到所述特征序列。
28.根据权利要求22或27所述的设备，其中，所述量子处理单元，还用于：
得到所述经典数据对应的量子态；其中，所述量子编码电路为量子神经网络所包含的编码电路；所述量子神经网络能够对所述N条经典数据进行处理，所述处理为以下至少之一：模型训练、分类处理、回归处理；
将所述量子神经网络包含的参数化量子电路作用到所述经典数据对应的量子态上，得到输出结果。
29.一种量子计算设备，包括：
至少一个量子处理单元QPU；
存储器，耦合到至少一个QPU并用于存储可执行指令，
所述指令被所述至少一个QPU执行，以使所述至少一个QPU能够执行权利要求1至7中任一项所述的方法。
30.一种计算设备，包括：
至少一个处理器；
至少一个量子处理单元QPU；以及
与所述至少一个处理器通信连接，以及与所述至少一个QPU耦合的存储器；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8至14中任一项所述的方法中的至少部分步骤；或者
所述指令被所述至少一个QPU执行，以使所述至少一个QPU能够执行权利要求8至14中任一项所述的方法中的至少部分步骤。
31.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，当至少一个量子处理单元执行时，所述计算机指令使得所述至少一个量子处理单元执行根据权利要求1至7任一项所述的方法。
32.一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计算设备执行根据权利要求8至14任一项所述的方法。
CN202210540841.6A 2022-05-17 2022-05-17 经典数据处理方法、计算设备及存储介质 Active CN114818970B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210540841.6A CN114818970B (zh) 2022-05-17 2022-05-17 经典数据处理方法、计算设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210540841.6A CN114818970B (zh) 2022-05-17 2022-05-17 经典数据处理方法、计算设备及存储介质

Publications (2)

Publication Number Publication Date
CN114818970A CN114818970A (zh) 2022-07-29
CN114818970B true CN114818970B (zh) 2023-04-21

Family

ID=82515131

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210540841.6A Active CN114818970B (zh) 2022-05-17 2022-05-17 经典数据处理方法、计算设备及存储介质

Country Status (1)

Country Link
CN (1) CN114818970B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113011593A (zh) * 2021-03-15 2021-06-22 北京百度网讯科技有限公司 消除量子测量噪声的方法及系统、电子设备和介质
CN114374440A (zh) * 2022-01-10 2022-04-19 北京百度网讯科技有限公司 量子信道经典容量的估计方法及装置、电子设备和介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10339389B2 (en) * 2014-09-03 2019-07-02 Sharp Laboratories Of America, Inc. Methods and systems for vision-based motion estimation
CN112561069B (zh) * 2020-12-23 2021-09-21 北京百度网讯科技有限公司 模型处理方法、装置、设备及存储介质
CN114219092A (zh) * 2021-12-16 2022-03-22 华东计算技术研究所（中国电子科技集团公司第三十二研究所） 数据处理方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113011593A (zh) * 2021-03-15 2021-06-22 北京百度网讯科技有限公司 消除量子测量噪声的方法及系统、电子设备和介质
CN114374440A (zh) * 2022-01-10 2022-04-19 北京百度网讯科技有限公司 量子信道经典容量的估计方法及装置、电子设备和介质

Also Published As

Publication number Publication date
CN114818970A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN108701250B (zh) 数据定点化方法和装置
CN113140017B (zh) 训练对抗网络模型的方法、建立字库的方法、装置和设备
CN112561060B (zh) 神经网络训练方法及装置、图像识别方法及装置和设备
CN112818686B (zh) 领域短语挖掘方法、装置和电子设备
CN113379059B (zh) 用于量子数据分类的模型训练方法以及量子数据分类方法
CN113409898B (zh) 分子结构获取方法、装置、电子设备及存储介质
CN113449778B (zh) 用于量子数据分类的模型训练方法以及量子数据分类方法
CN111460791A (zh) 文本分类方法、装置、设备以及存储介质
CN113240177B (zh) 训练预测模型的方法、预测方法、装置、电子设备及介质
CN113657249A (zh) 训练方法、预测方法、装置、电子设备以及存储介质
CN114580643B (zh) 确定方法、模型处理方法、装置、设备及存储介质
CN114818970B (zh) 经典数据处理方法、计算设备及存储介质
CN111738325A (zh) 图像识别方法、装置、设备以及存储介质
CN113641823B (zh) 文本分类模型训练、文本分类方法、装置、设备及介质
CN112784967B (zh) 信息处理方法、装置以及电子设备
CN114863162A (zh) 对象分类方法、深度学习模型的训练方法、装置和设备
CN113255824A (zh) 训练分类模型和数据分类的方法和装置
CN113761228A (zh) 基于多任务的标签生成方法、装置、电子设备和介质
CN112308127A (zh) 用于处理数据的方法、装置、设备以及存储介质
CN109783816A (zh) 短文本聚类方法及终端设备
CN114331379B (zh) 用于输出待办任务的方法、模型训练方法和装置
CN114547448B (zh) 数据处理、模型训练方法、装置、设备、存储介质及程序
Patel et al. Incremental missing value replacement techniques for stream data
US20220327290A1 (en) Method of training feature determination model, method of performing semantic analysis, and electronic device
CN114037057B (zh) 预训练模型的生成方法、装置、电子设备以及存储介质

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