CN114861922A - 一种量子比特读取数据的分析方法、装置、设备及介质 - Google Patents

Abstract

本申请公开了一种量子比特读取数据的分析方法、装置、设备及介质，用以解决现有的量子比特的读取结果保真度较低的技术问题。方法包括：读取量子计算机输出的处于第一量子态的第一量子比特，以获得第一量子比特读取数据；通过泡利‑X门，将第一量子比特由第一量子态制备到第二量子态，得到对应的第二量子比特，并读取第二量子比特，得到第二量子比特读取数据；将第一量子比特读取数据和第二量子比特读取数据，输入至预先构建的神经网络模型中进行训练，以得到相应的量子比特分析模型；通过量子比特分析模型，对从量子计算机中读取的量子比特进行状态分析，以确定量子比特对应的量子态。

Description

一种量子比特读取数据的分析方法、装置、设备及介质

技术领域

本申请涉及量子计算技术领域，具体涉及一种量子比特读取数据的分析方法、装置、设备及介质。

背景技术

超导量子计算是目前公认最有可能在短时间内实现量子计算商用化的技术方案之一，为了获得量子计算的运行结果，需要在量子信息处理过程之后对量子比特的量子态进行读取。

但是，超导量子计算技术还远未达到成熟，尤其是超导量子比特的读取结果保真度较低，并且，量子比特所代表的数据量是随比特数呈指数式增加的，因此在多比特算法中，难以在指数式希尔伯特空间中提取出有用的计算结果。

发明内容

为了解决上述问题，本申请提出了一种量子比特读取数据的分析方法，包括：

读取量子计算机输出的处于第一量子态的第一量子比特，以获得第一量子比特读取数据；

通过泡利-X门，将所述第一量子比特由所述第一量子态制备到第二量子态，得到对应的第二量子比特，并读取所述第二量子比特，得到第二量子比特读取数据；

将所述第一量子比特读取数据和所述第二量子比特读取数据，输入至预先构建的神经网络模型中进行训练，以得到相应的量子比特分析模型；

通过所述量子比特分析模型，对从所述量子计算机中读取的量子比特进行状态分析，以确定所述量子比特对应的量子态。

在本申请的一种实现方式中，第一量子态为|0>态，第二量子态为|1>态。

在本申请的一种实现方式中，将所述第一量子比特读取数据和所述第二量子比特读取数据，输入至预先构建的神经网络模型中进行训练之前，所述方法还包括：

构建输出层为单个神经元的单节点神经网络模型；

根据所述第一量子态和所述第二量子态，对所述第一量子比特读取数据和所述第二量子比特读取数据标注相应的分类标签；

确定所述单节点神经网络模型的二元输出结果以及所述二元输出结果与所述分类标签之间的映射关系，以构建最终的神经网络模型。

在本申请的一种实现方式中，将第一量子比特读取数据和第二量子比特读取数据，输入至预先构建的神经网络模型中进行训练，具体包括：

根据预先构建的神经网络模型，将第一量子比特读取数据和第二量子比特读取数据作为输入，输出对应的预测量子态；

计算预测量子态和真实量子态之间的差值，根据差值确定神经网络模型的损失函数；

根据损失函数，更新神经网络模型的模型参数，以得到量子比特分析模型。

在本申请的一种实现方式中，根据差值确定神经网络模型的损失函数，具体包括：

确定第一量子比特的读取次数以及第二量子比特输对应的制备次数；

对差值进行求和，并计算差值的求和结果与读取次数和制备次数之间的总和的比值，以根据比值确定神经网络模型的损失函数。

在本申请的一种实现方式中，通过泡利-X门，将第一量子比特由第一量子态制备到第二量子态，具体包括：

确定第一量子比特对应的特征频率，并根据特征频率，生成对应的微波驱动信号；

根据微波驱动信号驱动泡利-X门，将第一量子比特由第一量子态制备到第二量子态。

在本申请的一种实现方式中，对从量子计算机中读取的量子比特进行状态分析之前，方法还包括：

获取量子比特对应的量子比特读取信号；

对量子比特读取信号进行异常分析，以确定对应的异常类型；

确定与异常类型相关的异常参数，以及异常参数与异常类型的相关强度；

按照相关强度由大到小的顺序，对异常参数依次进行参数更正操作，直至量子比特读取信号恢复正常。

本申请实施例提供了一种量子比特读取数据的分析装置，其特征在于，装置包括：

读取单元，读取量子计算机输出的处于第一量子态的第一量子比特，以获得第一量子比特读取数据；

制备单元，通过泡利-X门，将所述第一量子比特由所述第一量子态制备到第二量子态，得到对应的第二量子比特，并读取所述第二量子比特，得到第二量子比特读取数据；

训练单元，将所述第一量子比特读取数据和所述第二量子比特读取数据，输入至预先构建的神经网络模型中进行训练，以得到相应的量子比特分析模型；

分析单元，通过所述量子比特分析模型，对从所述量子计算机中读取的量子比特进行状态分析，以确定所述量子比特对应的量子状态。

本申请实施例提供了一种量子比特读取数据的分析设备，其特征在于，设备包括：至少一个处理器；

以及，与至少一个处理器通信连接的存储器；其中，

存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：

读取量子计算机输出的处于第一量子态的第一量子比特，以获得第一量子比特读取数据；

通过泡利-X门，将所述第一量子比特由所述第一量子态制备到第二量子态，得到对应的第二量子比特，并读取所述第二量子比特，得到第二量子比特读取数据；

将所述第一量子比特读取数据和所述第二量子比特读取数据，输入至预先构建的神经网络模型中进行训练，以得到相应的量子比特分析模型；

通过所述量子比特分析模型，对从所述量子计算机中读取的量子比特进行状态分析，以确定所述量子比特对应的量子态。

本申请实施例提供了一种非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，计算机可执行指令设置为：

读取量子计算机输出的处于第一量子态的第一量子比特，以获得第一量子比特读取数据；

通过泡利-X门，将所述第一量子比特由所述第一量子态制备到第二量子态，得到对应的第二量子比特，并读取所述第二量子比特，得到第二量子比特读取数据；

将所述第一量子比特读取数据和所述第二量子比特读取数据，输入至预先构建的神经网络模型中进行训练，以得到相应的量子比特分析模型；

通过所述量子比特分析模型，对从所述量子计算机中读取的量子比特进行状态分析，以确定所述量子比特对应的量子态。

通过本申请提出的一种量子比特读取数据的分析方法能够带来如下有益效果：

将深度学习与量子比特数据读取分析相结合，不再受计算空间的限制，且通过训练神经网络模型，对量子比特进行状态分析，能够获取具备较高保真度的读取结果，提高了量子态读取结果的准确性，有利于提高量子计算的运行效率和准确性。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例提供的一种量子比特读取数据的分析方法的流程示意图；

图2为本申请实施例提供的一种量子比特读取数据的分析装置的结构示意图；

图3为本申请实施例提供的一种量子比特读取数据的分析设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

以下结合附图，详细说明本申请各实施例提供的技术方案。

如图1所示，本申请实施例提供的一种量子比特读取数据的分析方法，包括：

S101：读取量子计算机输出的处于第一量子态的第一量子比特，以获得第一量子比特读取数据。

量子比特读取信号解析(也叫读取)量子比特量子态的结果作为决定量子芯片控制系统的输入参数，能够控制量子芯片的执行，因此，量子比特的读取结果保真度影响了量子计算速度。

量子比特在量子计算空间内存在两种状态，即|0>态和|1>态。在量子计算系统中，量子比特的初始状态均为|0>态，读取量子计算机输出的处于第一量子态的第一量子比特，也就相当于读取到量子态为|0>态的第一量子比特。为保证量子态判定结果的准确性，需尽可能扩大训练样本，因此，上述读取过程可按照实际的训练需求进行重复采样N1次。

S102：通过泡利-X门，将第一量子比特由第一量子态制备到第二量子态，得到对应的第二量子比特，并读取第二量子比特，得到第二量子比特读取数据。

在获得第一量子比特读取数据后，通过泡利-X门即Pauli-X门，将第一量子比特由第一量子态|0>态制备到第二量子态|1>态，得到对应的第二量子比特，然后读取第二量子比特，从而获得第二量子比特读取数据。该过程需重复N2次，其中，0<N2≤N1。

量子芯片中的量子比特频率可调，因此，首先确定第一量子比特对应的特征频率，然后根据该特征频率，生成频率等同于特征频率的微波驱动信号。该微波驱动信号可驱动Pauli-X门，从而将第一量子比特从态|0>态制备到态|1>态。

S103：将第一量子比特读取数据和第二量子比特读取数据，输入至预先构建的神经网络模型中进行训练，以得到相应的量子比特分析模型。

在通过S101和S102得到处于不同量子态的第一量子比特和第二量子比特之后，可据其训练神经网络模型，以获得保真度较高的量子态分析结果。

在一个实施例中，构建输入层为多个神经元、输出层为单个神经元的单节点神经网络模型。通过训练该种架构的神经网络模型，输入多个量子比特读取数据，可输出具体的量子比特读取结果，也就是量子态。在初步确定神经网络模型的输入输出结构后，根据第一量子态和第二量子态，对第一量子比特和第二量子比特标注相应的分类标签，比如，第一量子态|0>态和第二量子态|0>态分别对应0和1。由于量子态分为两种类别，因此，所构建的神经网络模型为二元分布型，其输出结果为0或1。那么便可由此确定初步构建的单节点神经网络模型的二元输出结果0或1，以及二元输出结果与分类标签之间的映射关系，这样便得到了最终的神经网络模型。

为使得神经网络模型的分析效果更佳，需对其进行进一步的训练，以确保输出的量子比特读取结果保真度最高。具体地，将第一量子比特读取数据和第二量子比特读取数据输入至上述预先构建的神经网络模型中，从而得到输出的预测量子态。可以理解的是，预测量子态要不为0要不为1，通过计算预测量子态和真实量子态之间的差距程度，可以衡量神经网络模型的训练效果。

因此，在得到预测量子态后，根据预测量子态和真实量子态之间的差值，确定神经网络模型的损失函数，然后通过下降梯度法，在神经网络模型的迭代训练过程中，不断更新模型参数，直至损失函数最小时，确定此时的模型参数可使得神经网络模型的性能最佳。至此，便得到了训练完成的量子比特分析模型，通过该模型可对量子比特的读取数据进行分析，并获取到高保真度的量子比特读取结果。

确定神经网络模型的损失函数，具体可通过以下过程实现：首先确定第一量子比特的读取次数N1以及第二量子比特对应的制备次数N2，然后对预测量子态和真实量子态之间的差值进行求和，计算求和结果与N1+N2之间的比值，该比值便是神经网络模型的损失函数。

S104：通过量子比特分析模型，对从量子计算机中读取的量子比特进行状态分析，以确定量子比特数据对应的量子态。

通过S103得到的量子比特分析模型，可用于量子比特读取数据的分析。通过量子比特读取信号，从量子计算机读取到量子比特之后，便可将得到的量子比特读取数据输入至量子比特分析模型，获取对应的量子态，从而进行进一步的量子计算。

在一个实施例中，随着量子计算规模的不断扩大，届时量子芯片中的量子比特数将会更多，为保证量子运算的正常进行，需对量子比特的性能进行实时监测，避免因量子比特产生异常造成的读取保真度降低。

具体地，在对量子比特进行读取之前，获取量子比特对应的量子比特读取信号，并对该量子比特读取信号进行异常分析，从而确定量子比特对应的异常类型。异常检测可通过模型预测的方法实现，异常类型至少包括读取保真度降低。在确定出异常类型后，确定与该异常类型相关的异常参数，比如，引起读取保真度下降的异常参数可能为读取频率和读取速度。各异常参数与异常类型间的相关强度也存在一定不同，因此，在确定出引发异常的异常参数后，需按照相关强度的高低，依次对异常参数进行更正，直至量子比特读取信号可恢复正常。以读取保真度这一异常类型为例，读取频率与其相关强度更高，因此，在进行参数更正时，首先对读取频率进行更正，然后检测此时的量子比特读取信号是否恢复正常，若仍存在异常，则按照相关强度的大小顺序，对读取速度进行更正。

以上为本申请提出的方法实施例。基于同样的思路，本说明书一个或多个实施例还提供了上述方法对应的装置及设备。

图2为本申请实施例提供的一种量子比特读取数据的分析装置的结构示意图，装置包括：读取单元201、制备单元202、训练单元203、分析单元204。

读取单元201，读取量子计算机输出的处于第一量子态的第一量子比特，以获得第一量子比特读取数据；

制备单元202，通过泡利-X门，将第一量子比特由第一量子态制备到第二量子态，得到对应的第二量子比特，并读取第二量子比特，得到第二量子比特读取数据；

训练单元203，将第一量子比特读取数据和第二量子比特读取数据，输入至预先构建的神经网络模型中进行训练，以得到相应的量子比特分析模型；

分析单元204，通过量子比特分析模型，对从量子计算机中读取的量子比特进行状态分析，以确定量子比特对应的量子状态。

图3为本申请实施例提供的一种量子比特读取数据的分析设备的结构示意图，包括：

至少一个处理器；以及，

与至少一个处理器通信连接的存储器；其中，

存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够

读取量子计算机输出的处于第一量子态的第一量子比特，以获得第一量子比特读取数据；

通过泡利-X门，将第一量子比特由第一量子态制备到第二量子态，得到对应的第二量子比特，并读取第二量子比特，得到第二量子比特读取数据；

将第一量子比特读取数据和第二量子比特读取数据，输入至预先构建的神经网络模型中进行训练，以得到相应的量子比特分析模型；

通过量子比特分析模型，对从量子计算机中读取的量子比特进行状态分析，以确定量子比特对应的量子态。

本申请实施例提供了一种非易失性计算机存储介质，存储有计算机可执行指令，计算机可执行指令设置为：

读取量子计算机输出的处于第一量子态的第一量子比特，以获得第一量子比特读取数据；

通过泡利-X门，将第一量子比特由第一量子态制备到第二量子态，得到对应的第二量子比特，并读取第二量子比特，得到第二量子比特读取数据；

将第一量子比特读取数据和第二量子比特读取数据，输入至预先构建的神经网络模型中进行训练，以得到相应的量子比特分析模型；

通过量子比特分析模型，对从量子计算机中读取的量子比特进行状态分析，以确定量子比特对应的量子态。

本申请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，对于设备和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本申请实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种量子比特读取数据的分析方法，其特征在于，所述方法包括：

读取量子计算机输出的处于第一量子态的第一量子比特，以获得第一量子比特读取数据；

通过泡利-X门，将所述第一量子比特由所述第一量子态制备到第二量子态，得到对应的第二量子比特，并读取所述第二量子比特，得到第二量子比特读取数据；

将所述第一量子比特读取数据和所述第二量子比特读取数据，输入至预先构建的神经网络模型中进行训练，以得到相应的量子比特分析模型；

通过所述量子比特分析模型，对从所述量子计算机中读取的量子比特进行状态分析，以确定所述量子比特对应的量子态。

2.根据权利要求1所述的一种量子比特读取数据的分析方法，其特征在于，所述第一量子态为|0>态，所述第二量子态为|1>态。

3.根据权利要求1所述的一种量子比特读取数据的分析方法，其特征在于，将所述第一量子比特读取数据和所述第二量子比特读取数据，输入至预先构建的神经网络模型中进行训练之前，所述方法还包括：

构建输出层为单个神经元的单节点神经网络模型；

根据所述第一量子态和所述第二量子态，对所述第一量子比特读取数据和所述第二量子比特读取数据标注相应的分类标签；

确定所述单节点神经网络模型的二元输出结果以及所述二元输出结果与所述分类标签之间的映射关系，以构建最终的神经网络模型。

4.根据权利要求1所述的一种量子比特读取数据的分析方法，其特征在于，将所述第一量子比特读取数据和所述第二量子比特读取数据，输入至预先构建的神经网络模型中进行训练，具体包括：

根据预先构建的所述神经网络模型，将所述第一量子比特读取数据和所述第二量子比特读取数据作为输入，输出对应的预测量子态；

计算所述预测量子态和真实量子态之间的差值，根据所述差值确定所述神经网络模型的损失函数；

根据所述损失函数，更新所述神经网络模型的模型参数，以得到量子比特分析模型。

5.根据权利要求4所述的一种量子比特读取数据的分析方法，其特征在于，根据所述差值确定所述神经网络模型的损失函数，具体包括：

确定所述第一量子比特的读取次数以及所述第二量子比特输对应的制备次数；

对所述差值进行求和，并计算所述差值的求和结果与所述读取次数和所述制备次数之间的总和的比值，以根据所述比值确定所述神经网络模型的损失函数。

6.根据权利要求1所述的一种量子比特读取数据的分析方法，其特征在于，通过泡利-X门，将所述第一量子比特由所述第一量子态制备到第二量子态，具体包括：

确定所述第一量子比特对应的特征频率，并根据所述特征频率，生成对应的微波驱动信号；

根据所述微波驱动信号驱动所述泡利-X门，将所述第一量子比特由所述第一量子态制备到第二量子态。

7.根据权利要求1所述的一种量子比特读取数据的分析方法，其特征在于，对从所述量子计算机中读取的量子比特进行状态分析之前，所述方法还包括：

获取量子比特对应的量子比特读取信号；

对所述量子比特读取信号进行异常分析，以确定对应的异常类型；

确定与所述异常类型相关的异常参数，以及所述异常参数与所述异常类型的相关强度；

按照所述相关强度由大到小的顺序，对所述异常参数依次进行参数更正操作，直至所述量子比特读取信号恢复正常。

8.一种量子比特读取数据的分析装置，其特征在于，所述装置包括：

读取单元，读取量子计算机输出的处于第一量子态的第一量子比特，以获得第一量子比特读取数据；

制备单元，通过泡利-X门，将所述第一量子比特由所述第一量子态制备到第二量子态，得到对应的第二量子比特，并读取所述第二量子比特，得到第二量子比特读取数据；

训练单元，将所述第一量子比特读取数据和所述第二量子比特读取数据，输入至预先构建的神经网络模型中进行训练，以得到相应的量子比特分析模型；

分析单元，通过所述量子比特分析模型，对从所述量子计算机中读取的量子比特进行状态分析，以确定所述量子比特对应的量子状态。

9.一种量子比特读取数据的分析设备，其特征在于，所述设备包括：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：

读取量子计算机输出的处于第一量子态的第一量子比特，以获得第一量子比特读取数据；

通过泡利-X门，将所述第一量子比特由所述第一量子态制备到第二量子态，得到对应的第二量子比特，并读取所述第二量子比特，得到第二量子比特读取数据；

将所述第一量子比特读取数据和所述第二量子比特读取数据，输入至预先构建的神经网络模型中进行训练，以得到相应的量子比特分析模型；

通过所述量子比特分析模型，对从所述量子计算机中读取的量子比特进行状态分析，以确定所述量子比特对应的量子态。

10.一种非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：

读取量子计算机输出的处于第一量子态的第一量子比特，以获得第一量子比特读取数据；

通过泡利-X门，将所述第一量子比特由所述第一量子态制备到第二量子态，得到对应的第二量子比特，并读取所述第二量子比特，得到第二量子比特读取数据；

将所述第一量子比特读取数据和所述第二量子比特读取数据，输入至预先构建的神经网络模型中进行训练，以得到相应的量子比特分析模型；

通过所述量子比特分析模型，对从所述量子计算机中读取的量子比特进行状态分析，以确定所述量子比特对应的量子态。

Images