CN114861926A - 一种协作式的量子学习方法、系统及存储介质 - Google Patents

Abstract

本申请公开了一种协作式的量子学习方法、系统及存储介质，应用于机器学习技术领域，应用于第一用户端中时，包括：生成初始化量子态数据并赋值，以将第一用户数据加载到初始化量子态数据中，得到第一量子态数据；将第一量子态数据输入至第一量子神经网络中进行机器学习，得到携带有第一特征数据的第二量子态数据；对第二量子态数据进行置0操作，以删除第二量子态数据中存在的第一用户数据，得到第三量子态数据；将第三量子态数据传递给第二用户端进行操作，以完成第一用户端和第二用户端的协作式量子学习。应用本申请的方案，在保护用户隐私的基础上，完成了第一用户端和第二用户端的协作式量子学习。

Description

一种协作式的量子学习方法、系统及存储介质

技术领域

本发明涉及机器学习技术领域，特别是涉及一种协作式的量子学习方法、系统及存储介质。

背景技术

量子计算是一种利用叠加、纠缠等量子力学性质进行运算的新型计算，目前已证明量子计算在部分领域有远超经典计算的计算能力。在量子计算体系中，信息以量子比特的形式进行存储。与经典比特类似，量子比特也有状态，可以是|0＞或|1＞这两种基态，也可以是|0＞和|1＞的线性组合，称为叠加态。单量子比特的状态|ψ＞可表示为：|ψ＞＝α|0>+β|1＞。其中的α和β均为复数，并且|α|²+|β|²＝1。因此，单量子比特状态也可以表示成维度为2，模长为1的向量(α，β)^T。对量子系统的测量操作会使系统随机地坍缩到基态，概率则取决于每个基态前的系数。例如对于公式(1)中的量子比特而言，有|α|²的概率坍缩到|0＞、|β|²的概率坍缩到|1＞。当多个量子比特纠缠在一起时，对应的基态数会呈指数上升。N个量子比特纠缠的系统便有2^N种本征态，系统状态可表示为本征态的线性叠加。量子计算机储存信息的能力随比特数增加而呈指数级上升，利用量子比特叠加这一性质，使得量子计算在某些情况下可以远超经典计算。

在大多数行业中，由于行业竞争、隐私安全、行政手续复杂等原因，导致数据常常以孤岛的形式存在。针对数据孤岛和数据隐私的两难问题，“联邦学习”(FederatedLearning)的概念被提出，即在满足数据隐私、安全的前提下，设计一个机器学习框架，让人工智能系统能够更加高效、准确的共同使用各自的数据。

量子计算同样面临数据孤岛和数据隐私问题。因此，业界亟需一种针对量子计算的联邦学习方案，以在保护用户隐私的基础上，通过量子计算实现数据处理及分析。但由于量子机器学习仍处于初步探索阶段，存在滞后性，因此目前量子联邦学习方法仍十分匮乏。

综上所述，如何有效地实现协作式的量子学习，能够在保护用户隐私的基础上，通过量子计算实现数据处理分析，是目前本领域技术人员急需解决的技术问题。

发明内容

本发明的目的是提供一种协作式的量子学习方法、系统及存储介质，以在保护用户隐私的基础上，通过量子计算实现数据处理分析。

为解决上述技术问题，本发明提供如下技术方案：

一种协作式的量子学习方法，应用于第一用户端中，包括：

生成初始化量子态数据；

对所述初始化量子态数据进行赋值，以将第一用户数据加载到所述初始化量子态数据中，得到携带有所述第一用户数据的第一量子态数据；

将所述第一量子态数据输入至第一量子神经网络中进行机器学习，得到所述第一量子神经网络输出的携带有第一特征数据的第二量子态数据，其中，所述第一特征数据为用于反映所述第一用户数据的特征的数据；

对所述第二量子态数据进行置0操作，以删除所述第二量子态数据中存在的所述第一用户数据，得到第三量子态数据；

将所述第三量子态数据传递给第二用户端，以使得所述第二用户端制备出所述第三量子态数据并对所述第三量子态数据进行赋值，以将第二用户数据加载到所述第三量子态数据中，得到携带有所述第三量子态数据以及所述第二用户数据的第四量子态数据，且所述第二用户端将所述第四量子态数据输入至第二量子神经网络中进行机器学习，得到所述第二量子神经网络输出的携带有第二特征数据的第五量子态数据，以完成所述第一用户端和所述第二用户端的协作式量子学习；其中，所述第二特征数据为用于反映所述第二用户数据和所述第三量子态数据的特征的数据。

优选的，所述第一用户数据和所述第二用户数据均为用于反映用户画像信息的用户数据；

所述第一量子神经网络为根据所述第一用户数据所反映的用户画像信息进行机器学习，输出用户的第一方面的行为规律的第一量子神经网络；

所述第二量子神经网络为根据所述第二用户数据所反映的用户画像信息，以及用户的第一方面的行为规律进行机器学习，输出用户的第二方面的行为规律的第二量子神经网络。

优选的，所述第一用户数据为图像数据转换成的向量，所述第二用户数据为用于反映用户画像信息的用户数据；

所述第一量子神经网络为根据图像数据转换成的向量进行机器学习，输出针对所述图像的图像统计信息的第一量子神经网络；

所述第二量子神经网络为根据所述第二用户数据所反映的用户画像信息，以及所述图像统计信息进行机器学习，输出用户的行为规律的第二量子神经网络。

优选的，所述对所述初始化量子态数据进行赋值，包括：

通过逆向使用KCG算法对所述初始化量子态数据进行赋值，以使赋值操作满足酉变换规则；

所述对所述第一量子态数据进行置0操作，包括：

通过KCG算法对所述第一量子态数据进行置0操作，以使置0操作满足酉变换规则。

优选的，初始化量子态数据为长度为2^N的向量，所述第一用户数据为长度为n的向量；N和n均为正整数，且2^N≥2n；

所述对所述初始化量子态数据进行赋值，以将第一用户数据加载到所述初始化量子态数据中，得到携带有所述第一用户数据的第一量子态数据，包括：

对所述初始化量子态数据的第1位至第2n位中的各个奇数位进行赋值，以将第一用户数据加载到所述初始化量子态数据中，得到通过第1位至第2n位的各个奇数位携带所述第一用户数据的第一量子态数据；

或者，对所述初始化量子态数据的第1位至第2n位中的各个偶数位进行赋值，以将第一用户数据加载到所述初始化量子态数据中，得到通过第1位至第2n位的各个偶数位携带所述第一用户数据的第一量子态数据。

优选的，当所述第一量子态数据通过第1位至第2n位的各个奇数位携带所述第一用户数据时，所述第一量子神经网络输出的所述第二量子态数据通过第1位至第2n位的各个奇数位携带所述第一用户数据，且通过第1位至第2n位的各个偶数位携带所述第一特征数据；相应的，得到的所述第三量子态数据的第1位至第2n位的各个奇数位均为0，所述第三量子态数据通过第1位至第2n位的各个偶数位携带所述第一特征数据；

当所述第一量子态数据通过第1位至第2n位的各个偶数位携带所述第一用户数据时，所述第一量子神经网络输出的所述第二量子态数据通过第1位至第2n位的各个偶数位携带所述第一用户数据，且通过第1位至第2n位的各个奇数位携带所述第一特征数据；相应的，得到的所述第三量子态数据的第1位至第2n位的各个偶数位均为0，所述第三量子态数据通过第1位至第2n位的各个奇数位携带所述第一特征数据。

一种协作式的量子学习方法，应用于第二用户端中，包括：

接收由第一用户端传递的第三量子态数据；

制备出所述第三量子态数据，并对所述第三量子态数据进行赋值，以将第二用户数据加载到所述第三量子态数据中，得到携带有所述第三量子态数据以及所述第二用户数据的第四量子态数据；

将所述第四量子态数据输入至第二量子神经网络中进行机器学习，得到所述第二量子神经网络输出的携带有第二特征数据的第五量子态数据，以完成所述第一用户端和所述第二用户端的协作式量子学习；其中，所述第二特征数据为用于反映所述第二用户数据和所述第三量子态数据的特征的数据；

其中，所述第三量子态数据为所述第一用户端通过以下操作得到的第三量子态数据：所述第一用户端生成初始化量子态数据，并对所述初始化量子态数据进行赋值，以将第一用户数据加载到所述初始化量子态数据中，得到携带有所述第一用户数据的第一量子态数据；所述第一用户端将所述第一量子态数据输入至第一量子神经网络中进行机器学习，得到所述第一量子神经网络输出的携带有第一特征数据的第二量子态数据，其中，所述第一特征数据为用于反映所述第一用户数据的特征的数据；所述第一用户端对所述第二量子态数据进行置0操作，以删除所述第二量子态数据中存在的所述第一用户数据，得到第三量子态数据。

优选的，还包括：

对所述第五量子态数据进行置0操作，以删除所述第五量子态数据中存在的所述第二用户数据，得到第六量子态数据；

将所述第六量子态数据传递给第三用户端，以使得所述第三用户端制备出所述第六量子态数据并对所述第六量子态数据进行赋值，以将第三用户数据加载到所述第六量子态数据中，得到携带有所述第六量子态数据以及所述第三用户数据的第七量子态数据，且所述第三用户端将所述第七量子态数据输入至第三量子神经网络中进行机器学习，得到所述第三量子神经网络输出的携带有第三特征数据的第八量子态数据，以完成所述第一用户端，所述第二用户端以及所述第三用户端的协作式量子学习；其中，所述第三特征数据为用于反映所述第三用户数据和所述第六量子态数据的特征的数据。

一种协作式的量子学习系统，包括第一用户端和第二用户端，所述第一用户端用于：

生成初始化量子态数据；

对所述初始化量子态数据进行赋值，以将第一用户数据加载到所述初始化量子态数据中，得到携带有所述第一用户数据的第一量子态数据；

将所述第一量子态数据输入至第一量子神经网络中进行机器学习，得到所述第一量子神经网络输出的携带有第一特征数据的第二量子态数据，其中，所述第一特征数据为用于反映所述第一用户数据的特征的数据；

对所述第二量子态数据进行置0操作，以删除所述第二量子态数据中存在的所述第一用户数据，得到第三量子态数据；

将所述第三量子态数据传递给第二用户端；

所述第二用户端用于：

接收由第一用户端传递的第三量子态数据；

制备出所述第三量子态数据，并对所述第三量子态数据进行赋值，以将第二用户数据加载到所述第三量子态数据中，得到携带有所述第三量子态数据以及所述第二用户数据的第四量子态数据；

将所述第四量子态数据输入至第二量子神经网络中进行机器学习，得到所述第二量子神经网络输出的携带有第二特征数据的第五量子态数据，以完成所述第一用户端和所述第二用户端的协作式量子学习；其中，所述第二特征数据为用于反映所述第二用户数据和所述第三量子态数据的特征的数据。

一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述的协作式的量子学习方法的步骤。

应用本发明实施例所提供的技术方案，第一用户端生成初始化量子态数据之后，通过对初始化量子态数据进行赋值，可以将第一用户数据加载到初始化量子态数据中，得到携带有第一用户数据的第一量子态数据，然后将第一量子态数据输入至第一量子神经网络中进行机器学习，得到第一量子神经网络输出的携带有第一特征数据的第二量子态数据，也就是说，对于第一用户端而言，通过第一量子神经网络进行机器学习，得到的第二量子态数据便是第一用户端所需要的数据。而为了保障第一用户端的数据隐私，本申请会对第二量子态数据进行置0操作，从而删除第二量子态数据中存在的第一用户数据，得到第三量子态数据，因此，得到了第三量子态数据已经完成对于第一用户数据的脱敏，可以安全地交给第二用户端操作。第二用户端制备出第三量子态数据之后，可以对第三量子态数据进行赋值，以将第二用户数据加载到第三量子态数据中，得到携带有第三量子态数据以及第二用户数据的第四量子态数据。然后第二用户端将第四量子态数据输入至第二量子神经网络中进行机器学习，得到第二量子神经网络输出的携带有第二特征数据的第五量子态数据，也就是说，对于第二用户端而言，通过第二量子神经网络进行机器学习，得到的第五量子态数据便是第二用户端所需要的数据。综上所述，本申请的方案在保护用户隐私的基础上，完成了第一用户端和第二用户端的协作式量子学习。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明中一种协作式的量子学习方法应用于第一用户端中的实施流程图；

图2a为本发明一种具体实施方式中KCG算法实现拆解量子态的结构示意图；

图2b为一种具体实施方式中的KCG门的等效量子线路示意图；

图3a为本发明一种具体实施方式中由第一用户端进行操作的量子态数据变化示意图；

图3b为本发明一种具体实施方式中由第二用户端进行操作的量子态数据变化示意图；

图4为本发明中一种协作式的量子学习方法应用于第二用户端中的实施流程图。

具体实施方式

本发明的核心是提供一种协作式的量子学习方法，在保护用户隐私的基础上，完成了第一用户端和第二用户端的协作式量子学习。

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参考图1，图1为本发明中一种协作式的量子学习方法的实施流程图，该协作式的量子学习方法可以应用于第一用户端中，包括以下步骤：

步骤S101：生成初始化量子态数据。

在进行协作式的量子学习时，需要满足量子计算的基本物理原理，首先是量子态需要是归一化的，其次量子计算的每一个操作都需要满足酉变换过程。因此，本申请的方案中，需要生成初始化量子态数据，即符合归一化要求的初始化量子态数据。

初始化量子态数据可以用向量表示，具体形式可以根据实际需要进行设定和调整，例如较为常用的方式是将初始化量子态数据设置为(1，0，0，0…0)，其中，该初始化量子态数据的长度可以表示为2^N，N为正整数，表示初始化量子态数据中包括2^N个数据，即该向量中0和1的数量一共为2^N。当然，其他场合中可以根据需要设定其他类型的初始化量子态数据，例如1并不是在首位，而是首位之外的位置，例如设置为(0，0，0，1，0…0)，又如，初始化量子态数据中的各个数据的数值相等，且这些数据各自的平方的总和等于1，例如一种场合中设置为(0.5，0.5，0.5，0.5)。

步骤S102：对初始化量子态数据进行赋值，以将第一用户数据加载到初始化量子态数据中，得到携带有第一用户数据的第一量子态数据。

本申请需要将第一用户数据加载到初始化量子态数据中，但需要说明的是，该操作应当要满足酉变换过程。例如一种具体实施方式中，步骤S102中描述的对初始化量子态数据进行赋值，可以具体包括：

通过逆向使用KCG(K-Controlled Gates，遍历k控制的门算法)算法对初始化量子态数据进行赋值，以使赋值操作满足酉变换规则。

KCG算法的酉变换可参阅图2a，其中k控制U门具体指的是图2b中的各种逻辑控制U门的全排列。KCG算法可以用于量子初态的制备及酉矩阵的拆解，而本申请的方案中，则是基于KCG算法实现赋值和置0的操作。图2a示出的是一个4量子比特的量子计算过程，KCG方法通过U_0，0，U_0，1，U_0，2以及U_0，3四个门，可以将任意量子态拆解为初始化的量子态。而本申请的方案中，则主要利用后三步U_0，1，U_0，2以及U_0，3为初始化的量子态添加第一用户数据A，例如后文一种具体场合中，得到的是奇数位含有第一用户数据A的第一量子态数据，用QNN(Quantum Neural Network，量子神经网络)将特征数据记录在偶数位，再用第一步的多比特k控制U门，实现对奇数位的置0。

第一用户数据的具体数据内容可以根据实际需要进行设定，与初始化量子态数据一样，第一用户数据也是向量，该向量中可以包括1个或多个数据，例如本申请后文中，将第一用户数据表示为向量A，A＝(a₁，a₂，a₃…a_n)，即第一用户数据为n个数据构成的向量。

将第一用户数据加载到初始化量子态数据中，具体的放置位置可以根据需要进行设定，例如在本发明的一种具体实施方式中，初始化量子态数据为长度为2^N的向量，第一用户数据为长度为n的向量；N和n均为正整数，且2^N≥2n；步骤S102可以具体，包括：

对初始化量子态数据的第1位至第2n位中的各个奇数位进行赋值，以将第一用户数据加载到初始化量子态数据中，得到通过第1位至第2n位的各个奇数位携带第一用户数据的第一量子态数据；

或者，对初始化量子态数据的第1位至第2n位中的各个偶数位进行赋值，以将第一用户数据加载到初始化量子态数据中，得到通过第1位至第2n位的各个偶数位携带第一用户数据的第一量子态数据；

由于该种实施方式中是对奇数位或者偶数位进行赋值，因此2^N需要≥2n，以奇数位赋值为例。例如初始化量子态数据为(1，0，0，0…0)，则对初始化量子态数据进行赋值，将第一用户数据A加载到初始化量子态数据之后，得到的携带有第一用户数据的第一量子态数据可以表示为(a₁，0，a₂，0，a₃，0…a_n，0，0，0…0)。与初始化量子态数据一样，第一量子态数据中仍然包括2^N个数据，即向量的长度不变，但第1位至第2n位中的各个奇数位已经按照第一用户数据进行了赋值。

相应的，如果是对初始化量子态数据的第1位至第2n位中的各个偶数位进行赋值，则得到的携带有第一用户数据的第一量子态数据可以表示为(0，a₁，0，a₂，0，a₃…0，a_n，0，0…0)。

步骤S103：将第一量子态数据输入至第一量子神经网络中进行机器学习，得到第一量子神经网络输出的携带有第一特征数据的第二量子态数据，其中，第一特征数据为用于反映第一用户数据的特征的数据。

QNN(Quantum Neural Network，量子神经网络)是一种基于量子力学原理的神经网络模型。其基本思路与经典神经网络类似，即通过计算损失函数，根据梯度进行反向传播并更新网络参数，最终使网络学习到相应的知识。

例如图3a的例子中，第一量子态数据表示为(a₁，0，a₂，0，a₃，0…a_n，0，0，0…0)，经过第一量子神经网络中进行机器学习，得到第一量子神经网络输出的第二量子态数据，表示为(a₁，x₁，a₂，x₂，a₃，x₃…a_n，x_n，C₁)。其中的x₁，x₂，x₃至x_n便是第一特征数据，用于反映出第一用户数据的特征。C₁表示的是第一量子态数据中的第2n+1位直到第2^N位中的0，在经过第一量子神经网络的机器学习之后，数值也可能发生变化，此处用符号C₁来表示这些变化后的数据，但可以理解的是，这些数据并不需要进行利用，忽略即可，当然，如果一种具体场合中设置2^N＝2n，则得到的第二量子态数据中不会存在C₁。

在本发明的一种具体实施方式中，当第一量子态数据通过第1位至第2n位的各个奇数位携带第一用户数据时，第一量子神经网络输出的第二量子态数据通过第1位至第2n位的各个奇数位携带第一用户数据，且通过第1位至第2n位的各个偶数位携带第一特征数据；相应的，得到的第三量子态数据的第1位至第2n位的各个奇数位均为0，第三量子态数据通过第1位至第2n位的各个偶数位携带第一特征数据。

当第一量子态数据通过第1位至第2n位的各个偶数位携带第一用户数据时，第一量子神经网络输出的第二量子态数据通过第1位至第2n位的各个偶数位携带第一用户数据，且通过第1位至第2n位的各个奇数位携带第一特征数据；相应的，得到的第三量子态数据的第1位至第2n位的各个偶数位均为0，第三量子态数据通过第1位至第2n位的各个奇数位携带第一特征数据。

例如图3a的例子中，第一量子态数据便是通过第1位至第2n位的各个奇数位携带第一用户数据，相应的，第一量子神经网络输出的第二量子态数据通过第1位至第2n位的各个奇数位携带第一用户数据，且通过第1位至第2n位的各个偶数位携带第一特征数据。由于第一量子神经网络输出的第二量子态数据通过第1位至第2n位的各个奇数位携带第一用户数据，因此在后续的步骤S104中，便需要将第1位至第2n位的各个奇数位置0，得到的第三量子态数据的第1位至第2n位的各个奇数位均为0，第三量子态数据通过第1位至第2n位的各个偶数位携带第一特征数据。

当然，也可以选择第一量子态数据通过第1位至第2n位的各个偶数位携带第一用户数据，相应的，第一特征数据存放在各个奇数位中，后续步骤S104中再将各个偶数位携带的第一用户数据进行删除，保留下各个奇数位中的第一特征数据。

此外还需要说明的是，在前述实施方式中，是在第二量子态数据中的第1位至第2n位的各个奇数位或偶数位来放置第一特征数据，在其他实施方式中第一特征数据可以有其他的放置位置，即可以根据需要放置在相应的预设位置。例如一种具体场合中的第二量子态数据表示为(a₁，0，a₂，0，a₃，0…a_n，0，x1，x2，x3…xn，C₁)，即该种实施方式中是在第2n位之后的预设位置放置第一特征数据，又如，一种具体场合中的第二量子态数据表示为(a₁，0，a₂，0，a₃，0…a₉，0，x1，x2，x3…xn，C₁)，即该种实施方式中第一特征数据的放置位置的设置，对于部分第一用户数据进行了覆盖，则后续步骤S104中进行置0时，对剩余的未被覆盖的第一用户数据进行置0即可。

还需要指出的是，第一用户数据和第一特征数据的放置位置不同，在步骤S102中进行赋值操作，以及步骤S104中进行赋值操作，相应的KCG算法的结构需要适应性调整，而在实际应用中，较为方便的实施方式，是在第1位至第2n位的奇/偶位进行第一用户数据和第一特征数据的放置，且在部分场合中，第一用户端也会需要携带有完整的第一用户数据和第一特征数据的第二量子态数据。

同样的，后续第二用户端进行量子态数据的处理分析时，通常也是选择在第1位至第2n位的奇/偶位进行第二用户数据和第二特征数据的放置，便不再重复说明。

第一量子神经网络的具体内容可以根据实际需要进行设定和调整，例如在本发明的一种具体实施方式中，考虑到本申请的协作式的量子学习方法可以用于实现不同客户对于用户画像的不同方面的分析，因此，第一用户数据和第二用户数据均可以为用于反映用户画像信息的用户数据。

例如第一用户数据由第一公司提供，具体为第一公司采集到的用户的身高、体重、吃、喝、玩等用于反映用户画像信息的用户数据。

第一量子神经网络则为根据第一用户数据所反映的用户画像信息进行机器学习，输出用户的第一方面的行为规律的第一量子神经网络。

例如将第一量子态数据输入至第一量子神经网络中进行机器学习之后，得到的第一特征数据可以表示出用户的饮食偏好，产品购买的偏好，旅行选择的偏好等行为规律，第一公司进而可以据此对不同的用户采取不同的宣传、推广策略，提高不同用户的使用体验。

步骤S104：对第二量子态数据进行置0操作，以删除第二量子态数据中存在的第一用户数据，得到第三量子态数据。

如上文的描述，在对第二量子态数据进行置0操作时，该操作也应当满足酉变换过程。例如，在本发明的一种具体实施方式中，步骤S104中描述的对第一量子态数据进行置0操作，可以具体包括：通过KCG算法对第一量子态数据进行置0操作，以使置0操作满足酉变换规则。可参阅上文对于图2a和图2b的描述，可以利用第一步U_0，0的多比特k控制U门，实现满足酉变换规则的置0操作。

例如图3a中，第一量子神经网络输出的携带有第一特征数据的第二量子态数据为(a₁，x₁，a₂，x₂，a₃，x₃…a_n，x_n，C₁)，则需要对第二量子态数据进行置0操作，以删除第二量子态数据中存在的第一用户数据，得到第三量子态数据，该实施方式中第三量子态数据为(0，x₁，0，x₂，0，x₃…0，x_n，C₁)，由于删除了第二量子态数据中存在的第一用户数据，因此实现了第一用户数据A的脱敏，但第三量子态数据中仍然携带有用于反映第一用户数据的特征的第一特征数据，影响能够让后续的第二用户端据此进行机器学习，即在保障了第一用户数据的隐私的前提下，实现了第一用户端与第二用户端的协作。

步骤S105：将第三量子态数据传递给第二用户端，以使得第二用户端制备出第三量子态数据并对第三量子态数据进行赋值，以将第二用户数据加载到第三量子态数据中，得到携带有第三量子态数据以及第二用户数据的第四量子态数据，且第二用户端将第四量子态数据输入至第二量子神经网络中进行机器学习，得到第二量子神经网络输出的携带有第二特征数据的第五量子态数据，以完成第一用户端和第二用户端的协作式量子学习；其中，第二特征数据为用于反映第二用户数据和第三量子态数据的特征的数据。

需要说明的是，与传统的数据传递不同，在实际应用中，第一用户端和第二用户端使用的通常是不同的量子计算机，第一用户端将第三量子态数据传递给第二用户端之后，第二用户端需要按照接收的信息，在量子计算机中重新制备出第三量子态数据，即参阅图3b，第二用户端可以生成初始化量子态数据，再按照第二用户端所传递的信息，对初始化量子态数据进行赋值，从而在所使用的量子计算机上制备出第三量子态数据(0，x₁，0，x₂，0，x₃…0，x_n，C₁)。

当然，仅在少部分场合中，第一用户端和第二用户端使用的是同一台量子计算机，此时第二用户端便无需利用初始化量子态数据制备出第三量子态数据，而是可以直接将第一用户端传递的第三量子态数据作为自身制备出的第三量子态数据。

与第一用户端的执行过程同理，第二用户端制备出第三量子态数据之后，需要对第三量子态数据进行赋值，即第二用户端将第二用户数据加载到第三量子态数据中，得到携带有第三量子态数据以及第二用户数据的第四量子态数据。

在图3b的场合中，第三量子态数据表示为(0，x₁，0，x₂，0，x₃…0，x_n，C₁)，在第1位至第2n位中的各个奇数位加载第二用户数据B，例如B＝(b₁，b₂，b₃…b_n)，则得到的携带有第三量子态数据以及第二用户数据的第四量子态数据可以表示为(b₁，x₁，b₂，x₂，b₃，x₃…b_n，x_n，C₁)。

第二用户端将第四量子态数据输入至第二量子神经网络中进行机器学习，可以得到第二量子神经网络输出的携带有第二特征数据的第五量子态数据，例如图3b中，得到的第五量子态数据可以表示为(b₁，y₁，b₂，y₂，b₃，y₃…b_n，y_n，C₂)。其中的第二特征数据便是(b₁，b₂，b₃…b_n)可以反映出第二用户数据和第三量子态数据的特征。

与上文关于C₁的描述同理，经过第一量子神经网络的机器学习之后，C₁数值也可能发生变化，此处用符号C₂来表示这些变化后的数据，但可以理解的是，这些数据并不需要进行利用，忽略即可。

第二量子神经网络的具体内容也可以根据实际需要进行设定和调整，例如上文中，考虑到本申请的协作式的量子学习方法可以用于实现不同客户对于用户画像的不同方面的分析，因此，第一用户数据和第二用户数据均可以为用于反映用户画像信息的用户数据。

例如第一用户数据由第一公司提供，具体为第一公司采集到的用户的身高、体重、吃、喝、玩等用于反映用户画像信息的用户数据，经过第一量子神经网络进行机器学习之后，得到的第一特征数据可以表示出用户的饮食偏好，产品购买的偏好，旅行选择的偏好等行为规律，第一公司进而据此对不同的用户采取不同的宣传、推广策略，提高不同用户的使用体验。

第二量子神经网络则可以为根据第二用户数据所反映的用户画像信息，以及用户的第一方面的行为规律进行机器学习，输出用户的第二方面的行为规律的第二量子神经网络。

例如第二用户数据由第二公司提供，具体为第二公司采集到的用户吃的数据，例如为不同用户在第二公司的APP上的外卖数据，将携带有第二用户数据以及第一特征数据的第四量子态数据输入至第二量子神经网络中进行机器学习，得到的第五量子态数据中的第二特征数据例如可以用于表示出不同用户的外卖花费数额，一周中不同日子的外卖购买偏好等行为规律。

又如，在本发明的一种具体实施方式中，第一用户数据为图像数据转换成的向量，第二用户数据为用于反映用户画像信息的用户数据；

第一量子神经网络为根据图像数据转换成的向量进行机器学习，输出针对图像的图像统计信息的第一量子神经网络；

第二量子神经网络为根据第二用户数据所反映的用户画像信息，以及图像统计信息进行机器学习，输出用户的行为规律的第二量子神经网络。

例如，第一用户数据由第一公司提供，具体为第一公司采集到的图像数据，并且需要说明的是，由于图像数据为2维或多维图像数据，因此，需要按照行、列将图像数据转换为向量，从而作为第一用户数据。

第一量子神经网络可以根据图像数据转换成的向量进行机器学习，输出针对图像的图像统计信息，例如一种具体场合中，第一量子神经网络对图像中的人的数量进行统计，又如一种具体场合中，第一量子神经网络对图像中的人是否携带有危险物品进行识别。

第二用户数据由第二公司提供，例如具体为第二公司采集到的用户的旅行数据以及保险购买信息，在第一量子神经网络进行机器学习，识别出图像中的人的数量之后，将携带有第二用户数据以及第一特征数据的第四量子态数据输入至第二量子神经网络中进行机器学习，得到的第二特征数据例如可以表示出不同人次出游时的保险购买规律。

应用本发明实施例所提供的技术方案，第一用户端生成初始化量子态数据之后，通过对初始化量子态数据进行赋值，可以将第一用户数据加载到初始化量子态数据中，得到携带有第一用户数据的第一量子态数据，然后将第一量子态数据输入至第一量子神经网络中进行机器学习，得到第一量子神经网络输出的携带有第一特征数据的第二量子态数据，也就是说，对于第一用户端而言，通过第一量子神经网络进行机器学习，得到的第二量子态数据便是第一用户端所需要的数据。而为了保障第一用户端的数据隐私，本申请会对第二量子态数据进行置0操作，从而删除第二量子态数据中存在的第一用户数据，得到第三量子态数据，因此，得到了第三量子态数据已经完成对于第一用户数据的脱敏，可以安全地交给第二用户端操作。第二用户端制备出第三量子态数据之后，可以对第三量子态数据进行赋值，以将第二用户数据加载到第三量子态数据中，得到携带有第三量子态数据以及第二用户数据的第四量子态数据。然后第二用户端将第四量子态数据输入至第二量子神经网络中进行机器学习，得到第二量子神经网络输出的携带有第二特征数据的第五量子态数据，也就是说，对于第二用户端而言，通过第二量子神经网络进行机器学习，得到的第五量子态数据便是第二用户端所需要的数据。综上所述，本申请的方案在保护用户隐私的基础上，完成了第一用户端和第二用户端的协作式量子学习。

本申请还提供了一种协作式的量子学习方法，可以应用于第二用户端中，可参阅图4，包括以下步骤：

步骤S401：接收由第一用户端传递的第三量子态数据；

步骤S402：制备出第三量子态数据，并对第三量子态数据进行赋值，以将第二用户数据加载到第三量子态数据中，得到携带有第三量子态数据以及第二用户数据的第四量子态数据；

步骤S403：将第四量子态数据输入至第二量子神经网络中进行机器学习，得到第二量子神经网络输出的携带有第二特征数据的第五量子态数据，以完成第一用户端和第二用户端的协作式量子学习；其中，第二特征数据为用于反映第二用户数据和第三量子态数据的特征的数据；

其中，第三量子态数据为第一用户端通过以下操作得到的第三量子态数据：第一用户端生成初始化量子态数据，并对初始化量子态数据进行赋值，以将第一用户数据加载到初始化量子态数据中，得到携带有第一用户数据的第一量子态数据；第一用户端将第一量子态数据输入至第一量子神经网络中进行机器学习，得到第一量子神经网络输出的携带有第一特征数据的第二量子态数据，其中，第一特征数据为用于反映第一用户数据的特征的数据；第一用户端对第二量子态数据进行置0操作，以删除第二量子态数据中存在的第一用户数据，得到第三量子态数据。

由于原理与上文一致，因此此处不再重复说明。

进一步的，在本发明的一种具体实施方式中，还可以包括：

对第五量子态数据进行置0操作，以删除第五量子态数据中存在的第二用户数据，得到第六量子态数据；

将第六量子态数据传递给第三用户端，以使得第三用户端制备出第六量子态数据并对第六量子态数据进行赋值，以将第三用户数据加载到第六量子态数据中，得到携带有第六量子态数据以及第三用户数据的第七量子态数据，且第三用户端将第七量子态数据输入至第三量子神经网络中进行机器学习，得到第三量子神经网络输出的携带有第三特征数据的第八量子态数据，以完成第一用户端，第二用户端以及第三用户端的协作式量子学习；其中，第三特征数据为用于反映第三用户数据和第六量子态数据的特征的数据。

该种实施方式中，由第一用户端，第二用户端以及第三用户端的进行协作式量子学习，即第二用户端需要对第五量子态数据进行置0操作，从而删除第五量子态数据中存在的第二用户数据，保障第二用户数据的安全，进而将第六量子态数据交给第三用户端进行操作，原理则与上文中第一用户端将第三量子态数据交给第二用户端操作一致，此处不再重复说明。图3b的例子中，第二用户端得到了第五量子态数据之后，便进行了置0操作。

相应于上面的方法和系统实施例，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述任一实施例中描述的应用于第一用户端中的协作式的量子学习方法的步骤，当然，另一种实施方式中，计算机程序被处理器执行时可以实现如上述任一实施例中描述的应用于第二用户端中的协作式的量子学习方法的步骤。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的技术方案及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明的保护范围内。

Claims (10)

1.一种协作式的量子学习方法，其特征在于，应用于第一用户端中，包括：

生成初始化量子态数据；

对所述初始化量子态数据进行赋值，以将第一用户数据加载到所述初始化量子态数据中，得到携带有所述第一用户数据的第一量子态数据；

将所述第一量子态数据输入至第一量子神经网络中进行机器学习，得到所述第一量子神经网络输出的携带有第一特征数据的第二量子态数据，其中，所述第一特征数据为用于反映所述第一用户数据的特征的数据；

对所述第二量子态数据进行置0操作，以删除所述第二量子态数据中存在的所述第一用户数据，得到第三量子态数据；

将所述第三量子态数据传递给第二用户端，以使得所述第二用户端制备出所述第三量子态数据并对所述第三量子态数据进行赋值，以将第二用户数据加载到所述第三量子态数据中，得到携带有所述第三量子态数据以及所述第二用户数据的第四量子态数据，且所述第二用户端将所述第四量子态数据输入至第二量子神经网络中进行机器学习，得到所述第二量子神经网络输出的携带有第二特征数据的第五量子态数据，以完成所述第一用户端和所述第二用户端的协作式量子学习；其中，所述第二特征数据为用于反映所述第二用户数据和所述第三量子态数据的特征的数据。

2.根据权利要求1所述的协作式的量子学习方法，其特征在于，所述第一用户数据和所述第二用户数据均为用于反映用户画像信息的用户数据；

所述第一量子神经网络为根据所述第一用户数据所反映的用户画像信息进行机器学习，输出用户的第一方面的行为规律的第一量子神经网络；

所述第二量子神经网络为根据所述第二用户数据所反映的用户画像信息，以及用户的第一方面的行为规律进行机器学习，输出用户的第二方面的行为规律的第二量子神经网络。

3.根据权利要求1所述的协作式的量子学习方法，其特征在于，所述第一用户数据为图像数据转换成的向量，所述第二用户数据为用于反映用户画像信息的用户数据；

所述第一量子神经网络为根据图像数据转换成的向量进行机器学习，输出针对所述图像的图像统计信息的第一量子神经网络；

所述第二量子神经网络为根据所述第二用户数据所反映的用户画像信息，以及所述图像统计信息进行机器学习，输出用户的行为规律的第二量子神经网络。

4.根据权利要求1所述的协作式的量子学习方法，其特征在于，所述对所述初始化量子态数据进行赋值，包括：

通过逆向使用KCG算法对所述初始化量子态数据进行赋值，以使赋值操作满足酉变换规则；

所述对所述第一量子态数据进行置0操作，包括：

通过KCG算法对所述第一量子态数据进行置0操作，以使置0操作满足酉变换规则。

5.根据权利要求1至4任一项所述的协作式的量子学习方法，其特征在于，初始化量子态数据为长度为2^N的向量，所述第一用户数据为长度为n的向量；N和n均为正整数，且2^N≥2n；

所述对所述初始化量子态数据进行赋值，以将第一用户数据加载到所述初始化量子态数据中，得到携带有所述第一用户数据的第一量子态数据，包括：

对所述初始化量子态数据的第1位至第2n位中的各个奇数位进行赋值，以将第一用户数据加载到所述初始化量子态数据中，得到通过第1位至第2n位的各个奇数位携带所述第一用户数据的第一量子态数据；

或者，对所述初始化量子态数据的第1位至第2n位中的各个偶数位进行赋值，以将第一用户数据加载到所述初始化量子态数据中，得到通过第1位至第2n位的各个偶数位携带所述第一用户数据的第一量子态数据。

6.根据权利要求5所述的协作式的量子学习方法，其特征在于，当所述第一量子态数据通过第1位至第2n位的各个奇数位携带所述第一用户数据时，所述第一量子神经网络输出的所述第二量子态数据通过第1位至第2n位的各个奇数位携带所述第一用户数据，且通过第1位至第2n位的各个偶数位携带所述第一特征数据；相应的，得到的所述第三量子态数据的第1位至第2n位的各个奇数位均为0，所述第三量子态数据通过第1位至第2n位的各个偶数位携带所述第一特征数据；

当所述第一量子态数据通过第1位至第2n位的各个偶数位携带所述第一用户数据时，所述第一量子神经网络输出的所述第二量子态数据通过第1位至第2n位的各个偶数位携带所述第一用户数据，且通过第1位至第2n位的各个奇数位携带所述第一特征数据；相应的，得到的所述第三量子态数据的第1位至第2n位的各个偶数位均为0，所述第三量子态数据通过第1位至第2n位的各个奇数位携带所述第一特征数据。

7.一种协作式的量子学习方法，其特征在于，应用于第二用户端中，包括：

接收由第一用户端传递的第三量子态数据；

制备出所述第三量子态数据，并对所述第三量子态数据进行赋值，以将第二用户数据加载到所述第三量子态数据中，得到携带有所述第三量子态数据以及所述第二用户数据的第四量子态数据；

将所述第四量子态数据输入至第二量子神经网络中进行机器学习，得到所述第二量子神经网络输出的携带有第二特征数据的第五量子态数据，以完成所述第一用户端和所述第二用户端的协作式量子学习；其中，所述第二特征数据为用于反映所述第二用户数据和所述第三量子态数据的特征的数据；

其中，所述第三量子态数据为所述第一用户端通过以下操作得到的第三量子态数据：所述第一用户端生成初始化量子态数据，并对所述初始化量子态数据进行赋值，以将第一用户数据加载到所述初始化量子态数据中，得到携带有所述第一用户数据的第一量子态数据；所述第一用户端将所述第一量子态数据输入至第一量子神经网络中进行机器学习，得到所述第一量子神经网络输出的携带有第一特征数据的第二量子态数据，其中，所述第一特征数据为用于反映所述第一用户数据的特征的数据；所述第一用户端对所述第二量子态数据进行置0操作，以删除所述第二量子态数据中存在的所述第一用户数据，得到第三量子态数据。

8.根据权利要求7所述的协作式的量子学习方法，其特征在于，还包括：

对所述第五量子态数据进行置0操作，以删除所述第五量子态数据中存在的所述第二用户数据，得到第六量子态数据；

将所述第六量子态数据传递给第三用户端，以使得所述第三用户端制备出所述第六量子态数据并对所述第六量子态数据进行赋值，以将第三用户数据加载到所述第六量子态数据中，得到携带有所述第六量子态数据以及所述第三用户数据的第七量子态数据，且所述第三用户端将所述第七量子态数据输入至第三量子神经网络中进行机器学习，得到所述第三量子神经网络输出的携带有第三特征数据的第八量子态数据，以完成所述第一用户端，所述第二用户端以及所述第三用户端的协作式量子学习；其中，所述第三特征数据为用于反映所述第三用户数据和所述第六量子态数据的特征的数据。

9.一种协作式的量子学习系统，其特征在于，包括第一用户端和第二用户端，所述第一用户端用于：

生成初始化量子态数据；

对所述初始化量子态数据进行赋值，以将第一用户数据加载到所述初始化量子态数据中，得到携带有所述第一用户数据的第一量子态数据；

将所述第一量子态数据输入至第一量子神经网络中进行机器学习，得到所述第一量子神经网络输出的携带有第一特征数据的第二量子态数据，其中，所述第一特征数据为用于反映所述第一用户数据的特征的数据；

对所述第二量子态数据进行置0操作，以删除所述第二量子态数据中存在的所述第一用户数据，得到第三量子态数据；

将所述第三量子态数据传递给第二用户端；

所述第二用户端用于：

接收由第一用户端传递的第三量子态数据；

制备出所述第三量子态数据，并对所述第三量子态数据进行赋值，以将第二用户数据加载到所述第三量子态数据中，得到携带有所述第三量子态数据以及所述第二用户数据的第四量子态数据；

将所述第四量子态数据输入至第二量子神经网络中进行机器学习，得到所述第二量子神经网络输出的携带有第二特征数据的第五量子态数据，以完成所述第一用户端和所述第二用户端的协作式量子学习；其中，所述第二特征数据为用于反映所述第二用户数据和所述第三量子态数据的特征的数据。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的协作式的量子学习方法的步骤。

Images