CN114936646A - 一种量子化数据处理方法和装置 - Google Patents
一种量子化数据处理方法和装置 Download PDFInfo
- Publication number
- CN114936646A CN114936646A CN202210646841.4A CN202210646841A CN114936646A CN 114936646 A CN114936646 A CN 114936646A CN 202210646841 A CN202210646841 A CN 202210646841A CN 114936646 A CN114936646 A CN 114936646A
- Authority
- CN
- China
- Prior art keywords
- function vector
- quantum
- segment
- value
- equation
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
- G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/10—Nuclear fusion reactors
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供了一种量子化数据处理方法和装置,该方法包括:将微分方程的求解时间区间划分为预设数目的分段,根据分段,将微分方程近似为第一差分方程;叠加微分方程的常数向量和待解函数向量,获得第一函数向量,根据第一函数向量,确定与第一差分方程等价的第二差分方程;对于预设数目的分段中的第一分段,根据第二差分方程,设置量子线路;根据待解函数向量在第一分段的初始时间的值,确定第一函数向量在第一分段的初始时间的值,基于第一函数向量在第一分段的初始时间的值,制备第一量子态;将第一量子态输入量子线路,通过量子线路得到待解函数向量在第一分段的结束时间的值。
Description
技术领域
本发明涉及量子计算领域,尤其涉及一种量子化数据处理方法和装置。
背景技术
线性微分方程组在自然科学与工程技术领域具有至关重要的地位,很多典型物理系统的演化都服从由线性微分方程组表示的规律。例如,计算核聚变能量、模拟流体力学过程以及模拟量子体系的演化等任务最终都可以通过线性微分方程组的求解来完成。但是,在待解系统状态的维度很大时,对于线性微分方程组的求解,依靠经典计算机常常难以完成。
发明内容
本发明的实施例提供一种量子化数据处理方法和装置,相较于基于经典计算机的微分方程求解方法,该方法可以显著降低微分方程求解中的计算复杂度,从而大大降低微分方程求解过程消耗的计算资源。
第一方面,本发明的实施例提供一种量子化数据处理方法,该方法包括:
将微分方程的求解时间区间划分为预设数目的分段,根据所述分段,将所述微分方程近似为第一差分方程;
叠加所述微分方程的常数向量和待解函数向量,获得第一函数向量,根据所述第一函数向量,确定与所述第一差分方程等价的第二差分方程;
对于所述预设数目的分段中的第一分段,根据第二差分方程,设置量子线路;
根据所述待解函数向量在所述第一分段的初始时间的值,确定第一函数向量在所述第一分段的初始时间的值,基于所述第一函数向量在所述第一分段的初始时间的值,制备第一量子态;
将第一量子态输入所述量子线路,通过所述量子线路得到待解函数向量在所述第一分段的结束时间的值。
优选地,所述微分方程和所述待解函数向量在所述第一分段的初始时间的值,可以表示为:
所述第一函数向量,可以表示为:
优选地,根据所述第二差分方程组,设立方程组求解量子线路,包括:
根据所述第二差分方程组,确定对应的哈密顿量;
设立旨在确定所述哈密顿量的基态的量子线路。
优选地,第一差分方程组表示为,
其中,将微分方程的求解区间[0,T]划分为长度为Δt的T/Δt个小段区间,IN是N×N维恒等矩阵;
第二差分方程组表示为,
所述哈密顿量表示为:
优选地,确定所述哈密顿量的基态,包括:
使得所述哈密顿量的期望值趋向最小化,根据最小化后的所述期望值,确定所述哈密顿量的基态。
优选地,所述量子线路,至少包括第一子线路:
通过使得所述哈密顿量的期望值趋向最小化,包括:
基于预先优化的第一子线路,使所述哈密顿量的期望值趋向最小化。
优选地,所述第一子线路的预先优化,包括对于所述第一子线路的线路参数的优化,所述线路参数的优化基于经典计算机进行。
优选地,所述哈密顿量的期望值表示为:
第二方面,提供一种量子化数据处理装置,所述装置包括:
第一差分方程组获取单元,配置为,将微分方程的求解时间区间划分为预设数目的分段,根据所述分段,将所述微分方程近似为第一差分方程;
第二差分方程确定单元,配置为,叠加所述微分方程的常数向量和待解函数向量,获得第一函数向量,根据所述第一函数向量,确定与所述第一差分方程等价的第二差分方程;
量子线路设立单元,配置为,对于所述预设数目的分段中的第一分段,根据第二差分方程,设置量子线路;
第一量子态制备单元,配置为根据所述待解函数向量在所述第一分段的初始时间的值,确定第一函数向量在所述第一分段的初始时间的值,基于所述第一函数向量在所述第一分段的初始时间的值,制备第一量子态;
方程解确定单元,配置为,将第一量子态输入所述量子线路,通过所述量子线路得到待解函数向量在所述第一分段的结束时间的值。
第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行第一方面所述的方法。
附图说明
为了更清楚说明本发明实施例的技术方案,下面将对实施例描述中所需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为本发明实施例提供的一种量子化数据处理方法的流程图;
图5为本发明实施例提供的参数化量子线路图;
图6为本发明实施例提供的测量B23的量子线路图;
图7为本发明实施例提供的测量γ3的量子线路图;
图8为本发明实施例提供的一种量子化数据处理装置的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例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。
如前所述,线性微分方程组的求解在科学和产业中,均具有重要的技术意义。但是现有基于经典计算机的求解方法,当待解线性微分方程的参数维度过大时,由于计算量过大,对于计算资源消耗过多,导致在实际生成场景中常常难以实施。
而量子计算利用量子力学现象(例如量子叠加和量子纠缠)执行信息处理任务,克服了经典计算能力的局限性,针对某些问题具有更快的计算速度。现有的另一些方案通过量子算法求解线性微分方程组,与经典算法相比,这些方案的计算复杂度得到了显著降低。这些量子计算方案也存在如下的问题,即消耗的量子计算资源(例如,量子比特资源)也会随着例如方程求解精度的提高、方程模拟的物理系统演化时间的增长而不断相应地增大。
为了解决上述技术问题,本发明实施例提供的一种量子化数据处理方法。下面说明本发明的基本思想。首先,对待解的线性方程组进行预处理,将方程组的解编码至量子系统中,并将求解区间分成若干段,将每一段的微分演化用对应的差分演化代替,进而将线性方程组求解问题转化为求解量子系统的哈密顿量基态的问题;将哈密顿量期望值表达式分解为若干实验可观测量的组合,设计出测量这些量的量子线路;基于测量值重构哈密顿量期望值,进而借助经典优化算法对量子线路进行参数优化。最后,基于优化后的量子线路,经过不断迭代在量子系统上完成每一步的微分演化,从而给出待解方程组在最终时刻的近似解。
图1为本发明实施例提供的一种量子化数据处理方法的流程图。如图1所示,该方法的流程至少包括:
步骤11,将微分方程的求解时间区间划分为预设数目的分段,根据所述分段,将所述微分方程近似为第一差分方程。
微分方程指描述未知函数的导数与自变量之间的关系的方程,微分方程的解是一个符合方程的函数。差分方程又称递推关系式,是含有未知函数及其差分,但不含有导数的方程,满足该方程的函数称为差分方程的解。差分方程可以是微分方程的离散化。该步骤中,可以将微分方程的求解时间区间划分为预设数目的分段,然后根据得到的分段,得到与该微分方程近似的第一差分方程。进而,可以在后续步骤中,通过第一差分方程得到该微分方程的近似解。
在一个实施例中,微分方程和所述待解函数向量在所述第一分段的初始时间的值,可以表示为:
其中,将微分方程的求解区间[0,T]划分为长度为Δt的T/Δt个小段区间,IN是N×N维恒等矩阵。
步骤12,叠加所述微分方程的常数向量和待解函数向量,获得第一函数向量,根据所述第一函数向量,确定与所述第一差分方程等价的第二差分方程。
步骤13,对于所述预设数目的分段中的第一分段,根据第二差分方程,设置量子线路。具体的,在一个实施例中,可以根据所述第二差分方程组,确定对应的哈密顿量;设立旨在确定所述哈密顿量的基态的量子线路。
在上述第二差分方程组表示为公式(4)的实施例中,确定的所述哈密顿量可以表示为:
在一个具体的实施例中,可以使得所述哈密顿量的期望值趋向最小化,根据最小化后的所述期望值,确定所述哈密顿量的基态。
在一个具体的实施例中,量子线路可以至少包括第一子线路。进而,可以基于预先优化的第一子线路,使所述哈密顿量的期望值趋向最小化。在一个具体的实施例中,所述第一子线路的预先优化,包括对于所述第一子线路的线路参数的优化,所述线路参数的优化基于经典计算机进行。
在一个实施例中,哈密顿量的期望值可以表示为:
下面通过一个完整的实施例,进一步说明该方法。
该实施例中,待解的线性微分方程为:
首先,在步骤A1,将初始条件组合成列向量将其制备成对应的量子态在不同的实施例中,可以通过不同的具体方式制备量子态在一个具体的实施例中,可以对列向量进行归一化处理,然后利用一个辅助量子比特和nq个工作量子比特,使用量子门将制备成对应的量子态
并且,将矩阵A分解为L个nq比特泡利项(即不超过nq个泡利算符的直积)的线性叠加:
在一个具体的实施例中,可以通过经典计算进行上述对于矩阵A的分解。
然后,在步骤A2,可以将求解区间[0,T]划分为长度为Δt的n=T/Δt小段,在每一小段中微分方程组均可使用如下差分方程(即公式(2))来近似:
其中IN是N×N维恒等矩阵。
接着,在步骤A3,可以通过引入的哈密顿量,完成对于公式(4)的方程的求解。具体的,在一个实施例中,如公式(5)所示,该哈密顿H可以表示为:
即上述的公式(6),根据线路的输出态,可以得到的高保真度的近似值。在一个具体的实施例中,例如在迭代至第i+1时间小段时,已求得t=iΔt时刻的第一量子态,待求解的是t=(i+1)Δt时刻的第一量子态,为了方便我们使用符号来代替使用来代替在一个具体的实施例中,对于H期望值的测量方案具体可以为:借助公式(7)可将公式(4)中的矩阵M表达为泡利项的线性组合的形式:
其中,I,IN分别表示2×2和N×N维恒等矩阵,为直积;{X,Y,Z}表示三个泡利算符;μi是3+4L个泡利算符的叠加系数(复数),可使用经典计算机由公式(7)确定,它们构成了一个常矢量Pi是nq+1比特的泡利项。将公式(8)代入公式(5),进而代入公式(6),可以得到:
这些物理量可通过在量子计算机上引入一个辅助比特测量得到。在不同的实施例中,可以通过不同的具体量子测量线路得到。在一个实施例中,它们的测量线路可以分别如图2和图3所示。图2为本发明实施例提供的测量的量子线路图,其中,表示第i步迭代的输出态,在第(i+1)步迭代中用作初态。S是相移门diag(1,i),其上指标f取值为0或1,分别表示最终测量输出的是Bjk的实部还是虚部。是当前步(第(i+1)步)迭代使用的参数化线路。|0>m表示用来辅助测量的量子比特的初态。Pk,Pj是矩阵M的泡利展开式中的泡利项,它们的受控操作均在辅助比特处于|1>m态时才生效。最终测量结果由辅助比特的泡利Z算符的期望值给出:当f=0时<Z>=Re{Bjk},当f=1时<Z>=-Im{Bjk}。图3为本发明实施例提供的测量的量子线路图。如图3所示,其中的受控操作在辅助比特处于|1>m态时才生效;最终测量结果由辅助比特的泡利Z算符的期望值给出:当f=0时<Z>=Re{γk},当f=1时<Z>=Im{γk}。
接着,在步骤A5,可以使用变分量子算法原理优化量子线路的线路参数从而得到下一时刻的近似矢量。在一个具体的实施例中,可以使用经典计算的参数优化过程来更新量子线路里的参数,从而最小化不断迭代直到其收敛(接近于0),此时是哈密顿量H的基态的近似。具体的,由的表达式可知,此时给出了t=(t+1)Δt时刻矢量的归一化近似。
下面通过一个更具体的实施例,进一步阐述该方法。
该实施例中,待解的线性微分方程为:
然后,在步骤B2,可以设求解总时长为T=10,差分演化的步长设为Δt=0.1,如此我们将[0,10]区间内方程组的演化转变为100步差分演化。对于第i步,我们使用量子计算机模拟[(i-1)Δt,iΔt]区间内系统的演化,由上一实施例中的步骤A2~步骤A4可知,这是通过对步骤B1中使用的两比特系统(1辅助比特+1工作比特)施加参数化量子线路完成的。在不同的实施例中,可以使用不同的参数化量子线路。图5为本发明实施例提供的参数化量子线路图,如图5所示的参数化量子线路中,输入态是上一步(第i-1步)的输出,即通过调整线路参数(即图中的(θ1,θ2,θ3,θ4)),希望当前线路的输出态给出矢量的归一化近似。为了达到这一目的,可以将方程求解通过量子编码转换为哈密顿量基态的确定问题,并使用变分量子程序对该问题进行求解。
接着,在步骤B3,由上一实施例中步骤A2~步骤A3关于哈密顿量编码的说明可知,针对线路输出态测量由公式(6)定义的哈密顿量的期望值并将其作为经典优化算法中的目标函数,使用经典优化算法(在一个具体的实施例中,例如可以是梯度下降算法)来动态更新参数从而逐渐降低直至接近0,此时线路输出态将给出矢量的归一化近似。
一共包含四个泡利项,展开系数和对应泡利项为
基于上述展开结果,我们可使用上一实施例步骤A4给出的同样的线路图(图2、图3)测量物理量
在一个具体的实施例中,以j=2,k=3为例,测量γ3和B23的线路图可以如图6和图7所示,其中,图6为本发明实施例提供的测量B23的量子线路图,图7为本发明实施例提供的测量γ3的量子线路图。
当测量好所有γk和Bjk,便可通过公式(9)得到哈密顿量的期望值这样便能使用经典优化算法动态更新参数从而最小化到接近于0,此时线路输出态将给出矢量的归一化近似,该近似态可作为下一步(第i+1步)的输入。将这一步训练得到的线路记为Ui,记录下来以便后续制备量子态。
此后,在步骤B4,重复上述迭代,例如重复迭代步。在最后一步结束后,使用的两比特系统的量子态可以给出矢量的归一化近似。此时测量辅助比特,若结果为0,则工作比特将给出的归一化近似;若结果为1,则重复运行已得到的参数化线路序列U100…U2U1,制备直到测量给出0为止。
本说明书实施例提供的量子化数据处理方法具有如下优点:已有的求解线性微分方程组的量子计算方法,对量子比特资源的需求会随着求解精度的提高、计算中量子演化时间的增长而提高。使用本说明书实施例提供的量子化数据处理方法,即使在求解精度提高、或者计算中量子演化时间增长的情况下,对于量子比特资源的需求基本保持不变(例如对于N维微分体系,只需要log2N+2个量子比特,即渐进意义下编码N维矢量所需的最低量子比特数量),这大大减少了量子化数据处理中所需的量子比特资源。
根据又一方面的实施例,还提供了一种量子化数据处理装置,图8为本发明实施例提供的一种量子化数据处理装置的结构图。如图8所示,该装置800包括:
第一差分方程组获取单元81,配置为,将微分方程的求解时间区间划分为预设数目的分段,根据所述分段,将所述微分方程近似为第一差分方程;
第二差分方程确定单元82,配置为,叠加所述微分方程的常数向量和待解函数向量,获得第一函数向量,根据所述第一函数向量,确定与所述第一差分方程等价的第二差分方程;
量子线路设立单元83,配置为,对于所述预设数目的分段中的第一分段,根据第二差分方程,设置量子线路;
第一量子态制备单元84,配置为根据所述待解函数向量在所述第一分段的初始时间的值,确定第一函数向量在所述第一分段的初始时间的值,基于所述第一函数向量在所述第一分段的初始时间的值,制备第一量子态;
方程解确定单元85,配置为,将第一量子态输入所述量子线路,通过所述量子线路得到待解函数向量在所述第一分段的结束时间的值。
根据又一方面的实施例,还提供一种计算机可读介质,包括存储于其上的计算机程序,所述计算机在运行时执行以上所述的方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
专业人员应该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。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种量子化数据处理方法,包括:
将微分方程的求解时间区间划分为预设数目的分段,根据所述分段,将所述微分方程近似为第一差分方程;
叠加所述微分方程的常数向量和待解函数向量,获得第一函数向量,根据所述第一函数向量,确定与所述第一差分方程等价的第二差分方程;
对于所述预设数目的分段中的第一分段,根据第二差分方程,设置量子线路;
根据所述待解函数向量在所述第一分段的初始时间的值,确定第一函数向量在所述第一分段的初始时间的值,基于所述第一函数向量在所述第一分段的初始时间的值,制备第一量子态;
将第一量子态输入所述量子线路,通过所述量子线路得到待解函数向量在所述第一分段的结束时间的值。
3.根据权利要求2所述的方法,其中,根据所述第二差分方程组,设立方程组求解量子线路,包括:
根据所述第二差分方程组,确定对应的哈密顿量;
设立旨在确定所述哈密顿量的基态的量子线路。
5.根据权利要求4所述的方法,其中,确定所述哈密顿量的基态,包括:
使得所述哈密顿量的期望值趋向最小化,根据最小化后的所述期望值,确定所述哈密顿量的基态。
6.根据权利要求5所述的方法,其中,所述量子线路,至少包括第一子线路:
通过使得所述哈密顿量的期望值趋向最小化,包括:
基于预先优化的第一子线路,使所述哈密顿量的期望值趋向最小化。
7.根据权利要求6所述的方法,其中,所述第一子线路的预先优化,包括对于所述第一子线路的线路参数的优化,所述线路参数的优化基于经典计算机进行。
9.一种量子化数据处理装置,所述装置包括:
第一差分方程组获取单元,配置为,将微分方程的求解时间区间划分为预设数目的分段,根据所述分段,将所述微分方程近似为第一差分方程;
第二差分方程确定单元,配置为,叠加所述微分方程的常数向量和待解函数向量,获得第一函数向量,根据所述第一函数向量,确定与所述第一差分方程等价的第二差分方程;
量子线路设立单元,配置为,对于所述预设数目的分段中的第一分段,根据第二差分方程,设置量子线路;
第一量子态制备单元,配置为根据所述待解函数向量在所述第一分段的初始时间的值,确定第一函数向量在所述第一分段的初始时间的值,基于所述第一函数向量在所述第一分段的初始时间的值,制备第一量子态;
方程解确定单元,配置为,将第一量子态输入所述量子线路,通过所述量子线路得到待解函数向量在所述第一分段的结束时间的值。
10.一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-8中任一项的所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210646841.4A CN114936646A (zh) | 2022-06-09 | 2022-06-09 | 一种量子化数据处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210646841.4A CN114936646A (zh) | 2022-06-09 | 2022-06-09 | 一种量子化数据处理方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114936646A true CN114936646A (zh) | 2022-08-23 |
Family
ID=82867315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210646841.4A Pending CN114936646A (zh) | 2022-06-09 | 2022-06-09 | 一种量子化数据处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114936646A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115511091A (zh) * | 2022-09-23 | 2022-12-23 | 武汉大学 | 一种基于量子计算的求解分子体系任意本征态能量的方法及装置 |
CN115564051A (zh) * | 2022-09-26 | 2023-01-03 | 北京大学 | 一种基于量子门获取待测系统本征态的方法及装置 |
-
2022
- 2022-06-09 CN CN202210646841.4A patent/CN114936646A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115511091A (zh) * | 2022-09-23 | 2022-12-23 | 武汉大学 | 一种基于量子计算的求解分子体系任意本征态能量的方法及装置 |
CN115564051A (zh) * | 2022-09-26 | 2023-01-03 | 北京大学 | 一种基于量子门获取待测系统本征态的方法及装置 |
CN115564051B (zh) * | 2022-09-26 | 2023-05-30 | 北京大学 | 一种基于量子门获取待测系统本征态的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mattey et al. | A novel sequential method to train physics informed neural networks for Allen Cahn and Cahn Hilliard equations | |
CN110929869B (zh) | 序列数据处理方法、装置、设备及存储介质 | |
CN114936646A (zh) | 一种量子化数据处理方法和装置 | |
WO2020123185A1 (en) | Residual quantization for neural networks | |
CN114091363B (zh) | 基于量子算法的计算流体动力学模拟方法、装置及设备 | |
CN112232512B (zh) | 量子计算模拟平台及线性方程组量子求解模拟方法、系统 | |
WO2021055029A1 (en) | Quantum bit prediction | |
Penkovsky et al. | Efficient design of hardware-enabled reservoir computing in FPGAs | |
CN107977541B (zh) | 一种优化量子线路仿真的方法 | |
CN112884153A (zh) | 处理数据的方法和相关装置 | |
CN114418105B (zh) | 一种基于量子线路处理量子应用问题的方法及装置 | |
CN115017178A (zh) | 数据到文本生成模型的训练方法和装置 | |
CN113592095A (zh) | 一种基于量子计算的模型训练方法及装置 | |
CN114444701B (zh) | 训练量子线路及数据嵌入的方法 | |
Cheng et al. | A representative volume element network (RVE-net) for accelerating RVE analysis, microscale material identification, and defect characterization | |
CN114511092B (zh) | 一种基于量子线路的图注意力机制实现方法 | |
Li et al. | Efficient quantum algorithms for quantum optimal control | |
US20220309128A1 (en) | Recording medium, information processing method, and information processing apparatus | |
CN114418104B (zh) | 一种量子应用问题的处理方法及装置 | |
CN115147283A (zh) | 一种图像重建方法、装置、设备及介质 | |
CN114492760A (zh) | 基于量子门控循环神经网络的预测方法及装置 | |
CN114496114A (zh) | 用于分子结构推理的模型及方法 | |
KR102494095B1 (ko) | 인공 신경망 학습 장치 및 방법 | |
CN117893316A (zh) | 一种构建指数的量子方法及装置 | |
Parker | Genetic algorithms for continuous problems |
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 |