CN115130676B - 基于生命周期的路径搜索判别、优化方法和装置 - Google Patents

基于生命周期的路径搜索判别、优化方法和装置 Download PDF

Info

Publication number
CN115130676B
CN115130676B CN202211068175.7A CN202211068175A CN115130676B CN 115130676 B CN115130676 B CN 115130676B CN 202211068175 A CN202211068175 A CN 202211068175A CN 115130676 B CN115130676 B CN 115130676B
Authority
CN
China
Prior art keywords
tensor
branch
tensors
path
quantum
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
CN202211068175.7A
Other languages
English (en)
Other versions
CN115130676A (zh
Inventor
刘鑫
刘勇
陈垚键
宋佳伟
史新民
郭楚
付昊桓
李芳�
孙川
陈华蓉
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.)
National Supercomputing Center In Wuxi
Zhejiang Lab
Original Assignee
National Supercomputing Center In Wuxi
Zhejiang Lab
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 National Supercomputing Center In Wuxi, Zhejiang Lab filed Critical National Supercomputing Center In Wuxi
Priority to CN202211068175.7A priority Critical patent/CN115130676B/zh
Publication of CN115130676A publication Critical patent/CN115130676A/zh
Application granted granted Critical
Publication of CN115130676B publication Critical patent/CN115130676B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Complex Calculations (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了基于生命周期的路径搜索判别、优化方法和装置，通过不同维度的张量表示各个量子比特和量子门，将量子随机电路转化为张量网络，将张量网络中的张量按维度大小分为主茎张量和分枝张量，采用分枝张量的交换和融合的方式，得到主茎张量树结构和配套的收缩路径优化，完成最终张量网络收缩，张量的维度对应量子门的操作比特数，根据最终张量网络收缩，进行对应量子比特与量子门之间的作用、量子门之间的融合，收缩路径优化包括：读取张量网络收缩路径；遍历路径，判别是否进行分枝张量的交换和枝融合；根据判别结果进行张量网络收缩路径调优；输出调优后的张量网络收缩路径。

Description

基于生命周期的路径搜索判别、优化方法和装置
技术领域
本发明涉及量子计算技术领域，尤其是涉及一种基于生命周期的路径搜索判别、优化方法和装置。
背景技术
随着量子计算的快速发展，包含超过50量子比特的量子芯片已成为现实。使用经典计算机计算输出态的振幅，从而评估保真度，是检验量子计算机计算结果正确性的一个主要方法。所以，在开发高效率量子算法的过程中，需要依赖经典模拟来支持其计算结果。在一些特定算法上，量子计算机相对于经典计算机，在计算复杂度上有指数级的优势。因此，较大规模量子计算机的出现，对于经典模拟，提出了巨大的挑战。谷歌在2019年提出了53量子比特的Sycamore电路，并估计使用当时世界第一的超级计算机——Summit，需要超过10000年才能完成模拟任务。虽然，在后续的工作中，这一数字被逐渐降低到了以数年、数月为单位，但在时间上仍是超级计算机难以接受的。为了给量子计算机提供快速可靠的验证，尽可能地加速经典模拟，使其在模拟时间上重新回到可接受的范围内，成为了一个关键需求。
量子随机电路是一种通用随机电路，电路中有一个20个周期的纠缠模式ABCDCDAB，专门为挑战经典模拟算法而设计，它是体现量子计算机相对于经典计算机优越性的一类常用电路。模拟量子随机电路，有两种基本方法：直接模拟方法和张量网络收缩方法。直接模拟方法的内存开销，随着量子比特数的增大而指数增长，不适用于较大规模的量子电路。张量网络收缩方法中，可以牺牲一定计算复杂度，通过切边来减小内存开销，从而处理大量子比特情形，近年来逐渐成为广泛使用的模拟方法。
量子随机电路中，各个量子比特和量子门，均可以表示为不同维度的张量，张量的维度是量子门的操作比特数的两倍，从而，整个电路化为一个张量网络，张量网络是由多个张量按照一定的收缩规则构成的模型，量子比特与量子门之间的作用、量子门之间的融合，均可看作张量之间的收缩。张量网络中的一个节点代表一个张量，与该节点连接的边代表该张量的索引，连接不同节点的边代表对应张量的共有索引，把这些共有索引收缩掉从而计算整个张量网络的结果值的过程称为张量网络收缩。如M+K维张量和K+N维张量收缩K条边，生成M+N维张量的过程就是张量收缩的过程。于是量子模拟问题，就转化成了一个张量网络收缩问题。对于单振幅模拟，张量网络收缩的最终结果是一个标量——即一个几率振幅值。
张量网络收缩路径上，不同收缩步的计算复杂度和内存复杂度有较大差异，部分 高维张量是主要的内存开销来源，高维张量参与的收缩是计算复杂度的主要来源。不合理 的收缩路径，会导致部分张量维数过高，使得计算、内存复杂度膨胀。因此，张量网络收缩的 路径是决定计算复杂度的关键，根据Cotengra软件的结果，对于Sycamore量子电路，不同质 量的张量网络收缩路径，计算复杂度的差距能达到
Figure 639614DEST_PATH_IMAGE001
倍以上。单目标的优化策略只针对内 存和计算中的一个方面，而很有可能导致另一方面的效果变差。两方面同时优化，是本工作 的核心目标。例如，除了收缩路径本身带来的计算复杂度，不同收缩路径还会导致切边数 量、切边开销的不同，影响最终的计算复杂度。如何调优收缩路径，使其能获得较低的计算 和内存复杂度，是待解决的核心问题。
2020年，阿里巴巴将张量网络中的张量按维度大小分为了主茎张量和分枝张量，提出了主茎张量结构和配套的路径优化方法，主要方式是采用分枝张量的交换和融合。但阿里巴巴采用的优化方法并未将内存和计算复杂度统一考虑，有时会导致二者一降一升，不利于同时最小化内存和计算开销。
发明内容
为解决现有技术的不足，实现同时降低收缩路径的计算复杂度和内存复杂度，提高计算性能的目的，本发明采用如下的技术方案：
一种基于生命周期的路径搜索优化方法，通过不同维度的张量表示各个量子比特和量子门，将量子随机电路转化为张量网络，张量网络中的一个节点代表一个张量，与节点连接的边表示张量的索引，连接不同节点的边表示对应张量的共有索引，通过收缩共有索引形成张量网络收缩，将张量网络中的张量按维度大小分为主茎张量和分枝张量，采用分枝张量branch的交换和融合的方式，得到主茎张量结构和配套的收缩路径优化，完成最终张量网络收缩，张量的维度对应量子门的操作比特数，根据最终张量网络收缩，进行对应量子比特与量子门之间的作用、量子门之间的融合，收缩路径优化包括如下步骤：
步骤S1：读取张量网络收缩路径；
步骤S2：遍历路径，根据相邻两个分枝张量的维度，以及对应主茎张量维度与相邻两个分枝张量的公共维度，判别是否进行分枝张量交换；根据相邻两个分枝张量的维度，对应主茎张量分别与相邻两个分枝张量的公共维度，以及相邻两个分枝张量之间的公共维度，判别是否进行分枝张量融合；
步骤S3：根据判别结果进行张量网络收缩路径调优；
步骤S4：输出调优后的张量网络收缩路径。
进一步地，所述步骤S2中，主茎张量维度为m，相邻两个分枝张量维度分别为
Figure 760017DEST_PATH_IMAGE002
、
Figure 8596DEST_PATH_IMAGE003
，m维主茎张量与
Figure 872647DEST_PATH_IMAGE002
维分枝张量的公共维度有
Figure 890281DEST_PATH_IMAGE004
个，m维主茎张量与
Figure 175726DEST_PATH_IMAGE003
维分枝张量的公共维 度有
Figure 646021DEST_PATH_IMAGE005
个，
Figure 313763DEST_PATH_IMAGE002
维分枝张量和
Figure 451483DEST_PATH_IMAGE003
维分枝张量的公共维度有n个，判别过程包括如下步骤：
步骤S2.1：遍历路径，当
Figure 648110DEST_PATH_IMAGE006
且
Figure 871280DEST_PATH_IMAGE007
时，进行分枝张量交换；
步骤S2.2：遍历路径，当
Figure 811555DEST_PATH_IMAGE008
时，进行分枝张量融合；
步骤S2.3：重复步骤S2.1至步骤S2.2。
进一步地，所述
Figure 803781DEST_PATH_IMAGE002
为先收缩的分枝张量维度，所述
Figure 702467DEST_PATH_IMAGE003
为后收缩的分枝张量维度。
进一步地，若
Figure 147355DEST_PATH_IMAGE009
时，则
Figure 891320DEST_PATH_IMAGE010
能够取等。
一种基于生命周期的路径搜索判别方法，构建不同维度的张量与各个量子比特和量子门的关系，将量子随机电路转化为张量网络，将张量网络中的张量按维度大小分为主茎张量和分枝张量，基于分枝张量的交换和融合进行张量网络收缩路径的判别，判别方法包括：
获取并遍历张量网络收缩路径，
根据相邻两个分枝张量的维度，以及对应主茎张量维度与相邻两个分枝张量的公共维度，判别是否进行分枝张量交换；根据相邻两个分枝张量的维度，对应主茎张量分别与相邻两个分枝张量的公共维度，以及相邻两个分枝张量之间的公共维度，判别是否进行分枝张量融合；
输出判别结果。
进一步地，所述主茎张量维度为m，相邻两个分枝张量维度分别为
Figure 3633DEST_PATH_IMAGE002
、
Figure 807641DEST_PATH_IMAGE003
，m维主茎 张量与
Figure 739825DEST_PATH_IMAGE002
维分枝张量的公共维度有
Figure 287481DEST_PATH_IMAGE004
个，m维主茎张量与
Figure 988720DEST_PATH_IMAGE003
维分枝张量的公共维度有
Figure 229209DEST_PATH_IMAGE005
个，
Figure 648689DEST_PATH_IMAGE002
维分枝张量和
Figure 36DEST_PATH_IMAGE003
维分枝张量的公共维度有n个，遍历路径，当
Figure 555782DEST_PATH_IMAGE006
且
Figure 967172DEST_PATH_IMAGE007
时，进行 分枝张量branch交换；遍历路径，当
Figure 608369DEST_PATH_IMAGE008
时，进行分枝张量融合。
进一步地，所述
Figure 497827DEST_PATH_IMAGE002
为先收缩的分枝张量维度，所述
Figure 439238DEST_PATH_IMAGE003
为后收缩的分枝张量维度。
进一步地，若
Figure 21530DEST_PATH_IMAGE009
时，则
Figure 150023DEST_PATH_IMAGE010
能够取等。
一种基于生命周期的路径搜索优化装置，通过不同维度的张量表示各个量子比特和量子门，将量子随机电路转化为张量网络，张量网络中的一个节点代表一个张量，与节点连接的边表示张量的索引，连接不同节点的边表示对应张量的共有索引，通过收缩共有索引形成张量网络收缩，将张量网络中的张量按维度大小分为主茎张量和分枝张量，采用分枝张量的交换和融合的方式，得到主茎张量结构和配套的收缩路径优化，完成最终张量网络收缩，张量的维度对应量子门的操作比特数，根据最终张量网络收缩，进行对应量子比特与量子门之间的作用、量子门之间的融合，包括：路径获取模块、判别模块、路径调优模块和输出模块；
所述路径获取模块，用于读取张量网络收缩路径；
所述判别模块，遍历路径，根据相邻两个分枝张量的维度，以及对应主茎张量维度与相邻两个分枝张量的公共维度，判别是否进行分枝张量交换；根据相邻两个分枝张量的维度，对应主茎张量分别与相邻两个分枝张量的公共维度，以及相邻两个分枝张量之间的公共维度，判别是否进行分枝张量融合；
所述路径调优模块，根据判别结果进行张量网络收缩路径调优；
所述输出模块，输出调优后的张量网络收缩路径。
一种基于生命周期的路径搜索判别装置，通过构建不同维度的张量与各个量子比特和量子门的关系，将量子随机电路转化为张量网络，将张量网络中的张量按维度大小分为主茎张量和分枝张量，基于分枝张量的交换和融合进行张量网络收缩路径的判别，包括：路径获取单元、判别单元和输出单元；
所述路径获取单元，获取并遍历张量网络收缩路径，
所述判别单元，根据相邻两个分枝张量的维度，以及对应主茎张量维度与相邻两个分枝张量的公共维度，判别是否进行分枝张量交换；根据相邻两个分枝张量的维度，对应主茎张量分别与相邻两个分枝张量的公共维度，以及相邻两个分枝张量之间的公共维度，判别是否进行分枝张量融合；
所述输出单元，输出判别结果。
本发明的优势和有益效果在于：
本发明将张量网络中的张量按维度大小分为了主茎张量和分枝张量，采用分枝张量交换和融合的方式，得到主茎张量结构和配套的路径优化方法；同时，基于生命周期构建一套优化判别式，根据判别式判定是否使用分枝张量的交换和融合，实现计算复杂度、内存复杂度同时降低并且基于该判别式的方法，自动化地优化收缩路径；可以将收缩路径的计算复杂度和内存复杂度都降低，提高计算性能。进一步地，配合合理的切边策略，可以使得切边开销也同步降低。可以有效减少张量网络收缩的计算复杂度和运行时间。
附图说明
图1是本发明实施例中路径搜索优化方法流程图。
图2是本发明实施例中程序实现流程图。
图3是本发明实施例中路径搜索优化装置的结构示意图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
在开发高效率量子算法的过程中，需要依赖经典模拟来支持其计算结果。为了给量子计算机提供快速可靠的验证，尽可能地加速经典模拟，使其在模拟时间上重新回到可接受的范围内。在模拟量子随机电路的过程中，提出了张量网络收缩方法通过牺牲一定计算复杂度，以切边来减小内存开销，从而处理大量子比特情形。
通过不同维度的张量表示各个量子比特和量子门，将量子随机电路转化为张量网络，张量网络中的一个节点代表一个张量，与节点连接的边表示张量的索引，连接不同节点的边表示对应张量的共有索引，将共有索引收缩掉对应量子比特与量子门之间的作用、量子门之间的融合，作为张量之间的收缩，从而计算整个张量网络的结果值，实现张量网络收缩，张量的维度是量子门的操作比特数的两倍；通过判别、调优张量网络收缩的路径，获得使对应的量子随机电路获得较低的计算和内存复杂度。
本发明将张量网络中的张量按维度大小分为了主茎张量和分枝张量，采用分枝张量交换和融合的方式，得到主茎张量结构和配套的路径优化方法。同时，基于生命周期构建一套优化判别式，根据判别式判定是否使用分枝张量交换和融合，实现计算复杂度、内存复杂度同时降低并且，基于该判别式的方法，自动化地优化收缩路径。
如图1所示，基于生命周期的路径搜索优化方法，通过不同维度的张量表示各个量子比特和量子门，将量子随机电路转化为张量网络，张量网络中的一个节点代表一个张量，与节点连接的边表示张量的索引，连接不同节点的边表示对应张量的共有索引，通过收缩共有索引形成张量网络收缩，将张量网络中的张量按维度大小分为主茎张量和分枝张量，采用分枝张量交换和融合的方式，得到主茎张量结构和配套的收缩路径优化，完成最终张量网络收缩，张量的维度对应量子门的操作比特数，本发明实施例中，张量的维度为量子门的操作比特数两倍，根据最终张量网络收缩，进行对应量子比特与量子门之间的作用、量子门之间的融合，收缩路径优化包括如下步骤：
步骤S1：读取张量网络收缩路径；
步骤S2：遍历路径，根据相邻两个分枝张量的维度，以及对应主茎张量维度与相邻两个分枝张量的公共维度，判别是否进行分枝张量交换；根据相邻两个分枝张量的维度，对应主茎张量分别与相邻两个分枝张量的公共维度，以及相邻两个分枝张量之间的公共维度，判别是否进行分枝张量融合；
步骤S3：根据判别结果进行张量网络收缩路径调优；
步骤S4：输出调优后的张量网络收缩路径。
本发明实施例中，配套程序的实现如下：
对于一条收缩路径，我们根据判别式去逐个分析主茎张量两个相邻的收缩步，看是否能获得更好的计算、内存复杂度。注意到，交换和融合并非只能执行一次，所以可以迭代扫描路径，将可交换和可融合的全部进行操作。我们的程序中可以实现这一点，如图2所示，包括如下步骤：
读取收缩路径；
遍历路径，用判别式确定是否需要交换、融合；
路径调优；
输出调优后收缩路径。
进一步地，所述步骤S2中，主茎张量维度为m，相邻两个分枝张量维度分别为
Figure 843172DEST_PATH_IMAGE002
、
Figure 373511DEST_PATH_IMAGE003
，m维主茎张量与
Figure 855264DEST_PATH_IMAGE002
维分枝张量的公共维度有
Figure 736633DEST_PATH_IMAGE004
个，m维主茎张量与
Figure 233473DEST_PATH_IMAGE003
维分枝张量的公共维 度有
Figure 618318DEST_PATH_IMAGE005
个，
Figure 276832DEST_PATH_IMAGE002
维分枝张量和
Figure 645497DEST_PATH_IMAGE003
维分枝张量的公共维度有n个，所述
Figure 680449DEST_PATH_IMAGE002
为先收缩的分枝张量的 维度，所述
Figure 185380DEST_PATH_IMAGE003
为后收缩的分枝张量的维度，判别过程包括如下步骤：
步骤S2.1：遍历路径，当
Figure 14795DEST_PATH_IMAGE006
且
Figure 870756DEST_PATH_IMAGE007
时，进行分枝张量交换，若
Figure 709399DEST_PATH_IMAGE009
时，则
Figure 803257DEST_PATH_IMAGE010
能够取等；
步骤S2.2：遍历路径，当
Figure 69153DEST_PATH_IMAGE008
时，进行分枝张量融合；
步骤S2.3：重复步骤S2.1至步骤S2.2。
本发明实施例中，对于判别式的设计如下：
在主茎张量收缩的路径上，交换和融合前后两个分枝张量，是我们要执行的主要 操作，所以分析操作前后的计算、内存复杂度会为优化提供方向。将目光集中在需要交换的 两个收缩步处，操作前的参数设定如下，主茎张量维度为m，相邻两个分枝张量维度分别为
Figure 146831DEST_PATH_IMAGE002
、
Figure 523585DEST_PATH_IMAGE003
，m维主茎张量与
Figure 3108DEST_PATH_IMAGE002
维分枝张量的公共维度有
Figure 439906DEST_PATH_IMAGE004
个，m维主茎张量与
Figure 4879DEST_PATH_IMAGE003
维分枝张量的公 共维度有
Figure 919746DEST_PATH_IMAGE005
个，
Figure 253775DEST_PATH_IMAGE002
维分枝张量和
Figure 861474DEST_PATH_IMAGE003
维分枝张量的公共维度有n个。在参与收缩的两张量中， 公共维度在张量收缩后会被移除，而两张量的剩余维度将共同拼接成一个新的张量。一般 而言，m在25-30之间，远远大于
Figure 648164DEST_PATH_IMAGE011
（一般为3-8），所以有主茎张量参与的收缩步，复杂度 会远大于没有主茎张量参与的收缩步。
若先收缩
Figure 366722DEST_PATH_IMAGE002
，则经过第一个收缩步后得到的新张量维度为
Figure 820837DEST_PATH_IMAGE012
，完成第 二个收缩步后得到的新张量维度为
Figure 333858DEST_PATH_IMAGE013
。反之，若进行分枝张量 的交换，即先收缩
Figure 873423DEST_PATH_IMAGE003
，则经过第一个收缩步后得到的新张量维度为
Figure 395672DEST_PATH_IMAGE014
，完成第二 个收缩步后得到的新张量维度为
Figure 704293DEST_PATH_IMAGE013
。容易发现，分枝张量交换 仅改变第一收缩步获得的张量，而不改变两个收缩步后得到的张量，也不改变初始张量，这 说明，分枝张量交换仅影响被交换的两个收缩步，这种影响不会传导到整个收缩路径上，即 分枝张量交换操作具有某种局部性。
若进行分枝张量融合，则第一个收缩步将两个分枝张量收缩，得到的新张量维度 为
Figure 405794DEST_PATH_IMAGE015
，再将此张量与m维主茎张量收缩得
Figure 167076DEST_PATH_IMAGE013
维，仍不 改变最终结果的维度，所以分枝张量的融合操作也具有某种局部性。
从更高的角度看，这种局部性是边的生命周期所保障的。根据生命周期的相关概 念，被收缩的
Figure 493015DEST_PATH_IMAGE016
条边，具有的生命周期最晚在第二个收缩步结束，所以对它们的操 作不会影响到后续收缩；而从分枝张量中引入的
Figure 656143DEST_PATH_IMAGE017
条边，其生命周期最 晚在第二个收缩步开始，只要在第二个收缩步前全部引入，就不会影响后续的收缩。局部性 是保持操作正确性的基础，也是进行以下分析的理论基础。
从前面的式子中可以看出，我们降低内存复杂度只有一个切入点，就是改变第一 个收缩步完成时生成的新张量，因为其他张量的维度都是固定的。对分枝张量交换而言，只 需使得交换后的中间张量维度小于交换前，即可降低该步的内存开销，即
Figure 776546DEST_PATH_IMAGE018
。但此式并不能保证降低计算复杂度，有时会导致计算复杂度的提升。
从计算复杂度的角度分析，交换两个分枝张量前后，计算复杂度的比值如下式所示：
Figure DEST_PATH_IMAGE019
当
Figure 493966DEST_PATH_IMAGE020
时，对分式部分使用糖水不等式：(b+c)/(a+c)>b/a(a>b>0,c>0)，得：
Figure 358017DEST_PATH_IMAGE021
，即当
Figure 375652DEST_PATH_IMAGE010
时，复杂度降低。于是在
Figure 666956DEST_PATH_IMAGE020
且
Figure 402831DEST_PATH_IMAGE010
的情况下，可以达成计算复杂度的降低。注意到该条件自动满足
Figure 70572DEST_PATH_IMAGE018
，所以 内存复杂度不会升高。
对分枝张量融合而言，中间张量的内存复杂度必然降低，因为一般
Figure 942713DEST_PATH_IMAGE002
，
Figure 670498DEST_PATH_IMAGE003
都远小于 m。在中间张量维度高于初始张量和第二个收缩步的结果张量时，使用分枝张量融合可以直 接去除较大的中间张量，削平内存峰值。所以对它而言，最关键的是计算复杂度的降低。考 虑到高维张量参与的收缩步计算复杂度远高于只有低维张量参与的收缩步，所以可以忽略 融合后第一个收缩步的计算复杂度，从而可以将融合前后计算复杂度的比值写成下式：
Figure 628090DEST_PATH_IMAGE022
当该式大于1时，分枝张量融合会降低计算复杂度。容易发现，较大的n容易使得比值增大，即在两个分枝张量有较多公共边时，分枝张量融合的效果最好。
具体流程可以表述如下：
反复遍历路径，依据判别式
Figure 833943DEST_PATH_IMAGE006
且
Figure 560591DEST_PATH_IMAGE007
，进行分枝张量交换；
再次反复遍历路径，依据判别式
Figure DEST_PATH_IMAGE023
进行分枝张量融合；若不存在可融合 的收缩步，程序退出；
重复上述两步骤。
一种基于生命周期的路径搜索判别方法，构建不同维度的张量与各个量子比特和量子门的关系，将量子随机电路转化为张量网络，将张量网络中的张量按维度大小分为主茎张量和分枝张量，基于分枝张量的交换和融合进行张量网络收缩路径的判别，判别方法包括：
获取并遍历张量网络收缩路径，
根据相邻两个分枝张量的维度，以及对应主茎张量维度与相邻两个分枝张量的公 共维度，判别是否进行分枝张量交换；根据相邻两个分枝张量的维度，对应主茎张量分别与 相邻两个分枝张量的公共维度，以及相邻两个分枝张量之间的公共维度，判别是否进行分 枝张量融合；所述主茎张量维度为m，相邻两个分枝张量维度分别为
Figure 928118DEST_PATH_IMAGE002
、
Figure 373006DEST_PATH_IMAGE003
，m维主茎张量与
Figure 116971DEST_PATH_IMAGE002
维分枝张量的公共维度有
Figure 229284DEST_PATH_IMAGE004
个，m维主茎张量与
Figure 33291DEST_PATH_IMAGE003
维分枝张量的公共维度有
Figure 965475DEST_PATH_IMAGE005
个，
Figure 513131DEST_PATH_IMAGE002
维分 枝张量和
Figure 479950DEST_PATH_IMAGE003
维分枝张量的公共维度有n个，遍历路径，当
Figure 454860DEST_PATH_IMAGE006
且
Figure 760158DEST_PATH_IMAGE007
时，若
Figure 111505DEST_PATH_IMAGE009
时， 则
Figure 932831DEST_PATH_IMAGE010
能够取等，进行分枝张量交换；遍历路径，当
Figure 78641DEST_PATH_IMAGE008
时，进行分枝张量融 合。
输出判别结果。
这部分内容实施方式与上述方法实施例的实施方式类似，此处不再赘述。
一种基于生命周期的路径搜索优化装置，通过不同维度的张量表示各个量子比特和量子门，将量子随机电路转化为张量网络，张量网络中的一个节点代表一个张量，与节点连接的边表示张量的索引，连接不同节点的边表示对应张量的共有索引，通过收缩共有索引形成张量网络收缩，将张量网络中的张量按维度大小分为主茎张量和分枝张量，采用分枝张量的交换和融合的方式，得到主茎张量结构和配套的收缩路径优化，完成最终张量网络收缩，张量的维度对应量子门的操作比特数，根据最终张量网络收缩，进行对应量子比特与量子门之间的作用、量子门之间的融合，包括：路径获取模块、判别模块、路径调优模块和输出模块；
所述路径获取模块，用于读取张量网络收缩路径；
所述判别模块，遍历路径，根据相邻两个分枝张量的维度，以及对应主茎张量维度与相邻两个分枝张量的公共维度，判别是否进行分枝张量交换；根据相邻两个分枝张量的维度，对应主茎张量分别与相邻两个分枝张量的公共维度，以及相邻两个分枝张量之间的公共维度，判别是否进行分枝张量融合；
所述路径调优模块，根据判别结果进行张量网络收缩路径调优；
所述输出模块，输出调优后的张量网络收缩路径。
这部分内容实施方式与上述方法实施例的实施方式类似，此处不再赘述。
一种基于生命周期的路径搜索判别装置，通过构建不同维度的张量与各个量子比特和量子门的关系，将量子随机电路转化为张量网络，将张量网络中的张量按维度大小分为主茎张量和分枝张量，基于分枝张量的交换和融合进行张量网络收缩路径的判别，包括：路径获取单元、判别单元和输出单元；
所述路径获取单元，获取并遍历张量网络收缩路径，
所述判别单元，根据相邻两个分枝张量的维度，以及对应主茎张量维度与相邻两个分枝张量的公共维度，判别是否进行分枝张量交换；根据相邻两个分枝张量的维度，对应主茎张量分别与相邻两个分枝张量的公共维度，以及相邻两个分枝张量之间的公共维度，判别是否进行分枝张量融合；
所述输出单元，输出判别结果。
这部分内容实施方式与上述方法实施例的实施方式类似，此处不再赘述。
与前述基于生命周期的路径搜索优化方法方法的实施例相对应，本发明还提供了基于生命周期的路径搜索优化方法装置的实施例。
参见图3，本发明实施例提供的基于生命周期的路径搜索优化方法装置，包括存储器和一个或多个处理器，存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述实施例中的基于生命周期的路径搜索优化方法方法。
本发明基于生命周期的路径搜索优化方法装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图3所示，为本发明基于生命周期的路径搜索优化方法装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图3所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的基于生命周期的路径搜索优化方法方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、SD卡、闪存卡（Flash Card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。

Claims (8)

1.一种基于生命周期的路径搜索优化方法，采用张量网络收缩的方法模拟量子随机电路，通过不同维度的张量表示各个量子比特和量子门，将量子随机电路转化为张量网络，张量网络中的一个节点代表一个张量，与节点连接的边表示张量的索引，连接不同节点的边表示对应张量的共有索引，将共有索引收缩掉对应量子比特与量子门之间的作用、量子门之间的融合，作为张量之间的收缩，将张量网络中的张量按维度大小分为主茎张量和分枝张量，采用分枝张量交换和融合的方式，得到主茎张量结构和配套的收缩路径优化，完成最终张量网络收缩，张量的维度对应量子门的操作比特数，根据最终张量网络收缩，进行对应量子比特与量子门之间的作用、量子门之间的融合，其特征在于，收缩路径优化包括如下步骤：
步骤S1：读取张量网络收缩路径；
步骤S2：遍历路径，根据相邻两个分枝张量的维度，以及对应主茎张量维度与相邻两个分枝张量的公共维度，判别是否进行分枝张量交换；根据相邻两个分枝张量的维度，对应主茎张量分别与相邻两个分枝张量的公共维度，以及相邻两个分枝张量之间的公共维度，判别是否进行分枝张量融合；
主茎张量维度为m，相邻两个分枝张量维度分别为
Figure DEST_PATH_IMAGE001
、
Figure DEST_PATH_IMAGE002
，m维主茎张量与
Figure 422665DEST_PATH_IMAGE001
维分枝张量 的公共维度有
Figure DEST_PATH_IMAGE003
个，m维主茎张量与
Figure 231483DEST_PATH_IMAGE002
维分枝张量的公共维度有
Figure DEST_PATH_IMAGE004
个，
Figure 807958DEST_PATH_IMAGE001
维分枝张量和
Figure 796643DEST_PATH_IMAGE002
维分枝张量的公共维度有n个，判别过程包括如下步骤：
步骤S2.1：遍历路径，当
Figure DEST_PATH_IMAGE005
且
Figure DEST_PATH_IMAGE006
时，进行分枝张量交换；
步骤S2.2：遍历路径，当
Figure DEST_PATH_IMAGE007
时，进行分枝张量融合；
步骤S2.3：重复步骤S2.1至步骤S2.2；
步骤S3：根据判别结果进行张量网络收缩路径调优；
步骤S4：输出调优后的张量网络收缩路径，通过调优后的张量网络收缩路径，使对应的量子随机电路获得较低的计算和内存复杂度。
2.根据权利要求1所述的一种基于生命周期的路径搜索优化方法，其特征在于：所述
Figure 771202DEST_PATH_IMAGE001
为先收缩的分枝张量的维度，所述
Figure 390402DEST_PATH_IMAGE002
为后收缩的分枝张量的维度。
3.根据权利要求1所述的一种基于生命周期的路径搜索优化方法，其特征在于：若
Figure DEST_PATH_IMAGE008
时，则
Figure DEST_PATH_IMAGE009
能够取等。
4.一种基于生命周期的路径搜索判别方法，采用张量网络收缩的方法模拟量子随机电路，构建不同维度的张量与各个量子比特和量子门的关系，将量子随机电路转化为张量网络，张量网络中的一个节点代表一个张量，与节点连接的边表示张量的索引，连接不同节点的边表示对应张量的共有索引，将共有索引收缩掉对应量子比特与量子门之间的作用、量子门之间的融合，作为张量之间的收缩，将张量网络中的张量按维度大小分为主茎张量和分枝张量，基于分枝张量交换和融合进行张量网络收缩路径的判别，其特征在于，判别方法包括：
获取并遍历张量网络收缩路径，
根据相邻两个分枝张量的维度，以及对应主茎张量维度与相邻两个分枝张量的公共维 度，判别是否进行分枝张量交换；根据相邻两个分枝张量的维度，对应主茎张量分别与相邻 两个分枝张量的公共维度，以及相邻两个分枝张量之间的公共维度，判别是否进行分枝张 量融合；所述主茎张量的维度为m，相邻两个分枝张量维度分别为
Figure 877009DEST_PATH_IMAGE001
、
Figure 810330DEST_PATH_IMAGE002
，m维主茎张量与
Figure 275946DEST_PATH_IMAGE001
维分枝张量的公共维度有
Figure 423638DEST_PATH_IMAGE003
个，m维主茎张量与
Figure 240284DEST_PATH_IMAGE002
维分枝张量的公共维度有
Figure 711716DEST_PATH_IMAGE004
个，
Figure 31839DEST_PATH_IMAGE001
维分枝 张量和
Figure 55159DEST_PATH_IMAGE002
维分枝张量的公共维度有n个，遍历路径，当
Figure 31205DEST_PATH_IMAGE005
且
Figure 401269DEST_PATH_IMAGE006
时，进行分枝张量 交换；遍历路径，当
Figure 841478DEST_PATH_IMAGE007
时，进行分枝张量融合；
输出判别结果，用于张量网络收缩路径的调优，以获得对应的量子随机电路获得较低的计算和内存复杂度。
5.一种基于权利要求4所述的一种基于生命周期的路径搜索判别方法的优化方法，其 特征在于：所述
Figure 911065DEST_PATH_IMAGE001
为先收缩的分枝张量维度，所述
Figure 233462DEST_PATH_IMAGE002
为后收缩的分枝张量的维度。
6.一种基于权利要求4所述的一种基于生命周期的路径搜索判别方法的优化方法，其 特征在于：若
Figure 109014DEST_PATH_IMAGE008
时，则
Figure 161984DEST_PATH_IMAGE009
能够取等。
7.一种基于生命周期的路径搜索优化装置，采用张量网络收缩的方法模拟量子随机电路，通过不同维度的张量表示各个量子比特和量子门，将量子随机电路转化为张量网络，张量网络中的一个节点代表一个张量，与节点连接的边表示张量的索引，连接不同节点的边表示对应张量的共有索引，将共有索引收缩掉对应量子比特与量子门之间的作用、量子门之间的融合，作为张量之间的收缩，将张量网络中的张量按维度大小分为主茎张量和分枝张量，采用分枝张量交换和融合的方式，得到主茎张量结构和配套的收缩路径优化，完成最终张量网络收缩，张量的维度对应量子门的操作比特数，根据最终张量网络收缩，进行对应量子比特与量子门之间的作用、量子门之间的融合，包括：路径获取模块、判别模块、路径调优模块和输出模块，其特征在于：
所述路径获取模块，用于读取张量网络收缩路径；
所述判别模块，遍历路径，根据相邻两个分枝张量的维度，以及对应主茎张量维度与相 邻两个分枝张量的公共维度，判别是否进行分枝张量交换；根据相邻两个分枝张量的维度， 对应主茎张量分别与相邻两个分枝张量的公共维度，以及相邻两个分枝张量之间的公共维 度，判别是否进行分枝张量融合；主茎张量维度为m，相邻两个分枝张量维度分别为
Figure 402472DEST_PATH_IMAGE001
、
Figure 212165DEST_PATH_IMAGE002
， m维主茎张量与
Figure 891408DEST_PATH_IMAGE001
维分枝张量的公共维度有
Figure 978313DEST_PATH_IMAGE003
个，m维主茎张量与
Figure 514337DEST_PATH_IMAGE002
维分枝张量的公共维度 有
Figure 250474DEST_PATH_IMAGE004
个，
Figure 139932DEST_PATH_IMAGE001
维分枝张量和
Figure 471557DEST_PATH_IMAGE002
维分枝张量的公共维度有n个，判别过程包括如下步骤：
步骤S301：遍历路径，当
Figure 381744DEST_PATH_IMAGE005
且
Figure 41395DEST_PATH_IMAGE006
时，进行分枝张量交换；
步骤S302：遍历路径，当
Figure 859179DEST_PATH_IMAGE007
时，进行分枝张量融合；
步骤S303：重复步骤S301至步骤S302；
所述路径调优模块，根据判别结果进行张量网络收缩路径调优；
所述输出模块，输出调优后的张量网络收缩路径，通过调优后的张量网络收缩路径，获得使对应的量子随机电路获得较低的计算和内存复杂度。
8.一种基于生命周期的路径搜索判别装置，采用张量网络收缩的方法模拟量子随机电路，构建不同维度的张量与各个量子比特和量子门的关系，将量子随机电路转化为张量网络，张量网络中的一个节点代表一个张量，与节点连接的边表示张量的索引，连接不同节点的边表示对应张量的共有索引，将共有索引收缩掉对应量子比特与量子门之间的作用、量子门之间的融合，作为张量之间的收缩，将张量网络中的张量按维度大小分为主茎张量和分枝张量，基于分枝张量交换和融合进行张量网络收缩路径的判别，包括：路径获取单元、判别单元和输出单元，其特征在于：
所述路径获取单元，获取并遍历张量网络收缩路径，
所述判别单元，根据相邻两个分枝张量的维度，以及对应主茎张量维度与相邻两个分 枝张量的公共维度，判别是否进行分枝张量交换；根据相邻两个分枝张量的维度，对应主茎 张量分别与相邻两个分枝张量的公共维度，以及相邻两个分枝张量之间的公共维度，判别 是否进行分枝张量融合；所述主茎张量的维度为m，相邻两个分枝张量维度分别为
Figure 215948DEST_PATH_IMAGE001
、
Figure 969141DEST_PATH_IMAGE002
，m 维主茎张量与
Figure 975143DEST_PATH_IMAGE001
维分枝张量的公共维度有
Figure 737562DEST_PATH_IMAGE003
个，m维主茎张量与
Figure 512620DEST_PATH_IMAGE002
维分枝张量的公共维度 有
Figure 171135DEST_PATH_IMAGE004
个，
Figure 867695DEST_PATH_IMAGE001
维分枝张量和
Figure 528746DEST_PATH_IMAGE002
维分枝张量的公共维度有n个，遍历路径，当
Figure 564835DEST_PATH_IMAGE005
且
Figure 518885DEST_PATH_IMAGE006
时，进行分枝张量交换；遍历路径，当
Figure 374845DEST_PATH_IMAGE007
时，进行分枝张量融合；
所述输出单元，输出判别结果，用于张量网络收缩路径的调优，以获得对应的量子随机电路获得较低的计算和内存复杂度。
CN202211068175.7A 2022-09-02 2022-09-02 基于生命周期的路径搜索判别、优化方法和装置 Active CN115130676B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211068175.7A CN115130676B (zh) 2022-09-02 2022-09-02 基于生命周期的路径搜索判别、优化方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211068175.7A CN115130676B (zh) 2022-09-02 2022-09-02 基于生命周期的路径搜索判别、优化方法和装置

Publications (2)

Publication Number Publication Date
CN115130676A CN115130676A (zh) 2022-09-30
CN115130676B true CN115130676B (zh) 2023-01-24

Family

ID=83387961

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211068175.7A Active CN115130676B (zh) 2022-09-02 2022-09-02 基于生命周期的路径搜索判别、优化方法和装置

Country Status (1)

Country Link
CN (1) CN115130676B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111738448A (zh) * 2020-06-23 2020-10-02 北京百度网讯科技有限公司 量子线路模拟方法、装置、设备及存储介质
WO2021071379A1 (en) * 2019-10-11 2021-04-15 Huawei Technologies Co., Ltd. Quantum circuit simulation
CN114218881A (zh) * 2021-04-30 2022-03-22 无锡江南计算技术研究所 一种针对百量子级方形量子网格随机电路模拟方法
CN114444664A (zh) * 2022-02-01 2022-05-06 上海图灵智算量子科技有限公司 基于量子计算的注意力模型及神经网络模型
CN114764549A (zh) * 2020-12-31 2022-07-19 合肥本源量子计算科技有限责任公司 基于矩阵乘积态的量子线路模拟计算方法、装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021071379A1 (en) * 2019-10-11 2021-04-15 Huawei Technologies Co., Ltd. Quantum circuit simulation
CN111738448A (zh) * 2020-06-23 2020-10-02 北京百度网讯科技有限公司 量子线路模拟方法、装置、设备及存储介质
CN114764549A (zh) * 2020-12-31 2022-07-19 合肥本源量子计算科技有限责任公司 基于矩阵乘积态的量子线路模拟计算方法、装置
CN114218881A (zh) * 2021-04-30 2022-03-22 无锡江南计算技术研究所 一种针对百量子级方形量子网格随机电路模拟方法
CN114444664A (zh) * 2022-02-01 2022-05-06 上海图灵智算量子科技有限公司 基于量子计算的注意力模型及神经网络模型

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Closing the "Quantum Supremacy" Gap: Achieving Real-Time Simulation of a Random Quantum Circuit Using a New Sunway Supercomputer";Yong Liu et al.;《ACM》;20211119;第1-12页 *
"Lifetime-based Method for Quantum Simulation on a New Sunway Supercomputer";Yaojian Chen et al.;《arXiv》;20220501;第1-11页 *
"量子计算模拟及优化方法综述";喻志超 等;《计算机工程》;20220131;第1-11页 *

Also Published As

Publication number Publication date
CN115130676A (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
US11514324B2 (en) Methods of optimization of computational graphs of neural networks
US20220121903A1 (en) Method of performing splitting in neural network model by means of multi-core processor, and related product
US10817634B2 (en) Machine-learning circuit optimization using quantized prediction functions
TWI506556B (zh) 用於編譯正規表達式之方法及裝置
US9331695B2 (en) Semiconductor device
US9606965B2 (en) Semiconductor device
JP5950285B2 (ja) 予め決められた複数のビット幅のデータに対して操作を行う命令を使用してツリーの検索を行うための方法、並びに、当該命令を使用してツリーの検索を行うためのコンピュータ及びそのコンピュータ・プログラム
US11321625B2 (en) Quantum circuit optimization using machine learning
CN111783457B (zh) 一种基于多模态图卷积网络的语义视觉定位方法及装置
CN116341441B (zh) 对数字逻辑电路进行优化的方法及相关设备
CN116822422B (zh) 数字逻辑电路的分析优化方法及相关设备
CN115034402A (zh) 模型推理性能的优化方法、装置及相关产品
CN113378573A (zh) 面向内容大数据的小样本关系抽取方法和装置
CN111931939A (zh) 一种单振幅量子计算模拟方法
Huai et al. Zerobn: Learning compact neural networks for latency-critical edge systems
WO2024193207A1 (zh) 一种数据增广方法及相关装置
US20240119110A1 (en) Method, apparatus, electronic device and computer-readablestorage medium for computational flow graph schedulingscheme generation
JP7063274B2 (ja) 情報処理装置、ニューラルネットワークの設計方法及びプログラム
CN115130676B (zh) 基于生命周期的路径搜索判别、优化方法和装置
CN116611527B (zh) 量子电路处理方法、装置及电子设备
CN116644180A (zh) 文本匹配模型的训练方法、训练系统和文本标签确定方法
CN116976248A (zh) 使用冗余节点的电路设计调整
CN115828992A (zh) 处理神经网络模型的方法
CN113590912B (zh) 融合节点相对位置和绝对度分布的跨社交网络对齐方法
CN113722554A (zh) 数据分类方法、装置及计算设备

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