CN115374945A - 一种基于量子贝叶斯网络的系统状态判断方法及装置 - Google Patents
一种基于量子贝叶斯网络的系统状态判断方法及装置 Download PDFInfo
- Publication number
- CN115374945A CN115374945A CN202110538136.8A CN202110538136A CN115374945A CN 115374945 A CN115374945 A CN 115374945A CN 202110538136 A CN202110538136 A CN 202110538136A CN 115374945 A CN115374945 A CN 115374945A
- Authority
- CN
- China
- Prior art keywords
- quantum
- state
- node
- nodes
- probability distribution
- 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
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于量子贝叶斯网络的系统状态判断方法及装置,所述方法包括:获得目标系统对应的贝叶斯网络,并根据根节点状态的概率分布、节点间的条件概率分布,构建贝叶斯网络对应的量子线路,作为量子贝叶斯网络,针对目标系统中的目标节点,测量量子线路中目标节点对应的量子比特,根据量子比特的测量结果,判断目标节点的状态,以此实现一种贝叶斯网络的量子实现方式,能够将贝叶斯网络的计算复杂度降低,实现高效计算,并且利用量子态的叠加特性,从而以更少的存储和计算资源实现状态判断的针对性和准确性。
Description
技术领域
本发明属于量子计算技术领域,特别是一种基于量子贝叶斯网络的系统状态判断方法及装置。
背景技术
量子计算机是一类遵循量子力学规律进行高速数学和逻辑运算、存储及处理量子信息的物理装置。当某个装置处理和计算的是量子信息,运行的是量子算法时,它就是量子计算机。量子计算机因其具有相对普通计算机更高效的处理数学问题的能力,例如,能将破解RSA密钥的时间从数百年加速到数小时,故成为一种正在研究中的关键技术。
风险监控(简称为风控)是指风险管理者采取各种措施和方法,消灭或减少风险事件发生的各种可能性,或风险控制者减少风险事件发生时造成的损失。风险控制一般应用于金融行业,如对公司的交易、商家的交易或个人交易等进行风险控制。
现有技术中,常使用贝叶斯网络进行系统状态判断,进行风险监控,其假设复杂随机系统中存在着多个关键因素节点,大部分节点间没有直接因果关系,直接关联的节点间因果关系是单向的,而且不存在能沿着单向因果关系前进回到自身的节点,它能够较为直观地展示一个关键因素可离散的、稀疏的、因果关系单向无环的复杂风险系统,并且能够完成对全部节点联合概率和单个节点边缘概率的计算。但是现有的技术无法降低系统中概率求解的计算复杂度,并且随着复杂风险系统的节点数增加,利用系统状态判断方法进行风险监控的效率也大大降低。
基于此,有必要实现一种基于量子贝叶斯网络的系统状态判断方法,从而进行风险监控的实现方式,以解决现有技术中的不足。
发明内容
本发明的目的是提供一种基于量子贝叶斯网络的系统状态判断方法,以解决现有技术中的不足,它能够将贝叶斯网络的计算复杂度降低,实现高效计算,并且利用量子态的叠加特性,从而以更少的存储和计算资源实现支持大规模多节点系统模型的处理,并提供丰富的功能。
本申请的一个实施例提供了一种基于量子贝叶斯网络的系统状态判断方法,所述方法包括:
获得目标系统对应的贝叶斯网络,其中,所述贝叶斯网络包括:所述目标系统的根节点状态的概率分布、节点间因果关系对应的条件概率分布;
根据所述根节点状态的概率分布、节点间的条件概率分布,构建所述贝叶斯网络对应的量子线路,作为量子贝叶斯网络;
针对所述目标系统中的目标节点,测量所述量子线路中所述目标节点对应的量子比特;
根据所述量子比特的测量结果,判断所述目标节点的状态。
如上所述的基于量子贝叶斯网络的系统状态判断方法,其中,优选的是,所述根据所述根节点状态的概率分布、节点间的条件概率分布,构建所述贝叶斯网络对应的量子线路,包括:
针对所述根节点,构造制备量子比特的叠加态的第一子量子线路,其中,一节点对应一个或一组量子比特,所述叠加态包括:所述根节点的各个状态及其概率分布;
针对所述全部节点中每两个具备因果关系的节点,分别构造所述因果关系对应的、用于编码所述条件概率分布的第二子量子线路;
根据所述第一子量子线路和所述第二子量子线路,获得所述贝叶斯网络对应的量子线路。
如上所述的基于量子贝叶斯网络的系统状态判断方法,其中,优选的是,所述针对所述根节点,构造制备量子比特的叠加态的第一子量子线路,包括:
根据所述根节点的状态数,确定编码所述根节点的状态所需的量子比特数,作为第一数量,以及预设量子逻辑门数,作为第二数量;
根据所述根节点的概率分布,确定所述预设量子逻辑门的参数;
根据所述第一数量的量子比特、所述第二数量的预设量子逻辑门、所述预设量子逻辑门的参数,构造用于编码所述根节点的状态及其概率分布的第一子量子线路。
如上所述的基于量子贝叶斯网络的系统状态判断方法,其中,优选的是,所述针对所述全部节点中每两个具备因果关系的节点,分别构造所述因果关系对应的、用于编码所述条件概率分布的第二子量子线路,包括:
确定所述两个具备因果关系的节点中的原因节点和结果节点;
分别构建满足所述原因节点取不同状态时、应用于所述结果节点的量子逻辑门组合;
根据各个所述量子逻辑门组合、所述原因节点和结果节点间的条件概率分布,构造所述因果关系对应的第二子量子线路。
如上所述的基于量子贝叶斯网络的系统状态判断方法,其中,优选的是,所述根据所述量子比特的测量结果,判断所述目标节点的状态,包括:
根据所述量子比特的测量结果,确定所述目标节点状态的概率分布;
根据所述目标节点状态的概率分布,判断所述目标节点的状态。
如上所述的基于量子贝叶斯网络的系统状态判断方法,其中,优选的是,所述方法还包括:
根据所述目标节点的状态的判断结果,通过对应的处理方式对所述目标节点进行处理。
如上所述的基于量子贝叶斯网络的系统状态判断方法,其中,优选的是,所述目标节点为全局节点,所述根据所述目标节点的状态的判断结果,通过对应的处理方式对所述目标节点进行处理,包括:
根据所述全局节点的状态的判断结果,对每个节点进行重要性估计。
本申请的又一实施例提供了一种基于量子贝叶斯网络的系统状态判断装置,所述装置包括:
获得模块,用于获得目标系统对应的贝叶斯网络,其中,所述贝叶斯网络包括:所述目标系统的根节点状态的概率分布、节点间因果关系对应的条件概率分布;
构建模块,用于根据所述根节点状态的概率分布、节点间的条件概率分布,构建所述贝叶斯网络对应的量子线路,作为量子贝叶斯网络;
测量模块,用于针对所述目标系统中的目标节点,测量所述量子线路中所述目标节点对应的量子比特;
判断模块,用于根据所述量子比特的测量结果,判断所述目标节点的状态。
如上所述的基于量子贝叶斯网络的系统状态判断装置,其中,优选的是,所述构建模块,包括:
第一构造单元,用于针对所述根节点,构造制备量子比特的叠加态的第一子量子线路,其中,一节点对应一个或一组量子比特,所述叠加态包括:所述根节点的各个状态及其概率分布;
第二构造单元,用于针对所述全部节点中每两个具备因果关系的节点,分别构造所述因果关系对应的、用于编码所述条件概率分布的第二子量子线路;
获得单元,用于根据所述第一子量子线路和所述第二子量子线路,获得所述贝叶斯网络对应的量子线路。
如上所述的基于量子贝叶斯网络的系统状态判断装置,其中,优选的是,所述第一构造单元,包括:
第一确定单元,用于根据所述根节点的状态数,确定编码所述根节点的状态所需的量子比特数,作为第一数量,以及预设量子逻辑门数,作为第二数量;
第二确定单元,用于根据所述根节点的概率分布,确定所述预设量子逻辑门的参数;
第三构造单元,用于根据所述第一数量的量子比特、所述第二数量的预设量子逻辑门、所述预设量子逻辑门的参数,构造用于编码所述根节点的状态及其概率分布的第一子量子线路。
如上所述的基于量子贝叶斯网络的系统状态判断装置,其中,优选的是,所述第二构造单元,包括:
第三确定单元,用于确定所述两个具备因果关系的节点中的原因节点和结果节点;
构建单元,用于分别构建满足所述原因节点取不同状态时、应用于所述结果节点的量子逻辑门组合;
第四构造单元,用于根据各个所述量子逻辑门组合、所述原因节点和结果节点间的条件概率分布,构造所述因果关系对应的第二子量子线路。
如上所述的基于量子贝叶斯网络的系统状态判断装置,其中,优选的是,所述判断模块,包括:
第四确定单元,用于根据所述量子比特的测量结果,确定所述目标节点状态的概率分布;
判断单元,用于根据所述目标节点状态的概率分布,判断所述目标节点的状态。
如上所述的基于量子贝叶斯网络的系统状态判断装置,其中,优选的是,所述装置还包括:
处理模块,用于根据所述目标节点的状态的判断结果,通过对应的处理方式对所述目标节点进行处理。
如上所述的基于量子贝叶斯网络的系统状态判断装置,其中,优选的是,所述处理模块,包括:
估计单元,用于根据所述全局节点的状态的判断结果,对每个节点进行重要性估计。
本申请的又一实施例提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项中所述的方法。
本申请的又一实施例提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项中所述的方法。
与现有技术相比,本发明通过获得目标系统对应的贝叶斯网络,并根据根节点状态的概率分布、节点间的条件概率分布,构建贝叶斯网络对应的量子线路,作为量子贝叶斯网络,针对目标系统中的目标节点,测量量子线路中目标节点对应的量子比特,根据量子比特的测量结果,判断目标节点的状态,通过本发明实现一种基于量子贝叶斯网络的系统状态判断方法,能够将贝叶斯网络的计算复杂度降低,实现高效计算,并且利用量子态的叠加特性,从而以更少的存储和计算资源实现状态判断的针对性和准确性。
附图说明
图1是本发明实施例提供的一种基于量子贝叶斯网络的系统状态判断方法的计算机终端的硬件结构框图;
图2是本发明实施例提供的一种基于量子贝叶斯网络的系统状态判断方法的流程示意图;
图3是本发明实施例提供的一种基于贝叶斯网络的安全系统状态示意图;
图4是本发明实施例提供的一种编码根节点的状态及其概率分布的第一子量子线路示意图;
图5是本发明实施例提供的一种节点间因果关系构造过程量子线路示意图;
图6是本发明实施例提供的一种节点间因果关系对应的第二子量子线路示意图;
图7是本发明实施例提供的一种量子贝叶斯网络对应的量子线路示意图;
图8是本发明实施例提供的一种基于量子贝叶斯网络的系统状态判断装置的结构示意图。
具体实施方式
下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本发明实施例首先提供了一种基于量子贝叶斯网络的系统状态判断方法,该方法可以应用于电子设备,如计算机终端,具体如普通电脑、量子计算机等。
下面以运行在计算机终端上为例对其进行详细说明。图1为本发明实施例提供的一种基于量子贝叶斯网络的系统状态判断方法的计算机终端的硬件结构框图。如图1所示,计算机终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述计算机终端还可以包括用于通信功能的传输装置106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述计算机终端的结构造成限定。例如,计算机终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储应用软件的软件程序以及模块,如本申请实施例中的实现一种基于量子贝叶斯网络的系统状态判断方法对应的程序指令/模块,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network lnterface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
需要说明的是,真正的量子计算机是混合结构的,它包含两大部分:一部分是经典计算机,负责执行经典计算与控制;另一部分是量子设备,负责运行量子程序进而实现量子计算。而量子程序是由量子语言如QRunes语言编写的一串能够在量子计算机上运行的指令序列,实现了对量子逻辑门操作的支持,并最终实现量子计算。具体的说,量子程序就是一系列按照一定时序操作量子逻辑门的指令序列。
在实际应用中,因受限于量子设备硬件的发展,通常需要进行量子计算模拟以验证量子算法、量子应用等等。量子计算模拟即借助普通计算机的资源搭建的虚拟架构(即量子虚拟机)实现特定问题对应的量子程序的模拟运行的过程。通常,需要构建特定问题对应的量子程序。本发明实施例所指量子程序,即是经典语言编写的表征量子比特及其演化的程序,其中与量子计算相关的量子比特、量子逻辑门等等均有相应的经典代码表示。
量子线路作为量子程序的一种体现方式,也称量子逻辑电路,是最常用的通用量子计算模型,表示在抽象概念下对于量子比特进行操作的线路,其组成包括量子比特、线路(时间线),以及各种量子逻辑门,最后常需要通过量子测量操作将结果读取出来。
不同于传统电路是用金属线所连接以传递电压信号或电流信号,在量子线路中,线路可看成是由时间所连接,亦即量子比特的状态随着时间自然演化,在这过程中按照哈密顿运算符的指示,一直到遇上逻辑门而被操作。
一个量子程序整体上对应有一条总的量子线路,本发明所述量子程序即指该条总的量子线路,其中,该总的量子线路中的量子比特总数与量子程序的量子比特总数相同。可以理解为:一个量子程序可以由量子线路、针对量子线路中量子比特的测量操作、保存测量结果的寄存器及控制流节点(跳转指令)组成,一条量子线路可以包含几十上百个甚至千上万个量子逻辑门操作。量子程序的执行过程,就是对所有的量子逻辑门按照一定时序执行的过程。需要说明的是,时序即单个量子逻辑门被执行的时间顺序。
需要说明的是,经典计算中,最基本的单元是比特,而最基本的控制模式是逻辑门,可以通过逻辑门的组合来达到控制电路的目的。类似地,处理量子比特的方式就是量子逻辑门。使用量子逻辑门,能够使量子态发生演化,量子逻辑门是构成量子线路的基础,量子逻辑门包括单比特量子逻辑门,如Hadamard门(H门,哈德玛门)、泡利-X门(X门)、泡利-Y门(Y门)、泡利-Z门(Z门)、RX门、RY门、RZ门等等;多比特量子逻辑门,如CNOT门、CR门、iSWAP门、Toffoli门等等。量子逻辑门一般使用酉矩阵表示,而酉矩阵不仅是矩阵形式,也是一种操作和变换。一般量子逻辑门在量子态上的作用是通过酉矩阵左乘以量子态右矢对应的矩阵进行计算的。
量子态,即量子比特的逻辑状态,在量子算法(或称量子程序)中用二进制表示,例如,一组量子比特为q0、q1、q2,表示第0位、第1位、第2位量子比特,从高位到低位排序为q2q1q0,该组量子比特对应的量子态共有2的量子比特总数次方个,是指8个本征态(确定的状态):|000>、|001>、|010>、|011>、|100>、|101>、|110>、|111>,每个量子态的位与量子比特对应一致,如|000>态,000从高位到低位对应q2q1q0,|>为狄拉克符号。
以单个量子比特说明,单个量子比特的逻辑状态可能处于|0>态、|1>态、|0>态和|1)态的叠加态(不确定状态),具体可以表示为其中,a和b为表示量子态振幅(概率幅)的复数,振幅的平方表示概率,a2、b2表示|0>态、|1>态的概率,a2+b2=1,简言之,量子态是各本征态组成的叠加态,当其他态的概率为0时,即处于唯一确定的本征态。
贝叶斯网络(Bayesian network),是一种概率图模型,它是基于概率推理的图形化网络,贝叶斯网络是基于概率推理的数学模型,所谓概率推理就是通过一些变量的信息来获取其他的概率信息的过程,基于概率推理的贝叶斯网络(Bayesian network)是为了解决不定性和不完整性问题而提出的,它对于解决复杂设备不确定性和关联性引起的故障有很大的优势,在多个领域中获得广泛应用。贝叶斯网络本身是一种不定性因果关联模型,与其他决策模型不同,它本身是将多元知识图解可视化的一种概率知识表达与推理模型,更为贴切地蕴含了网络节点变量之间的因果关系及条件相关关系。贝叶斯网络具有强大的不确定性问题处理能力,用条件概率表达各个信息要素之间的相关关系,能在有限的、不完整的、不确定的信息条件下进行学习和推理。并且能有效地进行多源信息表达与融合。贝叶斯理论是处理不确定性信息的重要工具。作为一种基于概率的不确定性推理方法,贝叶斯网络在处理不确定信息的智能化系统中已得到了重要的应用,已成功地用于医疗诊断、统计决策、专家系统、学习预测等领域。这些成功的应用,充分体现了贝叶斯网络技术是一种强有力的不确定性推理方法。
参见图2,图2为本发明实施例提供的一种基于量子贝叶斯网络的系统状态判断方法的流程示意图,可以包括如下步骤:
S201:获得目标系统对应的贝叶斯网络,其中,所述贝叶斯网络包括:所述目标系统的根节点状态的概率分布、节点间因果关系对应的条件概率分布。
具体的,目标系统可以为一个复杂随机系统且存在着多个节点,其中的大部分节点间没有直接因果关系,而直接关联的节点间因果关系是单向的,不存在能沿着单向因果关系前进到自身的节点。因此,目标系统是一个能较为直观的展示一个节点可离散的、稀疏的、因果关系单向无环的随机系统。
优选的,可以获得目标系统对应的贝叶斯网络,获取该贝叶斯网络中包含的根节点状态的概率分布、节点间因果关系对应的条件概率分布。例如,可首先获取贝叶斯网络各个节点中的所有根节点、各节点间的因果关系,其中,各节点间的因果关系可以包括节点间的指向关系和节点包含若干状态时,取每个状态的条件概率分布情况。
示例性的,如图3所示为本发明实施例提供的一种基于贝叶斯网络的安全系统状态示意图,图中包含A、B、C、D四个节点的目标网络,且节点间具体的指向关系为:A→B、A→C、B→D,其中,假设根节点A包含两个状态,分别为状态0和1,且状态0的概率为50%,状态1的概率为50%;节点A与节点B之间因果关系对应的条件概率分布为P(B|A)、且假设P(B|A)=40%,上述示例仅以根节点及其一个相邻节点关系,阐述节点包含的若干状态及其取每个状态的概率分布情况,其余C、D节点包含的状态及对应的概率分布在此不再展开,但需要注意的是,每个节点状态对应的概率分布之和均为1。
S202:根据所述根节点状态的概率分布、节点间的条件概率分布,构建所述贝叶斯网络对应的量子线路,作为量子贝叶斯网络。
具体的,在一种实现方式中,构建量子贝叶斯网络,可以包括如下步骤:
S2021:针对所述根节点,构造制备量子比特的叠加态的第一子量子线路,其中,一节点对应一个或一组量子比特,所述叠加态包括:所述根节点的各个状态及其概率分布。
具体的,第一子量子线路构造的第一步是对目标系统中所有根节点进行相应的量子比特初始化,即根据根节点的概率分布完成相应的量子比特的叠加态制备,具体包括如下步骤:
步骤a:根据所述根节点的状态数,确定编码所述根节点的状态所需的量子比特数,作为第一数量,以及预设量子逻辑门数,作为第二数量。
步骤b:根据所述根节点的概率分布,确定所述预设量子逻辑门的参数。
具体的,根据根节点的概率分布,确定预设量子逻辑门的参数,所用到的预设量子逻辑门优选为旋转逻辑门RY门,其矩阵形式为:
量子逻辑门RY门实现:
RY(θ)|0〉=cos(θ/2)|0〉+sin(θ/2)|1〉
其中,确定预设量子逻辑门的参数,即为确定RY门的参数θ。
示例性的,假设存在2状态根节点A,记为
其中∑pi 2=1,pi 2为根节点A不同状态发生的概率。
即编码所述根节点的状态所需的量子比特的第一数量为1,第二数量预设量子逻辑门个数为1。
示例性的,假设存在4状态根节点A′,记为
其中∑pij 2=1,pij 2为根节点A′不同状态发生的概率。
即编码所述根节点的状态所需的量子比特的第一数量为2,第二数量预设量子逻辑门个数为3。
步骤c:根据所述第一数量的量子比特、所述第二数量的预设量子逻辑门、所述预设量子逻辑门的参数,构造用于编码所述根节点的状态及其概率分布的第一子量子线路。
示例性的,以构建上述4状态根节点A′的第一子量子线路为例,具体编码根节点对应量子线路的思想是从上向下一直拆分,用一系列受控旋转门(受控RY门)实现,具体实现过程包括:
首先将根节点的4个状态对应的概率均分为两组,一组为(P00、P01),另一组为(P10、P11)。将每一组的2个概率的平方和的根作为振幅值编码到第一个量子比特的量子态的振幅上,得到经过编码后的末态,即:
此时,经过第一次均分后,通过对第一个量子比特施加RY门,即:
继续进行第二步的数据拆分,将得到4组数据,实现对2个量子比特、共4个量子态的振幅编码,得到:
利用2个量子比特和3个预设的量子逻辑门,即确认的RY门的旋转角度θ的具体值,得到如图4所示的编码根节点的状态及其概率分布的第一子量子线路示意图。为了形象的展示量子逻辑门RY门的受控情况,本申请图示中的空心的圆圈代表0控,表示当该量子比特的量子态为0时,RY(θ2)量子逻辑门就会被执行;实心的黑色圆圈代表1控,表示当该量子比特的量子态为1时,RY(θ3)量子逻辑门就会被执行,圆圈之间的连线代表受控。
S2022:针对所述全部节点中每两个具备因果关系的节点,分别构造所述因果关系对应的、用于编码所述条件概率分布的第二子量子线路。
具体的,针对各个节点中每两个具备因果关系的节点,分别构造因果关系对应的第二子量子线路,具体包括:
1,确定所述两个具备因果关系的节点中的原因节点和结果节点;
具体的,确定所有节点中两两具备因果关系的节点,即两个节点间具备单向的指向关系和条件概率,例如节点A指向节点B,且节点B不指向节点A,则称节点A和节点B具备因果关系,且A为原因节点,B为结果节点。
2,分别构建满足所述原因节点取不同状态时、应用于所述结果节点的量子逻辑门组合;
示例性的,假设存在一个M状态的原因节点A单向决定1个K状态的结果节点B,那么可以将AB节点间的因果关系拆解为当A取不同状态时分别对B进行不同的振幅编码过程,得到如图5所示的本实施例提供的一种节点间因果关系构造过程量子线路示意图。图中PreA模块表示节点A相关的初始化量子线路,AOB、A1B模块以及后续的省略号表示A在不同状态下应用于B的量子逻辑门组合。
需要说明的是,图5中仅展示了A=0时的AOB和A=1时的A1B。每个受控量子门组合AiB(0≤i≤M-1)均可以视为一个小型的根节点初始化振幅编码量子线路,受控量子门组合AiB的数量等于节点A的状态数。
3,根据各个所述量子逻辑门组合、所述原因节点和结果节点间的条件概率分布,构造所述因果关系对应的第二子量子线路。
示例性的,假设存在一个4状态的原因节点A单向决定1个4状态的结果节点B,将AB节点间的因果关系拆解为当A分别取不同状态时分别对B进行不同的振幅编码过程,得到如图6所示的一种节点间因果关系对应的第二子量子线路示意图,其中AOB模块表示A在第一个状态下应用于B的量子逻辑门组合,其余A1B、A2B、A3B表示A在其余不同状态下应用于B的量子逻辑门组合。
需要说明的是,模块AOB与A1B、A2B和A3B的量子逻辑门组合均相同,仅各个RY门的旋转角度θ的具体值及受控状态不同。
S2023:根据所述第一子量子线路和所述第二子量子线路,获得所述贝叶斯网络对应的量子线路。
具体的,将所述第一子量子线路、第二子量子线路依顺序组合,获得所述量子贝叶斯网络对应的量子线路。
示例性的,将表示编码根节点的4个状态及其概率分布的第一子量子线路与上述第二子量子线路依顺序组合,获得如图7所示的一种量子贝叶斯网络对应的量子线路示意图。
S203:针对所述目标系统中的目标节点,测量所述量子线路中所述目标节点对应的量子比特。
具体的,目标节点一般为非根节点或者包含根节点的节点组合,目标系统中的每个节点对应于一个或一组量子比特,每一条边对应于一组量子逻辑门。目标系统的结果输出依赖于对量子线路中量子比特的测量或者观测,通过对全部或局部节点对应的量子比特组合的测量或者观测可以得到目标系统节点的概率分布。
示例性的,接上述图3所示的一种基于贝叶斯网络的安全系统状态示意图,其中,该4个节点可分为直接观测的可测节点(A)和无法直接观测的隐含节点(B、C、D),且可测节点(A)对应的实际系统节点有测量工具(例如感应器),可以直接观测该节点包含的状态及概率分布;隐含节点(B、C、D)则可以通过测量模拟的量子线路中,B、C、D节点分别对应的量子比特来确定节点包含的状态及对应的概率分布。
S204:根据所述量子比特的测量结果,判断所述目标节点的状态。
具体的,根据量子比特的测量结果,判断目标节点的状态,可以包括:
步骤S2041:根据所述量子比特的测量结果,确定所述目标节点状态的概率分布。
具体的,根据量子比特的测量结果,可以确定该目标节点的概率分布。例如,测量图3中的节点B对应的量子比特,得到其测量后的末量子态为其中,和分别表示量子态0和1的振幅,该振幅的平方表示目标节点B状态的概率分布。
步骤S2042:根据所述目标节点状态的概率分布,判断所述目标节点的状态。
具体的,接上述示例,可判断得:目标节点B处于状态0的概率为25%,处于状态1的概率为75%,即可确定目标节点B大概率处于状态1。
在实际应用中,还可以根据所述目标节点的状态的判断结果,通过对应的处理方式对所述目标节点进行处理。
可选的,可以通过测量特定或全部节点对应的量子比特,判断相应节点的状态分布。
具体的,测量目标系统特定节点对应的量子比特,可以直接得到此特定节点的概率分布,进而对此特定节点的状态进行判断;测量目标系统的全部节点量子比特,可以得到整个系统的状态概率分布,进而对系统的状态进行判断。
示例性的,根据不同的需求,通过测量特点节点,例如为B节点,或者全部A、B、C、D节点,判断相应节点的状态分布。
可选的,由可测节点的观测结果,分别给出隐含节点的状态概率分布,判断隐含节点可能处于的状态。
示例性的,表1为初始目标系统各节点状态及对应的概率分布表,如下表所示:
表1:初始目标系统各节点状态及对应的概率分布表
通过上述表1及可测节点A的观测结果,判断隐含节点B、C、D可能处于的状态分别为1、0、1。
可选的,由可测节点的观测结果确定它的状态,并给出目标系统全局的可能状态预测。
具体的,更新可测节点的状态为测量结果,可以进而更新整个量子贝叶斯网络。如分别更新可测节点的状态0和状态1为测量结果,进而更新目标系统。通过对系统中关键的局部节点或全局节点进行状态判断,从而实现持续监控系统状态和预测的功能,实现实时系统监控和预警。
示例性的,通过可测节点A的观测结果,例如确定可测节点的状态即为状态0,分别给出隐含节点B、C、D的状态概率分布,如下表2-1所示,给出一种可测节点确定状态及其余节点状态及对应的概率分布表,并判断隐含节点可能处于的状态。
表2-1:一种可测节点确定状态及其余节点状态及对应的概率分布表
通过上述表2-1,可判断隐含节点B、C、D处于的状态可能为状态1、0、1。
如下表2-2所示,给出另一种可测节点确定状态及其余节点状态及对应的概率分布表,并判断隐含节点可能处于的状态。
表2-2:另一种可测节点确定状态及其余节点状态及对应的概率分布表
通过上述表2-2,可判断隐含节点B、C、D处于的状态可能为状态0、0、1。
可选的,通过测量目标系统全局节点,分别依照不同节点对测量结果进行分类,判断节点的状态变更重要性。
具体来说,目标节点可以为全局节点,所述根据所述目标节点的状态的判断结果,通过对应的处理方式对所述目标节点进行处理,包括:
根据所述全局节点的状态的判断结果,对每个节点进行重要性估计。
示例性的,针对目标系统,将测量结果按照A的状态分为(A=0,BCD=?)和(A=1,BCD=?)两大类,可以评估A的状态变化对系统全局状态的影响。
对比表1、表2-1及表2-2可知,表2-1所示的一种可测节点确定状态及其余节点状态及对应的概率分布,说明当可测节点的状态确定时,对整个目标系统的全局状态影响不大,因此该可测节点A的重要性不高;表2-2所示的另一种可测节点确定状态及其余节点状态及对应的概率分布,说明当可测节点的状态确定时,对整个目标系统的全局状态影响较大,此时该可测节点A的重要性较高。类似地,可以评估B的状态变化对ACD全局状态的影响等,通过判断结果,对每个节点进行重要性估计或者重要性排序。从而,对安全系统,在防御资源有限的前提下,针对重要性较高的节点强化防护,进而提高整个系统的安全性。
类似地,也可以通过评估A的状态变化对其他单个或多个隐含节点状态的影响,对这些分类结果进行统计,并按照特定的标准对每个节点进行重要性估计。
对于一个包含可测节点和隐含节点的目标系统,借助量子贝叶斯网络对目标系统的初始静态状态判断和后续持续观测,并对可测节点状态的持续更新,一方面可以实现对目标系统或特定节点状态的判断,并基于判断采取相应行动或预警,另一方面,可以对可测节点的连续观测结果进行统计,从而对特定节点或目标系统未来的可能状态变化趋势做出预测,也可以将一段时间内的可测节点状态进行统计,得到可测节点的状态变化趋势,进而利用量子贝叶斯网络完成对整个系统或特定节点的变化趋势预测,实现较长时间的目标系统状态判断的预测,并根据对节点的重要性估计,可以针对性配置有限的防御资源,提高整个目标系统的状态判断的针对性和准确性。
与现有技术相比,本发明通过获得目标系统对应的贝叶斯网络,并根据根节点状态的概率分布、节点间的条件概率分布,构建贝叶斯网络对应的量子线路,作为量子贝叶斯网络,针对目标系统中的目标节点,测量量子线路中目标节点对应的量子比特,根据量子比特的测量结果,判断目标节点的状态,通过本发明实现一种基于量子贝叶斯网络的系统状态判断方法,能够将贝叶斯网络的计算复杂度降低,实现高效计算,并且利用量子态的叠加特性,从而以更少的存储和计算资源实现状态判断的针对性和准确性。
参见图8,图8为本发明实施例提供的一种基于量子贝叶斯网络的系统状态判断装置的结构示意图,与图2所示的流程相对应,该装置可以包括:
获得模块801,用于获得目标系统对应的贝叶斯网络,其中,所述贝叶斯网络包括:所述目标系统的根节点状态的概率分布、节点间因果关系对应的条件概率分布;
构建模块802,用于根据所述根节点状态的概率分布、节点间的条件概率分布,构建所述贝叶斯网络对应的量子线路,作为量子贝叶斯网络;
测量模块803,用于针对所述目标系统中的目标节点,测量所述量子线路中所述目标节点对应的量子比特;
判断模块804,用于根据所述量子比特的测量结果,判断所述目标节点的状态。
优选的,所述构建模块,包括:
第一构造单元,用于针对所述根节点,构造制备量子比特的叠加态的第一子量子线路,其中,一节点对应一个或一组量子比特,所述叠加态包括:所述根节点的各个状态及其概率分布;
第二构造单元,用于针对所述全部节点中每两个具备因果关系的节点,分别构造所述因果关系对应的、用于编码所述条件概率分布的第二子量子线路;
获得单元,用于根据所述第一子量子线路和所述第二子量子线路,获得所述贝叶斯网络对应的量子线路。
优选的,所述第一构造单元,包括:
第一确定单元,用于根据所述根节点的状态数,确定编码所述根节点的状态所需的量子比特数,作为第一数量,以及预设量子逻辑门数,作为第二数量;
第二确定单元,用于根据所述根节点的概率分布,确定所述预设量子逻辑门的参数;
第三构造单元,用于根据所述第一数量的量子比特、所述第二数量的预设量子逻辑门、所述预设量子逻辑门的参数,构造用于编码所述根节点的状态及其概率分布的第一子量子线路。
优选的,所述第二构造单元,包括:
第三确定单元,用于确定所述两个具备因果关系的节点中的原因节点和结果节点;
构建单元,用于分别构建满足所述原因节点取不同状态时、应用于所述结果节点的量子逻辑门组合;
第四构造单元,用于根据各个所述量子逻辑门组合、所述原因节点和结果节点间的条件概率分布,构造所述因果关系对应的第二子量子线路。
优选的,所述判断模块,包括:
第四确定单元,用于根据所述量子比特的测量结果,确定所述目标节点状态的概率分布;
判断单元,用于根据所述目标节点状态的概率分布,判断所述目标节点的状态。
优选的,所述装置还包括:
处理模块,用于根据所述目标节点的状态的判断结果,通过对应的处理方式对所述目标节点进行处理。
优选的,所述处理模块,包括:
估计单元,用于根据所述全局节点的状态的判断结果,对每个节点进行重要性估计。
与现有技术相比,本发明通过获得目标系统对应的贝叶斯网络,并根据根节点状态的概率分布、节点间的条件概率分布,构建贝叶斯网络对应的量子线路,作为量子贝叶斯网络,针对目标系统中的目标节点,测量量子线路中目标节点对应的量子比特,根据量子比特的测量结果,判断目标节点的状态,通过本发明实现一种基于量子贝叶斯网络的系统状态判断方法,能够将贝叶斯网络的计算复杂度降低,实现高效计算,并且利用量子态的叠加特性,从而以更少的存储和计算资源实现状态判断的针对性和准确性。
本发明实施例还提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项中方法实施例中的步骤。
具体的,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S201:获得目标系统对应的贝叶斯网络,其中,所述贝叶斯网络包括:所述目标系统的根节点状态的概率分布、节点间因果关系对应的条件概率分布;
S202:根据所述根节点状态的概率分布、节点间的条件概率分布,构建所述贝叶斯网络对应的量子线路,作为量子贝叶斯网络;
S203:针对所述目标系统中的目标节点,测量所述量子线路中所述目标节点对应的量子比特;
S204:根据所述量子比特的测量结果,判断所述目标节点的状态。
与现有技术相比,本发明通过获得目标系统对应的贝叶斯网络,并根据根节点状态的概率分布、节点间的条件概率分布,构建贝叶斯网络对应的量子线路,作为量子贝叶斯网络,针对目标系统中的目标节点,测量量子线路中目标节点对应的量子比特,根据量子比特的测量结果,判断目标节点的状态,通过本发明实现一种基于量子贝叶斯网络的系统状态判断方法,能够将贝叶斯网络的计算复杂度降低,实现高效计算,并且利用量子态的叠加特性,从而以更少的存储和计算资源实现状态判断的针对性和准确性。
本发明实施例还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项中方法实施例中的步骤。
具体的,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
具体的,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S201:获得目标系统对应的贝叶斯网络,其中,所述贝叶斯网络包括:所述目标系统的根节点状态的概率分布、节点间因果关系对应的条件概率分布;
S202:根据所述根节点状态的概率分布、节点间的条件概率分布,构建所述贝叶斯网络对应的量子线路,作为量子贝叶斯网络;
S203:针对所述目标系统中的目标节点,测量所述量子线路中所述目标节点对应的量子比特;
S204:根据所述量子比特的测量结果,判断所述目标节点的状态。
与现有技术相比,本发明通过获得目标系统对应的贝叶斯网络,并根据根节点状态的概率分布、节点间的条件概率分布,构建贝叶斯网络对应的量子线路,作为量子贝叶斯网络,针对目标系统中的目标节点,测量量子线路中目标节点对应的量子比特,根据量子比特的测量结果,判断目标节点的状态,通过本发明实现一种基于量子贝叶斯网络的系统状态判断方法,能够将贝叶斯网络的计算复杂度降低,实现高效计算,并且利用量子态的叠加特性,从而以更少的存储和计算资源实现状态判断的针对性和准确性。
以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果,以上所述仅为本发明的较佳实施例,但本发明不以图面所示限定实施范围,凡是依照本发明的构想所作的改变,或修改为等同变化的等效实施例,仍未超出说明书与图示所涵盖的精神时,均应在本发明的保护范围内。
Claims (10)
1.一种基于量子贝叶斯网络的系统状态判断方法,其特征在于,所述方法包括:
获得目标系统对应的贝叶斯网络,其中,所述贝叶斯网络包括:所述目标系统的根节点状态的概率分布、节点间因果关系对应的条件概率分布;
根据所述根节点状态的概率分布、节点间的条件概率分布,构建所述贝叶斯网络对应的量子线路,作为量子贝叶斯网络;
针对所述目标系统中的目标节点,测量所述量子线路中所述目标节点对应的量子比特;
根据所述量子比特的测量结果,判断所述目标节点的状态。
2.根据权利要求1所述的方法,其特征在于,所述根据所述根节点状态的概率分布、节点间的条件概率分布,构建所述贝叶斯网络对应的量子线路,包括:
针对所述根节点,构造制备量子比特的叠加态的第一子量子线路,其中,一节点对应一个或一组量子比特,所述叠加态包括:所述根节点的各个状态及其概率分布;
针对所述全部节点中每两个具备因果关系的节点,分别构造所述因果关系对应的、用于编码所述条件概率分布的第二子量子线路;
根据所述第一子量子线路和所述第二子量子线路,获得所述贝叶斯网络对应的量子线路。
3.根据权利要求2所述的方法,其特征在于,所述针对所述根节点,构造制备量子比特的叠加态的第一子量子线路,包括:
根据所述根节点的状态数,确定编码所述根节点的状态所需的量子比特数,作为第一数量,以及预设量子逻辑门数,作为第二数量;
根据所述根节点的概率分布,确定所述预设量子逻辑门的参数;
根据所述第一数量的量子比特、所述第二数量的预设量子逻辑门、所述预设量子逻辑门的参数,构造用于编码所述根节点的状态及其概率分布的第一子量子线路。
4.根据权利要求3所述的方法,其特征在于,所述针对所述全部节点中每两个具备因果关系的节点,分别构造所述因果关系对应的、用于编码所述条件概率分布的第二子量子线路,包括:
确定所述两个具备因果关系的节点中的原因节点和结果节点;
分别构建满足所述原因节点取不同状态时、应用于所述结果节点的量子逻辑门组合;
根据各个所述量子逻辑门组合、所述原因节点和结果节点间的条件概率分布,构造所述因果关系对应的第二子量子线路。
5.根据权利要求1所述的方法,其特征在于,所述根据所述量子比特的测量结果,判断所述目标节点的状态,包括:
根据所述量子比特的测量结果,确定所述目标节点状态的概率分布;
根据所述目标节点状态的概率分布,判断所述目标节点的状态。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述目标节点的状态的判断结果,通过对应的处理方式对所述目标节点进行处理。
7.根据权利要求6所述的方法,其特征在于,所述目标节点为全局节点,所述根据所述目标节点的状态的判断结果,通过对应的处理方式对所述目标节点进行处理,包括:
根据所述全局节点的状态的判断结果,对每个节点进行重要性估计。
8.一种基于量子贝叶斯网络的系统状态判断装置,其特征在于,所述装置包括:
获得模块,用于获得目标系统对应的贝叶斯网络,其中,所述贝叶斯网络包括:所述目标系统的根节点状态的概率分布、节点间因果关系对应的条件概率分布;
构建模块,用于根据所述根节点状态的概率分布、节点间的条件概率分布,构建所述贝叶斯网络对应的量子线路,作为量子贝叶斯网络;
测量模块,用于针对所述目标系统中的目标节点,测量所述量子线路中所述目标节点对应的量子比特;
判断模块,用于根据所述量子比特的测量结果,判断所述目标节点的状态。
9.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至7任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110538136.8A CN115374945A (zh) | 2021-05-18 | 2021-05-18 | 一种基于量子贝叶斯网络的系统状态判断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110538136.8A CN115374945A (zh) | 2021-05-18 | 2021-05-18 | 一种基于量子贝叶斯网络的系统状态判断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115374945A true CN115374945A (zh) | 2022-11-22 |
Family
ID=84059648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110538136.8A Pending CN115374945A (zh) | 2021-05-18 | 2021-05-18 | 一种基于量子贝叶斯网络的系统状态判断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115374945A (zh) |
-
2021
- 2021-05-18 CN CN202110538136.8A patent/CN115374945A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Karim et al. | BHyPreC: a novel Bi-LSTM based hybrid recurrent neural network model to predict the CPU workload of cloud virtual machine | |
Wang et al. | A compound framework for wind speed forecasting based on comprehensive feature selection, quantile regression incorporated into convolutional simplified long short-term memory network and residual error correction | |
Kondratenko et al. | Multi-criteria decision making for selecting a rational IoT platform | |
CN113222155B (zh) | 一种量子线路的构建方法、装置、电子装置和存储介质 | |
CN112232513A (zh) | 一种量子态的制备方法及装置 | |
CN114358319B (zh) | 基于机器学习框架的分类方法及相关装置 | |
CN112633507A (zh) | 一种将复向量编码到量子线路的方法及装置 | |
CN114358317B (zh) | 基于机器学习框架的数据分类方法及相关设备 | |
CN116187548A (zh) | 一种光伏发电功率预测方法、装置、存储介质及电子装置 | |
CN114358216B (zh) | 基于机器学习框架的量子聚类方法及相关装置 | |
CN114358318B (zh) | 基于机器学习框架的分类方法及相关装置 | |
CN114511094A (zh) | 一种量子算法的优化方法、装置、存储介质与电子装置 | |
CN115271076A (zh) | 一种贝叶斯网络对应量子线路的构造方法及装置 | |
CN116011681A (zh) | 一种气象数据预测方法、装置、存储介质及电子装置 | |
CN116403019A (zh) | 遥感图像量子识别方法、装置、存储介质及电子装置 | |
CN116403657A (zh) | 一种药物反应预测方法、装置、存储介质及电子装置 | |
CN115759413A (zh) | 一种气象预测方法、装置、存储介质及电子设备 | |
CN116011682A (zh) | 一种气象数据预测方法、装置、存储介质及电子装置 | |
CN115374945A (zh) | 一种基于量子贝叶斯网络的系统状态判断方法及装置 | |
CN115185804A (zh) | 服务器性能预测方法、系统、终端及存储介质 | |
CN114819163A (zh) | 量子生成对抗网络的训练方法、装置、介质及电子装置 | |
CN115983392A (zh) | 量子程序映射关系的确定方法、装置、介质及电子装置 | |
CN114764619A (zh) | 一种基于量子线路的卷积操作方法及装置 | |
Nong | Construction and Simulation of Financial Risk Prediction Model Based on LSTM | |
CN115438791A (zh) | 一种基于量子线路求解贝叶斯网络的方法及装置 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 230088 6th floor, E2 building, phase II, innovation industrial park, 2800 innovation Avenue, Hefei high tech Zone, Hefei City, Anhui Province Applicant after: Benyuan Quantum Computing Technology (Hefei) Co.,Ltd. Address before: 230088 6th floor, E2 building, phase II, innovation industrial park, 2800 innovation Avenue, Hefei high tech Zone, Hefei City, Anhui Province Applicant before: ORIGIN QUANTUM COMPUTING COMPANY, LIMITED, HEFEI |