CN115660095B - 一种超导量子芯片参数校准方法、系统、装置及介质 - Google Patents
一种超导量子芯片参数校准方法、系统、装置及介质 Download PDFInfo
- Publication number
- CN115660095B CN115660095B CN202211259426.XA CN202211259426A CN115660095B CN 115660095 B CN115660095 B CN 115660095B CN 202211259426 A CN202211259426 A CN 202211259426A CN 115660095 B CN115660095 B CN 115660095B
- Authority
- CN
- China
- Prior art keywords
- parameter
- superconducting quantum
- calibration
- quantum chip
- calibrated
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005457 optimization Methods 0.000 claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 47
- 238000012360 testing method Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 6
- 230000010355 oscillation Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 239000002096 quantum dot Substances 0.000 description 7
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000004907 flux Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Landscapes
- Complex Calculations (AREA)
- Superconductor Devices And Manufacturing Methods Thereof (AREA)
Abstract
本发明涉及一种超导量子芯片参数校准方法、系统、装置及介质。本申请中量子云端建立超导量子芯片参数校准模型，并分别下发到超导量子芯片计算机边缘端侧，超导量子芯片计算机边缘端侧利用超导量子芯片参数校准模型迭代的进行参数校准获得参数校准情况；每隔设定时间，超导量子芯片计算机边缘端侧向量子云端反馈量子芯片参数校准模型的参数校准情况；量子云端利用参数校准情况训练得到基于神经网络的校准优化模型，量子云端将校准优化模型下发给具有相应类型超导量子芯片的超导量子芯片计算机边缘端侧，超导量子芯片计算机边缘端侧基于校准优化模型进行参数校准，保证超导量子芯片计算机边缘端侧以优化的方式进行参数校准；提高校准的效率。
Description
技术领域
本发明涉及超导量子芯片参数校准领域，尤其涉及一种超导量子芯片参数校准方法、系统、装置及介质。
背景技术
量子计算在解决特定问题上具有远超经典计算机性能的发展潜力，而为了实现量子计算机，需要获得一块包含有足够数量与足够质量量子比特的量子芯片，并且能够对量子比特进行极高保真度的量子逻辑门操作与读取。
超导量子技术是量子计算的重要分支，超导量子计算采用被称为超导量子比特的非线性超导装置来操纵和存储量子信息，通过谐振器(例如，作为二维(2d)平面波导或作为三维(3d)微波腔)以读出并促进量子位之间的相互作用。作为一个示例，每个超导量子比特可以包括一个或多个约瑟夫森结，所述约瑟夫森结与所述结并联的电容器分流。量子位电容耦合到2d或3d微波腔，与超导量子比特相关联的电磁能存储在约瑟夫森结中以及形成超导量子比特的电容和电感元件中。作为超导量子比特工作的实现，超导量子比特上耦合连接有磁通调制线，通常，磁通调制线提供的磁通调制信号调控与超导量子比特相关联的电磁能，进而控制超导量子比特的工作性能。然而超导量子比特的超导量子比特参数会随机且概率性的变动，导致量子比特失真真。因此，对于超导量子芯片的参数，需要定期校准，才能确保超导量子芯片准确地工作。如何实现超导量子芯片参数的自动校准功能，成为本领域亟待解决的技术问题。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本发明提供一种超导量子芯片参数校准方法、系统、装置及介质。
第一方面，本发明提供一种超导量子芯片参数校准方法，包括：量子云端针对具有同一类超导量子芯片的超导量子芯片计算机边缘端侧建立统一的超导量子芯片参数校准模型，并分别下发到超导量子芯片计算机边缘端侧；超导量子芯片计算机边缘端侧利用超导量子芯片参数校准模型迭代的进行参数校准获得参数校准情况作为训练数据；
每隔设定时间，超导量子芯片计算机边缘端侧向量子云端反馈训练数据；量子云端利用具有同类型超导量子芯片的超导量子芯片计算机边缘端侧的训练数据训练得到基于神经网络的校准优化模型，量子云端将校准优化模型下发给具有相应类型超导量子芯片的超导量子芯片计算机边缘端侧，超导量子芯片计算机边缘端侧基于校准优化模型进行参数校准，保证超导量子芯片计算机边缘端侧以优化的方式进行参数校准。
更进一步地，超导量子芯片的待校准参数包括腔频参数、比特能谱参数、拉比测量参数、Ramsey测量参数、比特磁场串扰参数以及比特线路延时参数中的一种或多种的组合；其中，拉比测量参数包括：拉比振荡幅值参数和拉比振荡时长参数。
更进一步地，得到训练数据的迭代的进行参数校准的初始条件包括：初始化由大至小多级不同的上下限；以每次校准前的待校准参数为基准利用上下限浮动生成多种待校准参数的范围；按上下限从大到小迭代的选取待校准参数取值范围；初始化选值方式为待校准参数的范围内均匀选值；初始化迭代次数。
更进一步地，超导量子芯片计算机边缘端侧利用超导量子芯片参数校准模型迭代的进行参数校准获得参数校准情况作为训练数据包括：
针对每个待校准参数，采用初始化的最大的上下限确定待校准参数范围；以初始化的均匀取值的方式获取待校准参数范围内的待校准参数测试值；将待校准参数测试值作用于超导量子计算机边缘端，并获得在各个待校准参数测试值组合下超导量子芯片参数校准模型的实际信号反馈，更新待校准参数为与预设的目标信号反馈最接近的实际信号反馈对应的待校准参数测试值；迭代地执行：采用相比上次采用上下限较小的上下限，更新待校准参数取值范围，以校准优化模型优化的选择方式获取待校准参数范围内的待校准参数测试值后，将待校准参数测试值作用于超导量子计算机边缘端，并获得在各个待校准参数测试值组合下超导量子芯片参数校准模型的实际信号反馈；更新待校准参数为与预设的目标信号反馈最接近的实际信号反馈对应的待校准参数测试值，直至全部上下限均迭代完成。
更进一步地，超导量子芯片计算机边缘端侧向量子云端反馈训练数据时，将参数校准情况、超导量子芯片计算机边缘端侧名称、采用的超导量子芯片参数校准模型版本打包发送给量子云端；量子云端建立校准优化模型与超导量子芯片计算机边缘端侧名称的第一映射，量子云端建立校准优化模型与量子云端超导量子芯片参数校准模型版本的第二映射，根据第二映射将超导量子芯片参数校准模型版本对应的参数校准情况处理成相应校准优化模型的输入数据；根据第一映射将校准优化模型发送给相应超导量子芯片计算机边缘端侧。
更进一步地，量子云端训练校准优化模型对待校准参数校准过程中不同待校准参数每次迭代的上下限、每次迭代过程中待校准参数取值范围内取值方式、迭代次数进行优化。
更进一步地，超导量子芯片计算机边缘端侧迭代进行待校准参数校准时基于校准优化模型优化的上下限、取值方式和迭代次数控制迭代参数校准过程，迭代终止条件为达到优化的迭代次数或实际信号反馈和预设的目标信号反馈误差小于预设阈值。
第二方面，本发明提供一种超导量子芯片参数校准系统，包括：配置于量子云端的模型构建模块、数据收集模块和训练模块，配置于超导量子芯片计算机边缘端侧的校准控制模块和数据发送模块；
所述模型构建模块用于针对具有同一类超导量子芯片的超导量子芯片计算机边缘端侧建立统一的超导量子芯片参数校准模型，并分别下发到超导量子芯片计算机边缘端侧；
所述校准控制模块基于初始化的配置利用超导量子芯片参数校准模型迭代的进行参数校准获得参数校准情况作为训练数据；
所述数据发送模块将训练数据发送给量子云端；
所述数据收集模块用于获取训练数据；
所述训练模块利用训练数据训练校准优化模型，并将校准优化模型下发给超导量子芯片计算机边缘端侧；所述校准控制模块基于校准优化模型的优化配置进行待校准参数的校准。
第三方面，本发明提供一种超导量子芯片参数校准装置，包括：至少一处理单元、存储单元和总线单元，总线单元连接处理单元和存储单元，存储单元存储计算机程序，处理单元执行所述计算机程序实现所述的超导量子芯片参数校准方法。
第四方面，本发明提供一种实现超导量子芯片参数校准方法的存储介质，所述存储介质存储计算机程序，所述计算机程序被处理器执行时实现所述的超导量子芯片参数校准方法。
本发明实施例提供的上述技术方案与现有技术相比具有如下优点：
本申请中量子云端在超导量子芯片计算机边缘端侧利用超导量子芯片参数校准模型迭代的进行参数校准获得参数校准情况作为训练数据；通过训练数据对校准优化模型进行训练，量子云端将训练的校准优化模型分发给超导量子芯片计算机边缘端侧，超导量子芯片计算机边缘端侧基于校准优化模型优化的配置迭代的进行参数校准，保证超导量子芯片计算机边缘端侧以优化的方式进行参数校准。能够有效地提高每个超导量子芯片计算机边缘端侧的参数校准效率，而且支持大规模采用同类型超导量子芯片计算机边缘端侧的参数校准，解放人力。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，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超导量子芯片参数校准方法的流程图；
图2为本发明实施例提供的超导量子芯片计算机边缘端侧利用超导量子芯片参数校准模型迭代的进行参数校准获得参数校准情况作为训练数据的流程图；
图3为本发明实施例提供的一种超导量子芯片参数校准方法系统的示意图；
图4为本发明实施例提供的一种超导量子芯片参数校准装置的示意图。
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、完整地描述，显然，所描述的实施例是本发明的一部分实施例，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的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。
需要说明的是，在本文中，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。
实施例1
参阅图1所示，本发明提供一种超导量子芯片参数校准方法，包括：
S100，量子云端针对具有同一类超导量子芯片的超导量子芯片计算机边缘端侧建立统一的超导量子芯片参数校准模型，并分别下发到超导量子芯片计算机边缘端侧。
所述超导量子芯片参数校准模型为涉及超导量子芯片全部量子比特的量子逻辑模型，用于在待校准参数作用于超导量子芯片时产生与超导量子芯片全部量子比特相关的反馈信号；超导量子芯片的待校准参数包括腔频参数、比特能谱参数、拉比测量参数、Ramsey测量参数、比特磁场串扰参数以及比特线路延时参数中的一种或多种的组合；其中，拉比测量参数包括：拉比振荡幅值参数和拉比振荡时长参数。
S200，超导量子芯片计算机边缘端侧利用超导量子芯片参数校准模型迭代的进行参数校准获得参数校准情况作为训练数据。
在一种优选地实施方式中，得到训练数据的迭代的进行参数校准的初始条件包括：针对每种待校准参数初始化由大至小多级不同的上下限；以每次校准前的待校准参数为基准利用上下限浮动生成多种待校准参数的范围；按上下限从大到小迭代的选取待校准参数取值范围；初始化选值方式为待校准参数的范围内均匀选值；初始化迭代次数。
具体实施过程中，参阅图2所示，所述超导量子芯片计算机边缘端侧利用超导量子芯片参数校准模型迭代的进行参数校准获得参数校准情况作为训练数据包括：
S201，针对每个待校准参数，采用初始化的最大的上下限确定待校准参数范围。
S202，以初始化的均匀取值的方式获取待校准参数范围内的待校准参数测试值。
S203，将待校准参数测试值作用于超导量子计算机边缘端，并获得在各个待校准参数测试值组合下超导量子芯片参数校准模型的实际信号反馈。
S204，更新待校准参数为与预设的目标信号反馈最接近的实际信号反馈对应的待校准参数测试值；
S205，检测初始化的所有等级的上下限是否均迭代完成；是则终止，否则迭代地执行：
S206，采用相比上次采用上下限较小的上下限，更新待校准参数取值范围。
S207，以校准优化模型优化的选择方式获取待校准参数范围内的待校准参数测试值。
S208，将待校准参数测试值作用于超导量子计算机边缘端，并获得在各个待校准参数测试值组合下超导量子芯片参数校准模型的实际信号反馈。
S209，更新待校准参数为与预设的目标信号反馈最接近的实际信号反馈对应的待校准参数测试值。
S300，每隔设定时间，超导量子芯片计算机边缘端侧向量子云端反馈训练数据。具体实施过程中，超导量子芯片计算机边缘端侧向量子云端反馈训练数据时，将参数校准情况、超导量子芯片计算机边缘端侧名称、采用的超导量子芯片参数校准模型版本打包发送给量子云端；量子云端根据第二映射将超导量子芯片参数校准模型版本对应的参数校准情况处理成相应校准优化模型的输入数据；第二映射为量子云端建立校准优化模型与量子云端超导量子芯片参数校准模型版本的关联关系。
作为一种优选地实施方式，所述量子云端将所得到的训练数据进行预处理，预处理包括但不限于训练数据切分，训练数据降维，训练数据的维度处理以满足校准优化模型的输入。
S400，量子云端利用具有同类型超导量子芯片的超导量子芯片计算机边缘端侧的训练数据训练得到基于神经网络的校准优化模型，量子云端将校准优化模型下发给具有相应类型超导量子芯片的超导量子芯片计算机边缘端侧。
具体实施过程中，量子云端训练校准优化模型对待校准参数校准过程中不同待校准参数每次迭代的上下限、每次迭代过程中待校准参数取值范围内取值方式、迭代次数进行优化。
对于训练最终得到的校准优化模型，量子云端根据第一映射将校准优化模型发送给相应超导量子芯片计算机边缘端侧。第一映射为量子云端建立的校准优化模型与超导量子芯片计算机边缘端侧名称之间的关联关系。
S500，超导量子芯片计算机边缘端侧基于校准优化模型进行参数校准，保证同一种类型的超导量子芯片计算机边缘端侧参数进行校准时方式最优。超导量子芯片计算机边缘端侧迭代进行待校准参数校准时基于校准优化模型优化的上下限、取值方式和迭代次数控制迭代参数校准过程，迭代终止条件为达到优化的迭代次数或实际信号反馈和预设的目标信号反馈误差小于预设阈值。
实施例2
参阅图3所示，本发明实施例提供一种超导量子芯片参数校准系统，包括：配置于量子云端的模型构建模块、数据收集模块和训练模块，配置于超导量子芯片计算机边缘端侧的校准控制模块和数据发送模块。
所述模型构建模块用于针对具有同一类超导量子芯片的超导量子芯片计算机边缘端侧建立统一的超导量子芯片参数校准模型，并分别下发到超导量子芯片计算机边缘端侧。
所述校准控制模块基于初始化的配置利用超导量子芯片参数校准模型迭代的进行参数校准获得参数校准情况作为训练数据。
所述数据发送模块将训练数据发送给量子云端。
所述数据收集模块用于获取训练数据。
所述训练模块利用训练数据训练校准优化模型，并将训练得到的校准优化模型下发给超导量子芯片计算机边缘端侧。
所述校准控制模块基于校准优化模型的优化配置迭代的进行待校准参数的校准。
实施例3
参阅图4所示，本发明实施例提供一种超导量子芯片参数校准装置，包括：至少一处理单元、存储单元和总线单元，总线单元连接处理单元和存储单元，存储单元存储计算机程序，处理单元执行所述计算机程序实现所述的超导量子芯片参数校准方法。
实施例4
本发明实施例提供一种实现超导量子芯片参数校准方法的存储介质，所述存储介质存储计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述的超导量子芯片参数校准方法。
在本发明所提供的实施例中，应该理解到，所揭露的结构和方法，可以通过其它的方式实现。例如，以上所描述的结构实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，结构或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种超导量子芯片参数校准方法，其特征在于，包括：量子云端针对具有同一类超导量子芯片的超导量子芯片计算机边缘端侧建立统一的超导量子芯片参数校准模型，并分别下发到超导量子芯片计算机边缘端侧；
超导量子芯片计算机边缘端侧利用超导量子芯片参数校准模型迭代的进行参数校准获得参数校准情况作为训练数据，包括：
针对每个待校准参数，采用初始化的最大的上下限，以初始化的均匀取值的方式获取待校准参数范围内的待校准参数测试值后，将待校准参数测试值作用于超导量子计算机边缘端，并获得在各个待校准参数测试值组合下超导量子芯片参数校准模型的实际信号反馈，更新待校准参数为与预设的目标信号反馈最接近的实际信号反馈对应的待校准参数测试值；迭代地执行：采用相比上次采用上下限较小的上下限，更新待校准参数取值范围，以校准优化模型优化的选择方式获取待校准参数范围内的待校准参数测试值后，将待校准参数测试值作用于超导量子计算机边缘端，并获得在各个待校准参数测试值组合下超导量子芯片参数校准模型的实际信号反馈；更新待校准参数为与预设的目标信号反馈最接近的实际信号反馈对应的待校准参数测试值，直至全部上下限均迭代完成；
每隔设定时间，超导量子芯片计算机边缘端侧向量子云端反馈训练数据；量子云端利用具有同类型超导量子芯片的超导量子芯片计算机边缘端侧的训练数据训练得到基于神经网络的校准优化模型，量子云端将校准优化模型下发给具有相应类型超导量子芯片的超导量子芯片计算机边缘端侧，超导量子芯片计算机边缘端侧基于校准优化模型进行参数校准，保证超导量子芯片计算机边缘端侧以优化的方式进行参数校准。
2.根据权利要求1所述的超导量子芯片参数校准方法，其特征在于，超导量子芯片的待校准参数包括腔频参数、比特能谱参数、拉比测量参数、Ramsey测量参数、比特磁场串扰参数以及比特线路延时参数中的一种或多种的组合；其中，拉比测量参数包括：拉比振荡幅值参数和拉比振荡时长参数。
3.根据权利要求1所述的超导量子芯片参数校准方法，其特征在于，得到训练数据的迭代的进行参数校准的初始条件包括：初始化由大至小多级不同的上下限；以每次校准前的待校准参数为基准利用上下限浮动生成多种待校准参数的范围；按上下限从大到小迭代的选取待校准参数取值范围；初始化选值方式为待校准参数的范围内均匀选值；初始化迭代次数。
4.根据权利要求1所述的超导量子芯片参数校准方法，其特征在于，超导量子芯片计算机边缘端侧向量子云端反馈训练数据时，将参数校准情况、超导量子芯片计算机边缘端侧名称、采用的超导量子芯片参数校准模型版本打包发送给量子云端；量子云端建立校准优化模型与超导量子芯片计算机边缘端侧名称的第一映射，量子云端建立校准优化模型与量子云端超导量子芯片参数校准模型版本的第二映射，根据第二映射将超导量子芯片参数校准模型版本对应的参数校准情况处理成相应校准优化模型的输入数据；根据第一映射将校准优化模型发送给相应超导量子芯片计算机边缘端侧。
5.根据权利要求1所述的超导量子芯片参数校准方法，其特征在于，量子云端训练校准优化模型对待校准参数校准过程中不同待校准参数每次迭代的上下限、每次迭代过程中待校准参数取值范围内取值方式、迭代次数进行优化。
6.根据权利要求1所述的超导量子芯片参数校准方法，其特征在于，超导量子芯片计算机边缘端侧迭代进行待校准参数校准时基于校准优化模型优化的上下限、取值方式和迭代次数控制迭代参数校准过程，迭代终止条件为达到优化的迭代次数或实际信号反馈和预设的目标信号反馈误差小于预设阈值。
7.一种超导量子芯片参数校准系统，其特征在于，包括：配置于量子云端的模型构建模块、数据收集模块和训练模块，配置于超导量子芯片计算机边缘端侧的校准控制模块和数据发送模块；
所述模型构建模块用于针对具有同一类超导量子芯片的超导量子芯片计算机边缘端侧建立统一的超导量子芯片参数校准模型，并分别下发到超导量子芯片计算机边缘端侧；
所述校准控制模块基于初始化的配置利用超导量子芯片参数校准模型迭代的进行参数校准获得参数校准情况作为训练数据，包括：针对每个待校准参数，采用初始化的最大的上下限，以初始化的均匀取值的方式获取待校准参数范围内的待校准参数测试值后，将待校准参数测试值作用于超导量子计算机边缘端，并获得在各个待校准参数测试值组合下超导量子芯片参数校准模型的实际信号反馈，更新待校准参数为与预设的目标信号反馈最接近的实际信号反馈对应的待校准参数测试值；迭代地执行：采用相比上次采用上下限较小的上下限，更新待校准参数取值范围，以校准优化模型优化的选择方式获取待校准参数范围内的待校准参数测试值后，将待校准参数测试值作用于超导量子计算机边缘端，并获得在各个待校准参数测试值组合下超导量子芯片参数校准模型的实际信号反馈；更新待校准参数为与预设的目标信号反馈最接近的实际信号反馈对应的待校准参数测试值，直至全部上下限均迭代完成；
所述数据发送模块将训练数据发送给量子云端；
所述数据收集模块用于获取训练数据；
所述训练模块利用训练数据训练校准优化模型，并将校准优化模型下发给超导量子芯片计算机边缘端侧；所述校准控制模块基于校准优化模型的优化配置进行待校准参数的校准。
8.一种超导量子芯片参数校准装置，其特征在于，包括：至少一处理单元、存储单元和总线单元，总线单元连接处理单元和存储单元，存储单元存储计算机程序，处理单元执行所述计算机程序实现如权利要求1-6任一所述的超导量子芯片参数校准方法。
9.一种实现超导量子芯片参数校准方法的存储介质，所述存储介质存储计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任一所述的超导量子芯片参数校准方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211259426.XA CN115660095B (zh) | 2022-10-14 | 2022-10-14 | 一种超导量子芯片参数校准方法、系统、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211259426.XA CN115660095B (zh) | 2022-10-14 | 2022-10-14 | 一种超导量子芯片参数校准方法、系统、装置及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115660095A CN115660095A (zh) | 2023-01-31 |
| CN115660095B true CN115660095B (zh) | 2024-08-06 |
Family
ID=84988358
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211259426.XA Active CN115660095B (zh) | 2022-10-14 | 2022-10-14 | 一种超导量子芯片参数校准方法、系统、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115660095B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111722084A (zh) * | 2020-06-29 | 2020-09-29 | 济南浪潮高新科技投资发展有限公司 | 一种超导量子芯片参数自动校准方法及相关组件 |
| CN113011594A (zh) * | 2021-03-26 | 2021-06-22 | 合肥本源量子计算科技有限责任公司 | 量子比特的校准方法及装置、量子计算机 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2017442682C1 (en) * | 2017-12-14 | 2021-10-14 | Google Llc | Qubit calibration |
| CN113240122A (zh) * | 2021-04-09 | 2021-08-10 | 合肥本源量子计算科技有限责任公司 | 量子计算机操作系统以及量子计算机 |
| CN113516247A (zh) * | 2021-05-20 | 2021-10-19 | 阿里巴巴新加坡控股有限公司 | 参数校准方法、量子芯片的控制方法、装置及系统 |
| CN114186693B (zh) * | 2021-11-15 | 2024-08-30 | 浪潮集团有限公司 | 一种量子操作系统的调度方法、系统、装置及计算机介质 |
| CN114842263A (zh) * | 2022-05-10 | 2022-08-02 | 中国计量大学 | 基于知识进化深度学习模型的激光与芯片对准系统 |
-
2022
- 2022-10-14 CN CN202211259426.XA patent/CN115660095B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111722084A (zh) * | 2020-06-29 | 2020-09-29 | 济南浪潮高新科技投资发展有限公司 | 一种超导量子芯片参数自动校准方法及相关组件 |
| CN113011594A (zh) * | 2021-03-26 | 2021-06-22 | 合肥本源量子计算科技有限责任公司 | 量子比特的校准方法及装置、量子计算机 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115660095A (zh) | 2023-01-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Haghshenas et al. | Variational power of quantum circuit tensor networks | |
| US11636370B2 (en) | Quantum computer with improved continuous quantum generator | |
| AU2020292425B2 (en) | Hybrid quantum-classical computer for bayesian inference with engineered likelihood functions for robust amplitude estimation | |
| US11507872B2 (en) | Hybrid quantum-classical computer system and method for performing function inversion | |
| US11488049B2 (en) | Hybrid quantum-classical computer system and method for optimization | |
| JP7354320B2 (ja) | 量子デバイスのノイズ除去方法および装置、電子機器、コンピュータ可読記憶媒体並びにコンピュータプログラム | |
| US20200005186A1 (en) | Compressed Unsupervised Quantum State Preparation with Quantum Autoencoders | |
| Han et al. | A mean-field optimal control formulation of deep learning | |
| US20200327440A1 (en) | Discrete Optimization Using Continuous Latent Space | |
| US11663513B2 (en) | Quantum computer with exact compression of quantum states | |
| CN113158615A (zh) | 量子门的优化方法、装置、设备及存储介质 | |
| US11157827B2 (en) | Hybrid quantum-classical computer system for parameter-efficient circuit training | |
| Achdou et al. | Mean field type control with congestion (II): An augmented Lagrangian method | |
| CN114372577A (zh) | 用于管理量子系统的状态的方法、设备、装置和介质 | |
| WO2023020487A1 (zh) | 量子程序与量子芯片的映射方法和量子操作系统及计算机 | |
| CN112163601A (zh) | 图像分类方法、系统、计算机设备及存储介质 | |
| KR20200021767A (ko) | 학습된 모델을 이용한 해석 장치 및 이를 위한 방법 | |
| CN114580648B (zh) | 消除广义振幅阻尼噪声的方法及装置、电子设备和介质 | |
| JP2024125311A (ja) | 機械学習のためのカーネル法を用いた量子コンピューティング | |
| WO2022087143A1 (en) | Parameter initialization on quantum computers through domain decomposition | |
| CN115660095B (zh) | 一种超导量子芯片参数校准方法、系统、装置及介质 | |
| CN115168326A (zh) | Hadoop大数据平台分布式能源数据清洗方法及系统 | |
| KR20210122212A (ko) | 이더리움 가상머신의 트랜잭션 처리 방법, 장치, 설비, 프로그램 및 매체 | |
| JP2021185473A (ja) | トポロジー最適化中の材料配分時にソリッドモデルにおいて形状を保持する方法 | |
| US20240070979A1 (en) | Method and apparatus for generating 3d spatial information |
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 |