CN115907019B - 一种用于气象预测的量子计算机 - Google Patents
一种用于气象预测的量子计算机 Download PDFInfo
- Publication number
- CN115907019B CN115907019B CN202310025087.7A CN202310025087A CN115907019B CN 115907019 B CN115907019 B CN 115907019B CN 202310025087 A CN202310025087 A CN 202310025087A CN 115907019 B CN115907019 B CN 115907019B
- Authority
- CN
- China
- Prior art keywords
- quantum
- bit
- node
- data
- qubit
- 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
- 239000002096 quantum dot Substances 0.000 claims abstract description 273
- 238000012549 training Methods 0.000 claims description 60
- 230000006870 function Effects 0.000 claims description 45
- 238000005259 measurement Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 22
- 238000012545 processing Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 7
- 230000005283 ground state Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003139 buffering effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005610 quantum mechanics Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Landscapes
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本申请公开了一种用于气象预测的量子计算机,应用于机器学习技术领域,量子网络包括依次连接的a个节点,用于输出对应于待预测时序数据的预测结果。任意相邻的2个节点之一所使用的n位数据编码量子比特线路,与另1节点所使用的n位数据暂存量子比特线路为相同的n位量子线路;节点的n位数据编码量子比特线路用于得到n位时序数据输入量子比特,n位数据暂存量子比特线路用于接收前一节点所输出的n位量子比特;节点中设置有交换模块,观测模块以及用于实现变分量子算法的变分量子模块。应用本申请的方案,可以设置足够量子线路深度的量子网络,实现对于时序数据的有效处理,且不会受到量子比特退相干时间较低所带来的影响。
Description
技术领域
本发明涉及机器学习技术领域,特别是涉及一种用于气象预测的量子计算机。
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> 。该公式中的α和β为复数,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。例如对于该公式中的量子比特而言,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2N种基态,系统状态可表示为基态的线性叠加。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。
然而,由于量子计算仍处于发展的初期阶段,量子比特退相干时间较低。量子比特退相干时间是指,当把量子比特制备到除|0>以外的量子态时,量子比特所保存的量子信息衰减到1/e的时间,可以理解为量子信息的“存活”时间。因此,在量子比特退相干时间的影响下,仍然无法利用量子计算机来运行深度较深的量子线路,并获得有价值的计算结果。在此背景下,当前最热门的量子计算算法研究领域为变分量子算法,也就是利用含参数的量子门来组成变分量子线路,根据量子线路的读取结果以及所要处理的实际问题定义好损失函数,再利用经典计算机来处理变分量子线路的优化过程。经典计算机的加入构成了经典-量子混合计算模型,并且由于将部分计算任务移交给了经典计算机,量子计算机上所运行的量子线路深度得到了一定程度的减轻,但是,仍然无法满足部分对于量子线路深度有高要求的场合的使用需求。
时序数据处理对于量子线路深度有高要求,在许多人工智能技术领域中都有所应用,例如气象预测、股价走向等。目前,缺乏一种能够处理时序数据的量子神经网络。
综上所述,如何有效地通过量子网络实现对于时序数据的处理,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一种用于气象预测的量子计算机,以有效地通过量子网络实现对于气象数据的处理。
为解决上述技术问题,本发明提供如下技术方案:
一种量子网络,包括依次连接的第1节点至第a节点,a为不小于1的正整数,n为正整数,i为正整数且1≤i≤a;
针对任意2个相邻节点,其中1个节点所使用的n位数据编码量子比特线路,与另1个节点所使用的n位数据暂存量子比特线路为相同的n位量子线路;第i节点的n位所述数据编码量子比特线路用于:接收当前输入至量子网络的时序数据中的第i时间节点的时序数据,并将接收的所述时序数据转换为n位时序数据输入量子比特;第1节点的n位所述数据暂存量子比特线路用于:接收n位|0>态量子比特;第2节点至第a节点中的任意节点的n位所述数据暂存量子比特线路均用于:接收前一节点所输出的n位量子比特;
各所述节点均设置有交换模块,观测模块以及用于实现变分量子算法的变分量子模块;第i节点的所述交换模块用于:针对第i节点的所述变分量子模块所输出的2n位量子比特,将位于第i节点的所述数据编码量子比特线路上的n位量子比特,与位于第i节点的所述数据暂存量子比特线路上的n位量子比特进行交换,且将完成了交换之后的所述数据编码量子比特线路上的n位量子比特作为第i节点的所输出的n位量子比特;
第1节点至第a-1节点中的任意节点的所述观测模块均用于:对完成了交换之后的所述数据暂存量子比特线路所输出的n位量子比特进行观测;第a节点的所述观测模块用于:对第a节点完成了交换之后的所述数据编码量子比特线路所输出的n位量子比特进行观测,以将观测结果作为所述量子网络所输出的对应于当前输入的时序数据的预测结果。
优选的,第i节点的n位所述数据编码量子比特线路具体用于:
接收当前输入至量子网络的时序数据中的第i时间节点的时序数据;
对接收的第i时间节点的时序数据进行编码,并作用到n位|0>态量子比特上,以得到n位时序数据输入量子比特。
优选的,所述对接收的第i时间节点的时序数据进行编码,包括:
通过旋转操作,对接收的第i时间节点的时序数据进行编码。
优选的,所述旋转操作为绕X轴的旋转操作,绕Y轴的旋转操作,以及绕Z轴的旋转操作的任意线性组合。
优选的,针对第2节点至第a节点中的任意节点,该节点的n位所述数据编码量子比特线路所使用的n位|0>态量子比特,为对前一节点的观测模块所输出的n位量子比特进行重置操作之后,所得到的n位|0>态量子比特。
优选的,第i节点的n位所述数据编码量子比特线路还用于:
在接收当前输入至量子网络的时序数据中的第i时间节点的时序数据之后,基于预设的第一函数,对接收的第i时间节点的时序数据进行数值调整;
相应的,所述对接收的第i时间节点的时序数据进行编码,包括:
将调整之后得到的时序数据进行编码,并且作用到n位|0>态量子比特上,以得到n位时序数据输入量子比特。
优选的,所述第一函数为反三角函数。
优选的,所述反三角函数具体为反余弦函数。
优选的,当前输入至量子网络的时序数据的维度为d,n等于d。
优选的,当前输入至量子网络的时序数据的维度为d,n等于d的倍数。
优选的,所述变分量子模块具体为基于参数移位规则的梯度下降优化算法的变分量子模块。
优选的,第i节点的所述变分量子模块具体用于:
针对第i节点的n位所述数据暂存量子比特线路中的每1位数据暂存量子比特线路,第i节点的n位所述数据编码量子比特线路依次对该位数据暂存量子比特线路进行预设的第一作用操作;
其中,所述第一作用操作表示的是:先以数据编码量子比特线路中的量子比特作为控制比特,作用CNOT门到数据暂存量子比特线路上,再对数据暂存量子比特线路上的CNOT门输出进行旋转操作,最后以数据编码量子比特线路中的量子比特作为控制比特,作用CNOT门到数据暂存量子比特线路上的该旋转操作的输出上;
在第一作用操作之后,针对第i节点的n位所述数据编码量子比特线路中的每1位数据编码量子比特线路,由该位数据编码量子比特线路所对应的1位数据暂存量子比特线路对该位数据编码量子比特线路进行预设的第二作用操作;
其中,所述第二作用操作表示的是:以数据暂存量子比特线路中的量子比特作为控制比特,作用CNOT门到数据编码量子比特线路上。
一种时序数据预测方法,包括:
获取1个批次的训练样本并进行量子网络的训练,通过统计得到第a节点的测量输出期望值;
基于所述测量输出期望值以及设定的损失函数,确定出梯度数据;
利用确定出的所述梯度数据对所述量子网络进行参数更新,直至训练完成;
在训练完成之后,接收待预测时序数据并输出对应于所述待预测时序数据的预测结果;
其中,所述量子网络为如上述所述的量子网络。
优选的,所述量子网络训练完成的触发条件为:所述量子网络收敛。
优选的,所述量子网络是否收敛的判断条件为:代价函数值是否小于设定的第一阈值;
所述代价函数值为各次训练所得的损失函数值的平均值。
优选的,所述量子网络训练完成的触发条件为:进行所述量子网络训练的次数达到了设定的次数阈值。
优选的,对于各个批次的训练样本,为通过长度为a的滑动窗口所确定出的训练样本。
优选的,设定的损失函数loss表示为:loss=(x t -<Z>)2;
其中,x t 表示的是本批次的训练样本的标签值,<Z>表示的是统计得到第a节点的测量输出期望值。
优选的,利用确定出的所述梯度数据对所述量子网络进行参数更新,包括:
通过y t+1=y t -ηδ r 对所述量子网络进行参数更新;
其中,y t 表示的是进行第t次训练之后的量子网络的参数,y t+1表示的是进行第t+1次训练之后的量子网络的参数,η表示的是学习率,δ r 表示的是梯度数据。
一种量子计算机,包括如上述所述的量子网络。
应用本发明实施例所提供的技术方案,设置了a个节点串联连接的量子网络结构,即量子网络包括第1节点至第a节点,本申请的量子网络可以在训练完成之后,接收待预测时序数据并输出对应于待预测时序数据的预测结果。在本申请的量子网络中,针对任意2个相邻节点,其中1个节点所使用的n位数据编码量子比特线路,与另1个节点所使用的n位数据暂存量子比特线路为相同的n位量子线路,通过这样的线路结构设计,以及节点的交换模块和观测模块的设计,使得本申请的方案可以避免量子比特退相干时间较低而对量子线路深度造成影响的情况。
具体的,第i节点的n位数据编码量子比特线路可以接收当前输入至量子网络的时序数据中的第i时间节点的时序数据,并将接收的时序数据转换为n位时序数据输入量子比特。而第1节点的n位数据暂存量子比特线路用于:接收n位|0>态量子比特;第2节点至第a节点中的任意节点的n位数据暂存量子比特线路均用于:接收前一节点所输出的n位量子比特。可以看出,本申请设置了2类线路,即n位数据编码量子比特线路和n位数据暂存量子比特线路,且各个节点均是使用这2n位量子比特线路。
在节点的变分量子模块实现变分量子算法之后,节点的交换模块将节点的n位数据编码量子比特线路的量子比特,与n位数据暂存量子比特线路的量子比特进行了交换,而第1节点至第a-1节点中的任意节点的观测模块则会对完成了交换之后的数据暂存量子比特线路所输出的n位量子比特进行观测,观测会使得量子比特由任意量子态塌缩到某个投影基矢,丢失量子信息,但是也相当于实现了被观测的量子线路的量子比特退相干时间的重置。而n位数据暂存量子比特线路上的反映了本节点的数据处理结果的内容,被交换到了本节点的n位数据编码量子比特线路上且输出给了下一个节点,因此使得观测操作不会让有效信息丢失。
而由于针对任意相邻的2个节点,其中1个节点所使用的n位数据编码量子比特线路,与另1个节点所使用的n位数据暂存量子比特线路为相同的n位量子线路。因此,经过任意相邻的2个节点的观测之后,让n位数据编码量子比特线路和n位数据暂存量子比特线路的量子比特退相干时间都进行了重置。也就是使得本申请的方案可以设置足够数量的节点,实现所需要的量子线路深度,同时,不会受到量子比特退相干时间较低所带来的影响。
综上所述,本申请可以设置具有足够量子线路深度的量子网络,来实现对于时序数据的有效处理,且不会受到量子比特退相干时间较低所带来的影响。
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为本发明中一种量子网络的结构示意图;
图2为本发明一种具体实施方式中,在当前节点的交换模块之前的数据编码量子比特所经过的操作线路的示意图;
图3为本发明一种具体实施方式中,4位数据编码量子比特与4位时序暂存量子比特组成线路的示意图;
图4为本发明中一种时序数据预测方法的实施流程图。
具体实施方式
本发明的核心是提供一种量子网络,可以设置具有足够量子线路深度的量子网络,来实现对于时序数据的有效处理,且不会受到量子比特退相干时间较低所带来的影响。
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为本发明中一种量子网络的结构示意图,该量子网络包括依次连接的第1节点至第a节点,a为不小于1的正整数。本申请的量子网络可以用于:在训练完成之后,接收待预测时序数据并输出对应于待预测时序数据的预测结果;
针对任意2个相邻节点,其中1个节点所使用的n位数据编码量子比特线路,与另1个节点所使用的n位数据暂存量子比特线路为相同的n位量子线路;n为正整数,是本申请中的数据编码量子比特线路的数量,同时也是本申请中的数据暂存量子比特线路的数量;
第i节点的n位数据编码量子比特线路用于:接收当前输入至量子网络的时序数据中的第i时间节点的时序数据,并将接收的时序数据转换为n位时序数据输入量子比特;i为正整数且1≤i≤a;
第1节点的n位数据暂存量子比特线路用于:接收n位|0>态量子比特;第2节点至第a节点中的任意节点的n位数据暂存量子比特线路均用于:接收前一节点所输出的n位量子比特;
各节点均设置有交换模块20,观测模块30以及用于实现变分量子算法的变分量子模块10;
第i节点的交换模块20用于:针对第i节点的变分量子模块10所输出的2n位量子比特,将位于第i节点的数据编码量子比特线路上的n位量子比特,与位于第i节点的数据暂存量子比特线路上的n位量子比特进行交换,且将完成了交换之后的数据编码量子比特线路上的n位量子比特作为第i节点的所输出的n位量子比特;
第1节点至第a-1节点中的任意节点的观测模块30均用于:对完成了交换之后的数据暂存量子比特线路所输出的n位量子比特进行观测;
第a节点的观测模块30用于:对第a节点完成了交换之后的数据编码量子比特线路所输出的n位量子比特进行观测,以将观测结果作为量子网络所输出的对应于当前输入的时序数据的预测结果。
具体的,本申请的量子网络由a个节点串联而成,a个节点均是量子网络的计算节点。a为不小于1的正整数,但可以理解的是,由于本申请的量子网络需要处理时序数据,因此对于量子线路深度的要求较高,也即所需要的节点数量较多,因此a的取值通常较大,具体数值则可以根据实际场合进行设定。
在图1的实施方式中,示出了3个节点,为了方便描述,例如依次为第5节点,第6节点以及第7节点,且图1中的第5节点并非第1节点,第7节点也并非第a节点,因此在图1的第5节点左侧和第7节点的右侧,使用......来表示剩余的节点。
本申请设置了2类线路,即n位数据编码量子比特线路和n位数据暂存量子比特线路,且各个节点均是使用这2n位量子比特线路。
对于任意1个节点而言,该节点的n位数据编码量子比特线路是用来确定出n位时序数据输入量子比特的。即,第i节点可以是a个节点中的任意1个节点,第i节点的n位数据编码量子比特线路用于:接收当前输入至量子网络的时序数据中的第i时间节点的时序数据,并将接收的时序数据转换为n位时序数据输入量子比特;i为正整数且1≤i≤a;
例如,在某一次执行训练时,训练样本为一段时序数据,表示为;(x1,x2,…,xa),此处的x1便表示的是当前输入至量子网络的时序数据中的第1时间节点的时序数据,相应的,xa便表示的是时序数据中的第a时间节点的时序数据。
以图1的第5节点为例,则该例子中,第5节点的n位数据编码量子比特线路用于接收当前输入至量子网络的时序数据中的第5时间节点的时序数据x5。
时序数据的维度可以为1,也可以大于1,例如当前输入至量子网络的时序数据的维度为d,在图2的具体实施方式中d=2。仍以时序数据x5为例,即时序数据x5包括2个维度数据,例如分别表示为dx5-1和dx5-2。并且可以理解的是,对于该例子中的x1,x2等其他的时序数据,维度d也是2。
接收了当前输入至量子网络的时序数据中的第i时间节点的时序数据之后,便可以将接收的时序数据转换为n位时序数据输入量子比特,具体的转换方式可以根据实际需要进行设定和调整,例如可以通过编码并作用到n位|0>态量子比特上来实现,图1的节点中的R和D便表示的是该过程,其中的D为时序数据编码操作,R为重置操作之后,以得到n位|0>态量子比特。
即在本发明的一种具体实施方式中,第i节点的n位数据编码量子比特线路可以具体用于:
接收当前输入至量子网络的时序数据中的第i时间节点的时序数据;
对接收的第i时间节点的时序数据进行编码,并作用到n位|0>态量子比特上,以得到n位时序数据输入量子比特。
该种实施方式中,对接收的第i时间节点的时序数据采取的是直接编码的实施方式,计算上较为简单方便。例如用函数P表示编码操作,则对上述例子中的第5时间节点的时序数据x5进行编码,可以表示为P(dx5-1)和P(dx5-2)。
编码完成之后的数据并非量子比特,因此需要作用到n位|0>态量子比特上,以得到n位时序数据输入量子比特。例如一种例子中n=2,便是将P(dx5-1)作用到1位|0>态量子比特上,将P(dx5-2)作用到另外1位|0>态量子比特上,从而得到2位的时序数据输入量子比特。
编码操作的具体内容也可以根据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,上文描述的对接收的第i时间节点的时序数据进行编码,可以包括:通过旋转操作,对接收的第i时间节点的时序数据进行编码。
该种实施方式中,具体是通过旋转操作实现编码,是量子网络中较为常用的编码方式,便于方案的实施。
进一步的,在具体实施时,旋转操作可以为绕X轴的旋转操作,绕Y轴的旋转操作,以及绕Z轴的旋转操作的任意线性组合,以保障编码的灵活性。
如上文的描述,在编码完成之后的数据并非量子比特,因此需要作用到n位|0>态量子比特上,本申请进一步的考虑到,对于某个节点而言,通过将前一节点的观测模块30所输出的n位量子比特进行重置操作,便可以方便地得到的n位|0>态量子比特,从而无需引入额外的用于发送n位|0>态量子比特的线路。
即在本发明的一种具体实施方式中,针对第2节点至第a节点中的任意节点,该节点的n位数据编码量子比特线路所使用的n位|0>态量子比特,为对前一节点的观测模块30所输出的n位量子比特进行重置操作之后,所得到的n位|0>态量子比特。
重置操作的作用为:若某个单量子比特的测量结果为|0>,那么重置操作相当于无操作。若某个单量子比特测量结果为|1>,那么重置操作相当于泡利X门,即非门,作用为将量子比特由|1>态制备到|0>态。图1中的R便表示的是重置操作。
例如,假设前一节点的观测模块30所输出的量子比特结果为|0101>,则图2示出了该实施方式中,在当前节点的交换模块20之前的数据编码量子比特所经过的操作线路,图2中的2个X指的是泡利X门,即非门。
在本发明的一种具体实施方式中,第i节点的n位数据编码量子比特线路还用于:
在接收当前输入至量子网络的时序数据中的第i时间节点的时序数据之后,基于预设的第一函数,对接收的第i时间节点的时序数据进行数值调整;
相应的,对接收的第i时间节点的时序数据进行编码,包括:
将调整之后得到的时序数据进行编码,并且作用到n位|0>态量子比特上,以得到n位时序数据输入量子比特。
该种实施方式中,在接收当前输入至量子网络的时序数据中的第i时间节点的时序数据之后,不是直接进行编码,而是会基于预设的第一函数,对接收的第i时间节点的时序数据进行数值调整,这是考虑到部分场合中,基于预设的第一函数进行时序数据的数值调整之后,会更方便后续的旋转等操作,因此设置了第一函数来进行时序数据的数值调整。
第一函数的具体形式可以根据实际需要进行设定和调整,例如目前的部分场合中,时序数据与角度相关,因此第一函数可以具体为反三角函数,即反三角函数是目前较为常用的第一函数的形式。
进一步的,在实际应用中,反三角函数通常具体为反余弦函数。在图2的实施方式中,也是采用的该种实施方式,即针对上述例子中的第5时间节点的时序数据x5进行编码,可以表示为P[arccos(dx5-1)]和P[arccos(dx5-2)]。
需要说明的是,由于当前输入至量子网络的时序数据的维度为d,因此n至少为d,并且在实际应用中,较为简单的实施方式是设置n等于d,易于实现。
当然,部分实施方式中,为了保障方案的灵活性,n也可以等于d的倍数。例如图2以及后文图3的实施方式中,n=4,d=2,即n为d的2倍。
此外可以理解的是,当n=d时,在节点的n位数据编码量子比特线路上,直接将接收的d位时序数据转换为n位时序数据输入量子比特即可。而如果n为d的倍数,则对于接收的d位时序数据中的每一位,均需要使用n/d次,便可以转换为转换为n位时序数据输入量子比特。例如图2的实施方式中,dx5-1和dx5-2均使用了2次,又如另一场合中如果n=6,则dx5-1和dx5-2各需要使用3次。
第2节点至第a节点中的任意节点的n位数据暂存量子比特线路均用于:接收前一节点所输出的n位量子比特。而第1节点由于没有前一节点所输出的n位量子比特,因此,第1节点的n位数据暂存量子比特线路接收的是n位|0>态量子比特。
各节点均设置有交换模块20,观测模块30以及用于实现变分量子算法的变分量子模块10。变分量子模块10也可以称为Ansatz,或者变分量子线路,其中包含了可变参数组成的量子门操作。具体的,可以根据基于Parameter-shift rule的梯度下降优化算法,可寻找变分量子门参数的最优值。即在本发明的一种具体实施方式中,变分量子模块10具体为基于参数移位规则的梯度下降优化算法的变分量子模块10。
在本发明的一种具体实施方式中,第i节点的变分量子模块10具体用于:
针对第i节点的n位数据暂存量子比特线路中的每1位数据暂存量子比特线路,第i节点的n位数据编码量子比特线路依次对该位数据暂存量子比特线路进行预设的第一作用操作;
其中,第一作用操作表示的是:先以数据编码量子比特线路中的量子比特作为控制比特,作用CNOT门到数据暂存量子比特线路上,再对数据暂存量子比特线路上的CNOT门输出进行旋转操作,最后以数据编码量子比特线路中的量子比特作为控制比特,作用CNOT门到数据暂存量子比特线路上的该旋转操作的输出上;
在第一作用操作之后,针对第i节点的n位数据编码量子比特线路中的每1位数据编码量子比特线路,由该位数据编码量子比特线路所对应的1位数据暂存量子比特线路对该位数据编码量子比特线路进行预设的第二作用操作;
其中,第二作用操作表示的是:以数据暂存量子比特线路中的量子比特作为控制比特,作用CNOT门到数据编码量子比特线路上。
具体的,可参阅图3,为4位数据编码量子比特与4位时序暂存量子比特组成线路的示例,图3中的虚线框表示的便是Ansatz即变分量子模块10。
第一作用操作指的是2个CNOT门以及1个旋转操作P,而由于图3的例子中n=4,因此,针对第i节点的4位数据暂存量子比特线路中的第1位数据暂存量子比特线路,第i节点的第1位数据编码量子比特线路会对该位数据暂存量子比特线路进行预设的第一作用操作,同样的,第i节点的第2位,第3位以及第4位数据编码量子比特线路都会依次对该位数据暂存量子比特线路进行预设的第一作用操作。因此,针对第i节点的第1位数据暂存量子比特线路,便需要进行4次第一作用操作,这4次第一作用操作中的旋转操作依次在图3中标记为P(y1),P(y2),P(y3)以及P(y4)。此处的y1,y2,y3以及y4均为量子网络的变分参数,图3的例子中共有16个变分参数即y1至y16。
同理,对于第i节点的4位数据暂存量子比特线路中的第2位数据暂存量子比特线路,第3位数据暂存量子比特线路,以及第4位数据暂存量子比特线路,均需要进行4次第一作用操作,因此总共是4×4=16次第一作用操作。因线路大小原因图3中将部分量子逻辑门操作进行了隐藏,即隐藏了部分的第一作用操作所对应的结构。
也就是说,针对该种实施方式中的Ansatz,是将所有数据编码量子比特作用到组成数据暂存量子比特的单比特上,作用方式是以数据编码量子比特为控制比特,作用CNOT门到组成数据暂存量子比特的单比特上,再对单比特作用一个P旋转操作,与上文同理,旋转轴可为X/Y/Z中的任一个或者为绕X/Y/Z轴旋转操作的任意线性组合,之后再次以数据编码量子比特为控制比特,作用CNOT门到相应的单比特上,对所有的数据编码量子比特重复上述过程。同样的,数据暂存量子比特的各个单比特均需要执行上述过程。
之后,针对第i节点的n位数据编码量子比特线路中的每1位数据编码量子比特线路,由该位数据编码量子比特线路所对应的1位数据暂存量子比特线路对该位数据编码量子比特线路进行预设的第二作用操作。
在图3的例子中,针对第i节点的4位数据编码量子比特线路中的第1位数据编码量子比特线路,是由第i节点的第1位数据暂存量子比特线路对该位数据编码量子比特线路进行预设的第二作用操作,第二作用操作也是一个CNOT门操作。同样的,针对第i节点的4位数据编码量子比特线路中的第2位,第3位以及第4位数据编码量子比特线路,是由相对应的第2位,第3位以及第4位数据暂存量子比特线路对其进行第二作用操作。
变分量子模块10之后是交换模块20,交换模块20用于实现Swap操作。即,将第i节点的数据编码量子比特线路上的n位量子比特,与第i节点的数据暂存量子比特线路上的n位量子比特进行交换。
图1和图3中的×—×即表示的交换操作,此外,图1中的线路上的斜线表示该条线可能包含多个量子比特,也即包含n个量子比特。
可以看出,第i节点的数据处理结果反映在第i节点的数据暂存量子比特线路上,通过交换到第i节点的数据编码量子比特线路上,进而输出给下一个节点,使得第i节点的数据处理结果不会丢失。
而交换之后,第1节点至第a-1节点中的任意节点,数据暂存量子比特线路会被观测模块30进行观测,根据量子力学基本原理,对量子比特的投影测量将会使得量子比特由任意量子态塌缩到某个投影基矢。而且,当投影测量中的投影基矢选为泡利Z的本征态,将会在一定概率下测量得到|0>或|1>态,并且量子比特所包含的信息将变为经典信息。图3中的M便是观测操作,作用完M后,处于叠加态的量子比特将会塌缩到某个基态,同时丢失量子信息。
虽然观测会丢失量子信息,但是与此同时,相当于实现了被观测的量子线路的量子比特退相干时间的重置。
而由于针对任意相邻的2个节点,其中1个节点所使用的n位数据编码量子比特线路,与另1个节点所使用的n位数据暂存量子比特线路为相同的n位量子线路。因此,经过任意相邻的2个节点的观测之后,会让n位数据编码量子比特线路和n位数据暂存量子比特线路的量子比特退相干时间都进行重置。
以图1的第5节点和第6节点为例,第5节点的数据处理结果反映在第5节点的数据暂存量子比特线路上,然后被交换到第5节点的数据编码量子比特线路上发送给第6节点。与此同时,第5节点的数据暂存量子比特线路会被观测模块30进行观测,使得第5节点的数据暂存量子比特线路的量子比特退相干时间进行了重置。
第5节点的数据暂存量子比特线路,与第6节点的数据编码量子比特线路为相同的n位量子线路,因此,第6节点的数据处理结果被交换到第6节点的数据编码量子比特线路上发送给第7节点时,发送给第7节点的量子比特的退相干时间,便是此前被第5节点的观测模块30所重置的时间。与此同时,第6节点的数据暂存量子比特线路会被观测模块30进行观测,使得第6节点的数据暂存量子比特线路的量子比特退相干时间进行了重置,以便实现后续第7节点发送给第8节点的量子比特的退相干时间的重置。
此外可以理解的是,对于第a节点的观测模块30,是对第a节点完成了交换之后的数据编码量子比特线路所输出的n位量子比特进行观测,从而将观测结果作为量子网络所输出的对应于当前输入的时序数据的预测结果。也就是说,由于第a节点是最后1个节点,因此需要通过观测模块30观测数据输出,也即观测的是第a节点的数据编码量子比特线路所输出的n位量子比特。
应用本发明实施例所提供的技术方案,设置了a个节点串联连接的量子网络结构,即量子网络包括第1节点至第a节点,本申请的量子网络可以在训练完成之后,接收待预测时序数据并输出对应于待预测时序数据的预测结果。在本申请的量子网络中,针对任意2个相邻节点,其中1个节点所使用的n位数据编码量子比特线路,与另1个节点所使用的n位数据暂存量子比特线路为相同的n位量子线路,通过这样的线路结构设计,以及节点的交换模块20和观测模块30的设计,使得本申请的方案可以避免量子比特退相干时间较低而对量子线路深度造成影响的情况。
具体的,第i节点的n位数据编码量子比特线路可以接收当前输入至量子网络的时序数据中的第i时间节点的时序数据,并将接收的时序数据转换为n位时序数据输入量子比特。而第1节点的n位数据暂存量子比特线路用于:接收n位|0>态量子比特;第2节点至第a节点中的任意节点的n位数据暂存量子比特线路均用于:接收前一节点所输出的n位量子比特。可以看出,本申请设置了2类线路,即n位数据编码量子比特线路和n位数据暂存量子比特线路,且各个节点均是使用这2n位量子比特线路。
在节点的变分量子模块10实现变分量子算法之后,节点的交换模块20将节点的n位数据编码量子比特线路的量子比特,与n位数据暂存量子比特线路的量子比特进行了交换,而第1节点至第a-1节点中的任意节点的观测模块30则会对完成了交换之后的数据暂存量子比特线路所输出的n位量子比特进行观测,观测会使得量子比特由任意量子态塌缩到某个投影基矢,丢失量子信息,但是也相当于实现了被观测的量子线路的量子比特退相干时间的重置。而n位数据暂存量子比特线路上的反映了本节点的数据处理结果的内容,被交换到了本节点的n位数据编码量子比特线路上且输出给了下一个节点,因此使得观测操作不会让有效信息丢失。
而由于针对任意相邻的2个节点,其中1个节点所使用的n位数据编码量子比特线路,与另1个节点所使用的n位数据暂存量子比特线路为相同的n位量子线路。因此,经过任意相邻的2个节点的观测之后,让n位数据编码量子比特线路和n位数据暂存量子比特线路的量子比特退相干时间都进行了重置。也就是使得本申请的方案可以设置足够数量的节点,实现所需要的量子线路深度,同时,不会受到量子比特退相干时间较低所带来的影响。
综上所述,本申请可以设置具有足够量子线路深度的量子网络,来实现对于时序数据的有效处理,且不会受到量子比特退相干时间较低所带来的影响。
相应于上面的量子网络的实施例,本发明实施例还提供了一种时序数据预测方法,可与上文相互对应参照。
该时序数据预测方法可以使用如上述任一实施例中的量子网络中,可参阅图4,包括以下步骤:
步骤S401:获取1个批次的训练样本并进行量子网络的训练,通过统计得到第a节点的测量输出期望值;
步骤S402:基于测量输出期望值以及设定的损失函数,确定出梯度数据;
步骤S403:利用确定出的梯度数据对量子网络进行参数更新,直至训练完成;
步骤S404:在训练完成之后,接收待预测时序数据并输出对应于待预测时序数据的预测结果。
该种实施方式中为较为常用的量子网络的训练方式,便于方案的实施。
进一步的,考虑到时序数据的特性,对于各个批次的训练样本,可以为通过长度为a的滑动窗口所确定出的训练样本。
例如,有一段时序数据(x1,x2,…),其中每一个时间点的x数据的维度为d,目的是预测下一时间步骤的输出,则可以通过长度为a的滑动窗口,将(x1,x2,…,xa),(x2,x3,…,xa+1),(x3,x4,…,xa+2)...作为确定出的各个训练样本。
由于观测会导致量子态的塌缩,因此,每进行1个批次的训练样本的训练时,需要多次观测第a节点的输出,从而通过统计得到第a节点的测量输出期望值<Z>。进而可以基于测量输出期望值以及设定的损失函数,确定出梯度数据,例如在本发明的一种具体实施方式中,设定的损失函数loss可以表示为:loss=(x t -<Z>)2,计算上较为简单方便,易于实施。其中,x t 表示的是本批次的训练样本的标签值,<Z>表示的是统计得到第a节点的测量输出期望值。
例如对于第1个批次的训练样本(x1,x2,…,xa),标签值便是xa+1。而对于第2个批次的训练样本(x2,x3,…,xa+1),标签值便是xa+2。
训练结束的触发方式可以有多种,例如在本发明的一种具体实施方式中,量子网络训练完成的触发条件为:量子网络收敛。又如,在本发明的一种具体实施方式中,量子网络训练完成的触发条件为:进行量子网络训练的次数达到了设定的次数阈值。
该种实施方式中,考虑到量子网络收敛时,说明训练得到的量子网络达到了较好的学习效果,因此可以将其作为训练结束的触发条件,或者作为训练结束的触发条件之一。此外,部分场合中,考虑到进行训练次数达到了设定的次数阈值时,无论是否量子网络收敛,通常均可以结束训练,以避免过拟合,训练时长过长等问题。
在实际应用中,通常是将量子网络收敛,或者进行量子网络的训练次数达到了设定的次数阈值,作为训练结束的触发条件。当然,少部分场合中,可以根据实际需要,将二者同时满足作为训练结束的触发条件。
进一步的,量子网络是否收敛的判断条件可以为:代价函数值是否小于设定的第一阈值;代价函数值为各次训练所得的损失函数值的平均值。该种实施方式中,将各次训练所得的损失函数值的平均值作为代价函数值,计算上非常方便,易于方案的实施。
每当确定出梯度数据时,利用确定出的梯度数据对量子网络进行参数更新的具体方式也可以有多种,例如在本发明的一种具体实施方式中,利用确定出的梯度数据对量子网络进行参数更新,可以包括:
通过y t+1=y t -ηδ r 对量子网络进行参数更新,实现上非常方便。
其中,y t 表示的是进行第t次训练之后的量子网络的参数,y t+1表示的是进行第t+1次训练之后的量子网络的参数,η表示的是学习率,δ r 表示的是梯度数据。
相应于上面的量子网络以及时序数据预测方法的实施例,本发明实施例还提供了一种量子计算机,可以包括如上述任一实施例中的量子网络。
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,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的时序数据预测方法而言,由于其与实施例公开的量子网络相对应,所以描述的比较简单,相关之处参见量子网络的部分说明即可。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 (16)
1.一种用于气象预测的量子计算机,其特征在于,包括:
获取1个批次的训练样本并进行量子网络的训练,通过统计得到第a节点的测量输出期望值;
基于所述测量输出期望值以及设定的损失函数,确定出梯度数据;
利用确定出的所述梯度数据对所述量子网络进行参数更新,直至训练完成;
在训练完成之后,接收待预测时序数据并输出对应于所述待预测时序数据的气象预测的预测结果;
其中,1个批次的训练样本为一段时序数据,且具体为一段气象数据,表示为(x1,x2,…,xa),x1表示的是当前输入至量子网络的气象数据中的第1时间节点的气象数据,x2表示的是当前输入至量子网络的气象数据中的第2时间节点的气象数据,xa表示的是当前输入至量子网络的气象数据中的第a时间节点的气象数据;
其中,所述量子计算机包括所述量子网络,所述量子网络包括依次连接的第1节点至第a节点,a为不小于1的正整数,n为正整数,i为正整数且1≤i≤a;
针对任意2个相邻节点,其中1个节点所使用的n位数据编码量子比特线路,与另1个节点所使用的n位数据暂存量子比特线路为相同的n位量子线路;第i节点的n位所述数据编码量子比特线路用于:接收当前输入至量子网络的时序数据中的第i时间节点的时序数据,并将接收的所述时序数据转换为n位时序数据输入量子比特;第1节点的n位所述数据暂存量子比特线路用于:接收n位|0>态量子比特;第2节点至第a节点中的任意节点的n位所述数据暂存量子比特线路均用于:接收前一节点所输出的n位量子比特;
各所述节点均设置有交换模块,观测模块以及用于实现变分量子算法的变分量子模块;第i节点的所述交换模块用于:针对第i节点的所述变分量子模块所输出的2n位量子比特,将位于第i节点的所述数据编码量子比特线路上的n位量子比特,与位于第i节点的所述数据暂存量子比特线路上的n位量子比特进行交换,且将完成了交换之后的所述数据编码量子比特线路上的n位量子比特作为第i节点的所输出的n位量子比特;
第1节点至第a-1节点中的任意节点的所述观测模块均用于:对完成了交换之后的所述数据暂存量子比特线路所输出的n位量子比特进行观测;第a节点的所述观测模块用于:对第a节点完成了交换之后的所述数据编码量子比特线路所输出的n位量子比特进行观测,以将观测结果作为所述量子网络所输出的对应于当前输入的时序数据的预测结果;
所述变分量子模块具体为基于参数移位规则的梯度下降优化算法的变分量子模块;
第i节点的所述变分量子模块具体用于:
针对第i节点的n位所述数据暂存量子比特线路中的每1位数据暂存量子比特线路,第i节点的n位所述数据编码量子比特线路依次对该位数据暂存量子比特线路进行预设的第一作用操作;
其中,所述第一作用操作表示的是:先以数据编码量子比特线路中的量子比特作为控制比特,作用CNOT门到数据暂存量子比特线路上,再对数据暂存量子比特线路上的CNOT门输出进行旋转操作,最后以数据编码量子比特线路中的量子比特作为控制比特,作用CNOT门到数据暂存量子比特线路上的该旋转操作的输出上;
在第一作用操作之后,针对第i节点的n位所述数据编码量子比特线路中的每1位数据编码量子比特线路,由该位数据编码量子比特线路所对应的1位数据暂存量子比特线路对该位数据编码量子比特线路进行预设的第二作用操作;
其中,所述第二作用操作表示的是:以数据暂存量子比特线路中的量子比特作为控制比特,作用CNOT门到数据编码量子比特线路上。
2.根据权利要求1所述的用于气象预测的量子计算机,其特征在于,第i节点的n位所述数据编码量子比特线路具体用于:
接收当前输入至量子网络的时序数据中的第i时间节点的时序数据;
对接收的第i时间节点的时序数据进行编码,并作用到n位|0>态量子比特上,以得到n位时序数据输入量子比特。
3.根据权利要求2所述的用于气象预测的量子计算机,其特征在于,所述对接收的第i时间节点的时序数据进行编码,包括:
通过旋转操作,对接收的第i时间节点的时序数据进行编码。
4.根据权利要求3所述的用于气象预测的量子计算机,其特征在于,所述旋转操作为绕X轴的旋转操作,绕Y轴的旋转操作,以及绕Z轴的旋转操作的任意线性组合。
5.根据权利要求2所述的用于气象预测的量子计算机,其特征在于,针对第2节点至第a节点中的任意节点,该节点的n位所述数据编码量子比特线路所使用的n位|0>态量子比特,为对前一节点的观测模块所输出的n位量子比特进行重置操作之后,所得到的n位|0>态量子比特。
6.根据权利要求2所述的用于气象预测的量子计算机,其特征在于,第i节点的n位所述数据编码量子比特线路还用于:
在接收当前输入至量子网络的时序数据中的第i时间节点的时序数据之后,基于预设的第一函数,对接收的第i时间节点的时序数据进行数值调整;
相应的,所述对接收的第i时间节点的时序数据进行编码,包括:
将调整之后得到的时序数据进行编码,并且作用到n位|0>态量子比特上,以得到n位时序数据输入量子比特。
7.根据权利要求6所述的用于气象预测的量子计算机,其特征在于,所述第一函数为反三角函数。
8.根据权利要求7所述的用于气象预测的量子计算机,其特征在于,所述反三角函数具体为反余弦函数。
9.根据权利要求1所述的用于气象预测的量子计算机,其特征在于,当前输入至量子网络的时序数据的维度为d,n等于d。
10.根据权利要求1所述的用于气象预测的量子计算机,其特征在于,当前输入至量子网络的时序数据的维度为d,n等于d的倍数。
11.根据权利要求1所述的用于气象预测的量子计算机,其特征在于,所述量子网络训练完成的触发条件为:所述量子网络收敛。
12.根据权利要求1所述的用于气象预测的量子计算机,其特征在于,所述量子网络是否收敛的判断条件为:代价函数值是否小于设定的第一阈值;
所述代价函数值为各次训练所得的损失函数值的平均值。
13.根据权利要求1所述的用于气象预测的量子计算机,其特征在于,所述量子网络训练完成的触发条件为:进行所述量子网络训练的次数达到了设定的次数阈值。
14.根据权利要求1所述的用于气象预测的量子计算机,其特征在于,对于各个批次的训练样本,为通过长度为a的滑动窗口所确定出的训练样本。
15.根据权利要求1所述的用于气象预测的量子计算机,其特征在于,设定的损失函数loss表示为:loss=(xt-<Z>)2;
其中,xt表示的是本批次的训练样本的标签值,<Z>表示的是统计得到第a节点的测量输出期望值。
16.根据权利要求1所述的用于气象预测的量子计算机,其特征在于,利用确定出的所述梯度数据对所述量子网络进行参数更新,包括:
通过yt+1=yt-ηδr对所述量子网络进行参数更新;
其中,yt表示的是进行第t次训练之后的量子网络的参数,yt+1表示的是进行第t+1次训练之后的量子网络的参数,η表示的是学习率,δr表示的是梯度数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310025087.7A CN115907019B (zh) | 2023-01-09 | 2023-01-09 | 一种用于气象预测的量子计算机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310025087.7A CN115907019B (zh) | 2023-01-09 | 2023-01-09 | 一种用于气象预测的量子计算机 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115907019A CN115907019A (zh) | 2023-04-04 |
CN115907019B true CN115907019B (zh) | 2023-11-07 |
Family
ID=86476840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310025087.7A Active CN115907019B (zh) | 2023-01-09 | 2023-01-09 | 一种用于气象预测的量子计算机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115907019B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106685649A (zh) * | 2016-12-15 | 2017-05-17 | 北京航空航天大学 | 一种基于量子纠缠交换的多点协同传输方案 |
CN109416928A (zh) * | 2016-06-07 | 2019-03-01 | 伊路米纳有限公司 | 用于进行二级和/或三级处理的生物信息学系统、设备和方法 |
CN110263991A (zh) * | 2019-06-11 | 2019-09-20 | 北京科技大学 | 一种量子神经网络的股票指数价格预测方法 |
CN113935489A (zh) * | 2021-10-15 | 2022-01-14 | 中国人民解放军战略支援部队信息工程大学 | 基于量子神经网络的变分量子模型tfq-vqa及其两级优化方法 |
CN114173374A (zh) * | 2020-09-11 | 2022-03-11 | 英特尔公司 | 多接入管理服务分组分类和优先级排定技术 |
CN114565021A (zh) * | 2022-01-26 | 2022-05-31 | 四川元匠科技有限公司 | 基于量子循环神经网络的金融资产定价方法、系统及存储介质 |
CN114846480A (zh) * | 2019-11-27 | 2022-08-02 | 亚马逊科技公司 | 支持多种量子计算技术的量子计算服务 |
CN115144934A (zh) * | 2022-06-29 | 2022-10-04 | 合肥本源量子计算科技有限责任公司 | 基于变分量子线路的气象预测方法及相关设备 |
-
2023
- 2023-01-09 CN CN202310025087.7A patent/CN115907019B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109416928A (zh) * | 2016-06-07 | 2019-03-01 | 伊路米纳有限公司 | 用于进行二级和/或三级处理的生物信息学系统、设备和方法 |
CN106685649A (zh) * | 2016-12-15 | 2017-05-17 | 北京航空航天大学 | 一种基于量子纠缠交换的多点协同传输方案 |
CN110263991A (zh) * | 2019-06-11 | 2019-09-20 | 北京科技大学 | 一种量子神经网络的股票指数价格预测方法 |
CN114846480A (zh) * | 2019-11-27 | 2022-08-02 | 亚马逊科技公司 | 支持多种量子计算技术的量子计算服务 |
CN114173374A (zh) * | 2020-09-11 | 2022-03-11 | 英特尔公司 | 多接入管理服务分组分类和优先级排定技术 |
CN113935489A (zh) * | 2021-10-15 | 2022-01-14 | 中国人民解放军战略支援部队信息工程大学 | 基于量子神经网络的变分量子模型tfq-vqa及其两级优化方法 |
CN114565021A (zh) * | 2022-01-26 | 2022-05-31 | 四川元匠科技有限公司 | 基于量子循环神经网络的金融资产定价方法、系统及存储介质 |
CN115144934A (zh) * | 2022-06-29 | 2022-10-04 | 合肥本源量子计算科技有限责任公司 | 基于变分量子线路的气象预测方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115907019A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582491B (zh) | 一种量子线路的构建方法及装置 | |
CN112232513A (zh) | 一种量子态的制备方法及装置 | |
CN112464003B (zh) | 一种图像分类方法及相关装置 | |
CN113850389B (zh) | 一种量子线路的构建方法及装置 | |
CN115144934B (zh) | 基于变分量子线路的气象预测方法及相关设备 | |
CN112633508A (zh) | 一种量子线路的生成方法、装置、存储介质及电子装置 | |
CN112068798A (zh) | 一种实现网络节点重要性排序的方法及装置 | |
CN113222150A (zh) | 一种量子态的变换方法及装置 | |
CN114358295B (zh) | 基于机器学习框架的二分类方法及相关装置 | |
CN115828999A (zh) | 基于量子态振幅变换的量子卷积神经网络构建方法及系统 | |
CN115293254A (zh) | 基于量子多层感知器的分类方法及相关设备 | |
CN115311515A (zh) | 混合量子经典的生成对抗网络的训练方法及相关设备 | |
CN114764620A (zh) | 一种量子卷积操作器 | |
CN115907019B (zh) | 一种用于气象预测的量子计算机 | |
CN114764619A (zh) | 一种基于量子线路的卷积操作方法及装置 | |
CN113222151A (zh) | 一种量子态的变换方法及装置 | |
CN115879562B (zh) | 一种量子程序初始映射的确定方法、装置及量子计算机 | |
CN114511092B (zh) | 一种基于量子线路的图注意力机制实现方法 | |
CN115660096A (zh) | 一种基于多粒子的量子随机行走纠错方法 | |
CN115271076A (zh) | 一种贝叶斯网络对应量子线路的构造方法及装置 | |
CN115983392A (zh) | 量子程序映射关系的确定方法、装置、介质及电子装置 | |
CN115809707A (zh) | 量子比较运算方法、装置、电子装置及基础算术组件 | |
CN114372584B (zh) | 基于机器学习框架的迁移学习方法及相关装置 | |
CN118211815A (zh) | 一种电磁环境检测设备资源调度的智能控制方法 | |
CN116402145B (zh) | W态制备方法、装置、介质及电子装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |