CN116205302A - 基于量子计算的任务处理方法、装置、基态能级确定方法 - Google Patents
基于量子计算的任务处理方法、装置、基态能级确定方法 Download PDFInfo
- Publication number
- CN116205302A CN116205302A CN202310175282.8A CN202310175282A CN116205302A CN 116205302 A CN116205302 A CN 116205302A CN 202310175282 A CN202310175282 A CN 202310175282A CN 116205302 A CN116205302 A CN 116205302A
- Authority
- CN
- China
- Prior art keywords
- quantum
- target
- state
- parameterized
- task
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003672 processing method Methods 0.000 title claims abstract description 31
- 230000005283 ground state Effects 0.000 title claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 33
- 239000000126 substance Substances 0.000 claims abstract description 24
- 238000013507 mapping Methods 0.000 claims abstract description 22
- 239000013076 target substance Substances 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 46
- 238000005457 optimization Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 229910052739 hydrogen Inorganic materials 0.000 description 4
- 239000001257 hydrogen Substances 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000009954 braiding Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012900 molecular simulation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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
- G06N10/20—Models of quantum computing, e.g. quantum circuits or universal quantum computers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Logic Circuits (AREA)
Abstract
本申请涉及量子计算领域,公开了一种基于量子计算的任务处理方法、装置、基态能级确定方法,包括:将杨巴斯特方程映射成具有对称性的基础量子线路;根据目标物质的待解决目标任务中涉及到的比特数量、基础量子线路的比特数量,确定所需的基础量子线路的目标数量;目标物质的分子具有对称结构;组合目标数量的基础量子线路,得到具有对称性的参数化量子线路;基于参数化量子线路处理待解决目标任务。杨巴斯特方程具有对称性,所以基于杨巴斯特方程得到的参数化量子线路可以在量子态演化中保持化学分子的对称特性,在解决关于具有对称分子结构的物质的任务时,可以减少不必要的搜索路径,降低任务求解的复杂度,提高解决效率。
Description
技术领域
本申请涉及量子计算领域,特别是涉及一种基于量子计算的任务处理方法、装置、计算设备、计算机可读存储介质和具有对称分子结构的物质的基态能级确定方法。
背景技术
量子计算指对于多个量子比特进行初始化,然后进行一系列幺正操作(对应于实际体系脉冲操作),然后进行测量分析的过程。由于量子叠加和量子纠缠的存在,量子计算具有并行的优势。利用量子优势进行量子算法设计可以对于一些经典问题的求解达到加速。
基于参数化量子线路的变分量子算法是一类重要的量子算法,广泛应用于分子模拟、组合优化等问题上。该类算法采用经典-量子混合架构。通过参数化量子线路来寻找待求解问题对应的量子态,通过该量子态来求解损失函数的值,通过经典优化器更新参数,最终收敛到损失函数的极值。其中,参数化量子线路的设计,是求解问题的关键。目前在设计参数化量子线路时,通常是基本量子门(如单比特旋转门以及两比特门)的简单组合。对于具有对称分子结构的物质(如水、氢气),目前的参数化量子线路在解决需要解决的问题时,不能充分利用这些物质的内在特性,会增加计算复杂度,从而导致在解决问题时效率比较低。
因此,如何解决上述技术问题应是本领域技术人员重点关注的。
发明内容
本申请的目的是提供一种基于量子计算的任务处理方法、装置、计算设备、计算机可读存储介质和具有对称分子结构的物质的基态能级确定方法,以在解决关于具有对称分子结构的物质的任务时,降低任务求解的复杂度,提高解决效率。
为解决上述技术问题,本申请提供一种基于量子计算的任务处理方法,包括:
将杨巴斯特方程映射成具有对称性的基础量子线路;
根据目标物质的待解决目标任务中涉及到的比特数量、所述基础量子线路的比特数量,确定所需的所述基础量子线路的目标数量;所述目标物质具有对称分子结构;
组合所述目标数量的所述基础量子线路,得到具有对称性的参数化量子线路;
基于所述参数化量子线路处理所述待解决目标任务。
可选的,还包括:
将所述参数化量子线路由量子态初态演化至量子态末态;
确定哈密顿量在所述量子态末态时的期望值,得到关于所述待解决目标任务的损失函数的函数值;
利用所述期望值的参数梯度对所述损失函数中的参数进行迭代优化,直至所述函数值小于预设阈值,并将对应的所述参数作为所述参数化量子线路中的最终参数。
可选的,将所述参数化量子线路由量子态初态演化至量子态末态之前,还包括:
将与所述待解决目标任务对应的原始数据映射为向量;
对所述向量进行归一化处理,确定量子态初态。
可选的,利用所述期望值的参数梯度对所述损失函数中的参数进行迭代优化之前,还包括:
确定所述期望值的参数梯度。
本申请还提供一种基于量子计算的任务处理装置,包括:
第一映射模块,用于将杨巴斯特方程映射成具有对称性的基础量子线路;
第一确定模块,用于根据目标物质的待解决目标任务中涉及到的比特数量、所述基础量子线路的比特数量,确定所需的所述基础量子线路的目标数量;所述目标物质具有对称分子结构;
组合模块,用于组合所述目标数量的所述基础量子线路,得到具有对称性的参数化量子线路;
处理模块,用于基于所述参数化量子线路处理所述待解决目标任务。
可选的,还包括:
演化模块,用于将所述参数化量子线路由量子态初态演化至量子态末态;
第二确定模块,用于确定哈密顿量在所述量子态末态时的期望值,得到关于所述待解决目标任务的损失函数的函数值;
迭代模块,用于利用所述期望值的参数梯度对所述损失函数中的参数进行迭代优化,直至所述函数值小于预设阈值,并将对应的所述参数作为所述参数化量子线路中的最终参数。
可选的,还包括:
第二映射模块,用于将与所述待解决目标任务对应的原始数据映射为向量;
归一化模块,用于对所述向量进行归一化处理,确定量子态初态。
本申请还提供一种计算设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述任一种所述基于量子计算的任务处理方法的步骤。
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一种所述基于量子计算的任务处理方法的步骤。
本申请还提供一种具有对称分子结构的物质的基态能级确定方法,所述基态能级确定方法基于上述任一种所述的方法实现,其中所述待解决目标任务包括物质的基态能级确定。
本申请所提供的一种基于量子计算的任务处理方法,包括:将杨巴斯特方程映射成具有对称性的基础量子线路;根据目标物质的待解决目标任务中涉及到的比特数量、所述基础量子线路的比特数量,确定所需的所述基础量子线路的目标数量;所述目标物质具有对称分子结构;组合所述目标数量的所述基础量子线路,得到具有对称性的参数化量子线路;基于所述参数化量子线路处理所述待解决目标任务。
可见,本申请中在解决关于具有对称结构的物质的任务时,将杨巴斯特方程映射成基础量子线路,然后基于基础量子线路构造具有对称性的参数化量子线路,进而利用参数化量子线路解决目标任务。杨巴斯特方程具有对称性,所以基于杨巴斯特方程得到的参数化量子线路可以在量子态演化中保持化学分子的对称特性,在解决关于具有对称分子结构的物质的任务时,可以减少不必要的搜索路径,降低任务求解的复杂度,提高解决效率。
此外,本申请还提供一种具有上述优点的装置、计算设备和计算机可读存储介质。
附图说明
为了更清楚的说明本申请实施例或现有技术的技术方案,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的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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为本申请实施例所提供的一种基于量子计算的任务处理方法的流程图;
图2为本申请实施例所提供的参数化量子线路中的参数的确定方法的流程图;
图3为本申请实施例所提供的基于量子计算的任务处理方法的框架图;
图4为本申请构建的参数化量子线路的优化结果图;
图5为传统参数化量子线路的优化结果图;
图6为本申请实施例提供的基于量子计算的任务处理装置的结构框图;
图7为本申请实施例提供的计算设备的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面结合附图和具体实施方式对本申请作进一步的详细说明。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
正如背景技术部分所述,目前在设计参数化量子线路时,通常是基本量子门(如单比特旋转门以及两比特门)的简单组合。对于具有对称分子结构的物质,目前的参数化量子线路在解决需要解决的问题时,不能充分利用这些物质的内在特性,会增加计算复杂度,从而导致在解决问题时效率比较低。
有鉴于此,本申请提供一种基于量子计算的任务处理方法,请参考图1,包括:
步骤S101:将杨巴斯特方程映射成具有对称性的基础量子线路。
杨巴斯特方程(Yang-Baxter,YBE)又称杨巴克斯特方程,杨巴斯特方程中的编织算子是通用量子门,与量子纠缠有着密切的关系,杨巴斯特方程可以应用于量子关联和拓扑量子计算。
杨巴斯特方程可以描述为:
R12(u)R23(w)R12(v)=R23(v)R12(w)R23(u) (1)
其中,u和v为光谱参数。
光谱参数的类洛伦兹变换关系为:
w=(u+v)/((1-uv/c2)) (2)
其中,u和v为光谱参数,c为光速。
将u、w、v替换为θ1、θ2、θ3,矩阵R(θi)采用以下形式表示:
则有R12(θ1)R23(θ2)R12(θ3)=R23(θ3)R12(θ2)R23(θ1) (4)
R12(θ1)R23(θ2)R12(θ3)可以用如下量子线路表示:
R(θ)可以拆解为如下形式的量子门:
其中拆解的量子门由单比特门和CNOT门构成,单比特门Rx,y,z(θ)分别表示绕x轴、y轴、z轴旋转θ角。
根据上述内容,将两组杨巴斯特方程类型线路组合在一起得到具有对称性的基础量子线路,基础量子线路A为:
其中满足洛伦兹变换条件:
基础量子线路A是上下对称的,比特数量为4。
步骤S102:根据目标物质的待解决目标任务中涉及到的比特数量、所述基础量子线路的比特数量,确定所需的所述基础量子线路的目标数量;所述目标物质具有对称分子结构。
需要指出的是,本申请中对待解决目标任务不做限定,视情况而定。例如,待解决目标任务可以为求解基态能级等。
待解决目标任务中涉及到的比特数量为4的倍数。
当待解决目标任务中涉及到的比特数量为4时,所需的基础量子线路的目标数量为1;当待解决目标任务中涉及到的比特数量为8时,所需的基础量子线路的目标数量为5;当待解决目标任务中涉及到的比特数量为12时,所需的基础量子线路的目标数量为8;当待解决目标任务中涉及到的比特数量为16时,所需的基础量子线路的目标数量为11;依次类推,当待解决目标任务中涉及到的比特数量大于8,待解决目标任务中涉及到的比特数量每增大4,所需的基础量子线路的目标数量增加3个。
需要说明的是,本申请中对目标物质不做限定,例如可以为水、氢气等化学分子具有对称结构的物质。
步骤S103:组合所述目标数量的所述基础量子线路,得到具有对称性的参数化量子线路。
例如,当目标数量为1时,参数化量子线路即为基础量子线路。
当目标数量为5时,参数化量子线路如下所示,参数化量子线路包括A1、A2、A4、A6、A7共5个基础量子线路,
当目标数量为8时,参数化量子线路如下所示,参数化量子线路包括A1、A2、A3、A4、A5、A6、A7、A8共8个基础量子线路,
当目标数量为更多个时,参数化量子线路依次类推。
步骤S104:基于所述参数化量子线路处理所述待解决目标任务。
处理待解决目标任务的过程可以参考相关技术,本申请中不再详细赘述。
基于杨巴斯特方程对应的基础量子线路构造参数化量子线路,可以保证参数化量子线路中纠缠在子系统的均匀分布,适用于求解具有对称性的问题,相比于一般的参数化量子线路,更加高效。
本实施例中在解决关于具有对称结构的物质的任务时,将杨巴斯特方程映射成基础量子线路,然后基于基础量子线路构造具有对称性的参数化量子线路,进而利用参数化量子线路解决目标任务。杨巴斯特方程具有对称性,所以基于杨巴斯特方程得到的参数化量子线路可以在量子态演化中保持化学分子的对称特性,在解决关于具有对称分子结构的物质的任务时,可以减少不必要的搜索路径,降低任务求解的复杂度,提高解决效率。
在上述实施例的基础上,在本申请的一个实施例中,基于量子计算的任务处理方法还可以包括参数化量子线路中的参数的确定过程,参数化量子线路中的参数的确定方法如图2所示,包括:
步骤S201:将所述参数化量子线路由量子态初态演化至量子态末态。
可选的,在本申请的一个实施例中,将所述参数化量子线路由量子态初态演化至量子态末态之前,还包括:
将与所述待解决目标任务对应的原始数据映射为向量;
对所述向量进行归一化处理,确定量子态初态。
原始数据根据具体的待解决目标任务而定,本申请不做具体限定。例如,当待解决目标任务为求解基态能级时,原始数据为基态信息数据,包括轨道信息、轨道排布信息等。
步骤S202:确定哈密顿量在所述量子态末态时的期望值,得到关于所述待解决目标任务的损失函数的函数值。
目标物质的哈密顿量在量子态末态时的期望值可以在量子计算机中测量得到。相对于传统计算机中以0和1来编码数据,量子计算机采用量子叠加态α|0>+β|1>来进行编码,其中α和β都是复数,且|α|2+|β|2=1,即为量子振幅。
哈密顿量在量子末态的期望值即为损失函数的函数值。
损失函数中的参数与参数化量子线路中的参数相同。
步骤S203:利用所述期望值的参数梯度对所述损失函数中的参数进行迭代优化,直至所述函数值小于预设阈值,并将对应的所述参数作为所述参数化量子线路中的最终参数。
需要说明的是,本申请中对预设阈值不做限定,视情况而定。函数值小于预设阈值,也即期望值小于预设阈值。
还需要说明的是,本申请中对参数优化迭代的方式不做限定,可自行选择。例如,可以采用梯度下降算法等。
每组参数对应得到一个函数值(也即期望值),当损失函数中的参数按照参数梯度逐渐变化,对应的函数值也发生变化。对参数进行迭代优化,目的是得到损失函数的极值。
当函数值小于预设阈值时,与此时函数值对应的参数即为得到的参数化量子线路中的参数。
需要指出的是,步骤S201至步骤S203也是确定基态能级的过程,小于预设阈值的函数值即为基态能级。
本实施例中使用的期望值的参数梯度可以为已经确定完成的,本步骤中直接使用,但是本申请对此并不做限定,在本申请的一个实施例中,利用所述期望值的参数梯度对所述损失函数中的参数进行迭代优化之前,还可以包括:
确定所述期望值的参数梯度。
下面结合图3所示的基于量子计算的任务处理方法的框架图,对本申请中的基于量子计算的任务处理方法进行阐述。
步骤1:将原始数据信息进行预处理,通过映射变换得到包含数据信息的向量;
步骤2:将映射后的向量进行归一化处理,制备成量子态初态;
步骤3:将杨巴斯特方程映射成具有对称性的基础量子线路;
步骤4:将一系列基础量子线路进行组合,得到具有对称性的参数化量子线路;
步骤5:在量子计算机上执行参数化量子线路对应的量子演化过程,由量子初态演化至量子末态;
步骤6:在量子计算机上测量哈密顿量在量子末态时的期望值,得到损失函数;
步骤7:通过经典优化器求解测量到的期望值的参数梯度并对参数化量子线路中参数(损失函数中的参数)进行迭代优化,当哈密顿量的期望值达到最小的时候,量子态同时演化到求解问题的解;
步骤8:使用该参数化量子线路进行信息处理任务。
本申请还提供一种具有对称分子结构的物质的基态能级确定方法,所述基态能级确定方法基于上述任一实施例所述的基于量子计算的任务处理方法实现。作为一种可实施方式,基态能级确定方法包括:
将杨巴斯特方程映射成具有对称性的基础量子线路;
根据目标物质的基态能级中涉及到的比特数量、所述基础量子线路的比特数量,得到确定所述目标物质的基态能级所需的所述基础量子线路的目标数量;所述目标物质具有对称分子结构;
组合所述目标数量的所述基础量子线路,得到具有对称性的参数化量子线路;
基于所述参数化量子线路确定所述目标物质的基态能级。
下面以氢分子的基态能级求解为例,对本申请中根据杨巴斯特方程构建的参数化量子线路和传统的参数化量子线路的求解进行模拟对比。模拟对比中,除了参数化量子线路之外,经典优化算法是相同的,初始参数都是4个0到1的随机数。
氢分子的哈密顿量为:
-0.10828642633408778 -0.045413740730899495[X0 X1 Y2 Y3]+0.045413740730899495[X0 Y1 Y2 X3]+0.045413740730899495[Y0X1 X2 Y3]-0.045413740730899495[Y0 Y1 X2 X3]+0.17287043695155[Z0]+0.1685408730798563[Z0Z1]+0.12056020320710414[Z0 Z2]+0.16597394393800363[Z0 Z3]+0.1728704369515501[Z1]+0.16597394393800363[Z1 Z2]+0.12056020320710414[Z1Z3]-0.22066557903984965[Z2]+0.17467628158972687[Z2 Z3]-0.22066557903984968[Z3]
其中[]表示内部的泡利矩阵做直积运算,省略了单位矩阵。该哈密顿量包含4个比特,因此本申请构建的参数化量子线路为:
传统的参数化量子线路为:
本申请构建的参数化量子线路和传统参数化量子线路需要的参数个数都是4。
通过解析计算,可知该哈密顿量的基态能级是-2.29。将优化的最大迭代次数设为400,截止条件设为-2.25,即损失函数的值小于-2.25时停止。本申请构建的参数化量子线路和传统参数化量子线路的优化结果分别如图4和图5所示,其中,横坐标为迭代次数,纵坐标为损失函数的值。由图4和图5可知,对于本申请中杨巴斯特型的参数化量子线路,大概需要40次可以将损失函数的值优化到预设阈值(-2.25)以下,而传统参数化量子线路在达到最大的迭代次数时,依然不能将损失函数的值优化到预设阈值之下。充分证明了本申请杨巴斯特型参数化量子线路在解决一些具有对称结构问题时的优越性。
需要说明的是,本申请中基态能级确定方法还可以用来确定水分子等其他具有对称分子结构的物质的基态能级。
下面对本申请实施例提供的基于量子计算的任务处理装置进行介绍,下文描述的基于量子计算的任务处理装置与上文描述的基于量子计算的任务处理方法可相互对应参照。
图6为本申请实施例提供的基于量子计算的任务处理装置的结构框图,参照图6基于量子计算的任务处理装置可以包括:
第一映射模块100,用于将杨巴斯特方程映射成具有对称性的基础量子线路;
第一确定模块200,用于根据目标物质的待解决目标任务中涉及到的比特数量、所述基础量子线路的比特数量,确定所需的所述基础量子线路的目标数量;所述目标物质具有对称分子结构;
组合模块300,用于组合所述目标数量的所述基础量子线路,得到具有对称性的参数化量子线路;
处理模块400,用于基于所述参数化量子线路处理所述待解决目标任务。
本实施例的基于量子计算的任务处理装置用于实现前述的基于量子计算的任务处理方法,因此基于量子计算的任务处理装置中的具体实施方式可见前文中的基于量子计算的任务处理方法的实施例部分,例如,第一映射模块100,第一确定模块200,组合模块300,处理模块400,分别用于实现上述基于量子计算的任务处理方法中步骤S101,S 102,S103和S 104,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
可选的,基于量子计算的任务处理装置还包括:
演化模块,用于将所述参数化量子线路由量子态初态演化至量子态末态;
第二确定模块,用于确定哈密顿量在所述量子态末态时的期望值,得到关于所述待解决目标任务的损失函数的函数值;
迭代模块,用于利用所述期望值的参数梯度对所述损失函数中的参数进行迭代优化,直至所述函数值小于预设阈值,并将对应的所述参数作为所述参数化量子线路中的最终参数。
可选的,基于量子计算的任务处理装置还包括:
第二映射模块,用于将与所述待解决目标任务对应的原始数据映射为向量;
归一化模块,用于对所述向量进行归一化处理,确定量子态初态。
可选的,基于量子计算的任务处理装置还包括:
第三确定模块,用于确定所述期望值的参数梯度。
下面对本申请实施例提供的计算设备进行介绍,下文描述的计算设备与上文描述的基于量子计算的任务处理方法可相互对应参照。
如图7所示,本申请还提供一种计算设备,包括:
存储器11,用于存储计算机程序;
处理器12,用于执行所述计算机程序时实现上述任一实施例所述基于量子计算的任务处理方法的步骤。
下面对本申请实施例提供的计算机可读存储介质进行介绍,下文描述的计算机可读存储介质与上文描述的基于量子计算的任务处理方法可相互对应参照。
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一实施例所述基于量子计算的任务处理方法的步骤。
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。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
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申请的范围。
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直接用硬件、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。
以上对本申请所提供的基于量子计算的任务处理方法、装置、计算设备、计算机可读存储介质和具有对称分子结构的物质的基态能级确定方法进行了详细介绍。本文中应用了具体个例对本申请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申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (10)
1.一种基于量子计算的任务处理方法,其特征在于,包括:
将杨巴斯特方程映射成具有对称性的基础量子线路;
根据目标物质的待解决目标任务中涉及到的比特数量、所述基础量子线路的比特数量,确定所需的所述基础量子线路的目标数量;所述目标物质具有对称分子结构;
组合所述目标数量的所述基础量子线路,得到具有对称性的参数化量子线路;
基于所述参数化量子线路处理所述待解决目标任务。
2.如权利要求1所述的基于量子计算的任务处理方法,其特征在于,还包括:
将所述参数化量子线路由量子态初态演化至量子态末态;
确定哈密顿量在所述量子态末态时的期望值,得到关于所述待解决目标任务的损失函数的函数值;
利用所述期望值的参数梯度对所述损失函数中的参数进行迭代优化,直至所述函数值小于预设阈值,并将对应的所述参数作为所述参数化量子线路中的最终参数。
3.如权利要求2所述的基于量子计算的任务处理方法,其特征在于,将所述参数化量子线路由量子态初态演化至量子态末态之前,还包括:
将与所述待解决目标任务对应的原始数据映射为向量;
对所述向量进行归一化处理,确定量子态初态。
4.如权利要求2所述的基于量子计算的任务处理方法,其特征在于,利用所述期望值的参数梯度对所述损失函数中的参数进行迭代优化之前,还包括:
确定所述期望值的参数梯度。
5.一种基于量子计算的任务处理装置,其特征在于,包括:
第一映射模块,用于将杨巴斯特方程映射成具有对称性的基础量子线路;
第一确定模块,用于根据目标物质的待解决目标任务中涉及到的比特数量、所述基础量子线路的比特数量,确定所需的所述基础量子线路的目标数量;所述目标物质具有对称分子结构;
组合模块,用于组合所述目标数量的所述基础量子线路,得到具有对称性的参数化量子线路;
处理模块,用于基于所述参数化量子线路处理所述待解决目标任务。
6.如权利要求5所述的基于量子计算的任务处理装置,其特征在于,还包括:
演化模块,用于将所述参数化量子线路由量子态初态演化至量子态末态;
第二确定模块,用于确定哈密顿量在所述量子态末态时的期望值,得到关于所述待解决目标任务的损失函数的函数值;
迭代模块,用于利用所述期望值的参数梯度对所述损失函数中的参数进行迭代优化,直至所述函数值小于预设阈值,并将对应的所述参数作为所述参数化量子线路中的最终参数。
7.如权利要求6所述的基于量子计算的任务处理装置,其特征在于,还包括:
第二映射模块,用于将与所述待解决目标任务对应的原始数据映射为向量;
归一化模块,用于对所述向量进行归一化处理,确定量子态初态。
8.一种计算设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至4任一项所述基于量子计算的任务处理方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述基于量子计算的任务处理方法的步骤。
10.一种具有对称分子结构的物质的基态能级确定方法,其特征在于,所述基态能级确定方法基于权利要求1至4任一项所述的方法实现,其中所述待解决目标任务包括物质的基态能级确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310175282.8A CN116205302A (zh) | 2023-02-28 | 2023-02-28 | 基于量子计算的任务处理方法、装置、基态能级确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310175282.8A CN116205302A (zh) | 2023-02-28 | 2023-02-28 | 基于量子计算的任务处理方法、装置、基态能级确定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116205302A true CN116205302A (zh) | 2023-06-02 |
Family
ID=86509142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310175282.8A Pending CN116205302A (zh) | 2023-02-28 | 2023-02-28 | 基于量子计算的任务处理方法、装置、基态能级确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116205302A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116913402A (zh) * | 2023-09-14 | 2023-10-20 | 国开启科量子技术(北京)有限公司 | 基于量子线路模拟生物光电解制氢气的装置、方法、设备及介质 |
-
2023
- 2023-02-28 CN CN202310175282.8A patent/CN116205302A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116913402A (zh) * | 2023-09-14 | 2023-10-20 | 国开启科量子技术(北京)有限公司 | 基于量子线路模拟生物光电解制氢气的装置、方法、设备及介质 |
CN116913402B (zh) * | 2023-09-14 | 2024-01-05 | 国开启科量子技术(北京)有限公司 | 基于量子线路模拟生物光电解制氢气的装置、方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113379057B (zh) | 量子体系基态能量估计方法及系统 | |
Cont et al. | Recovering volatility from option prices by evolutionary optimization | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
GB2547816A (en) | Actually-measured marine environment data assimilation method based on sequence recursive spare filtering three-dimensional variation | |
CN113537501B (zh) | 电磁串扰的标定和缓释方法、装置及电子设备 | |
CN114492814A (zh) | 基于量子计算模拟目标体系能量的方法、装置及介质 | |
CN116205302A (zh) | 基于量子计算的任务处理方法、装置、基态能级确定方法 | |
US11966815B2 (en) | Method and apparatus for constructing quantum circuit corresponding to linear function | |
CN115545947A (zh) | 基于变分量子线路的最优投资组合确定方法及相关装置 | |
CN114358216B (zh) | 基于机器学习框架的量子聚类方法及相关装置 | |
CN115101140A (zh) | 确定分子的基态特征的方法、设备及存储介质 | |
CN113484919B (zh) | 基于卷积神经网络的磁异常反演方法、系统、终端及介质 | |
Thomas et al. | Credit risk modelling using hardware accelerated monte-carlo simulation | |
CN117273109A (zh) | 基于量子神经元的混合神经网络的构建方法及装置 | |
CN116431807A (zh) | 一种文本分类方法、装置、存储介质及电子装置 | |
CN114418108B (zh) | 酉算子编译方法、计算设备、装置及存储介质 | |
CN115392441A (zh) | 量化神经网络模型的片内适配方法、装置、设备及介质 | |
CN115204404A (zh) | 一种抑制费米子系统测量中的错误的方法及装置 | |
CN115456184A (zh) | 量子电路处理方法、量子态制备方法、装置、设备及介质 | |
CN109657795B (zh) | 一种基于属性选择的硬盘故障预测方法 | |
CN115685314A (zh) | 一种地震储层物性参数预测方法及装置 | |
Ma et al. | A new parallel framework algorithm for solving large-scale DEA models | |
CN115169247B (zh) | 储层参数的预测方法、装置和电子设备 | |
CN117529668B (zh) | 用于提供训练数据以使得神经网络能够分析nmr测量中的信号的系统和方法 | |
CN116400430B (zh) | 一种气象数据预测方法、装置、存储介质及电子装置 |
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 |