CN116384498A - 变分量子算法线路的并行训练方法及存储介质 - Google Patents

变分量子算法线路的并行训练方法及存储介质 Download PDF

Info

Publication number
CN116384498A
CN116384498A CN202310664622.3A CN202310664622A CN116384498A CN 116384498 A CN116384498 A CN 116384498A CN 202310664622 A CN202310664622 A CN 202310664622A CN 116384498 A CN116384498 A CN 116384498A
Authority
CN
China
Prior art keywords
quantum
gradient
vqa
computing node
parameter
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.)
Granted
Application number
CN202310664622.3A
Other languages
English (en)
Other versions
CN116384498B (zh
Inventor
吕川
左芬
李亚麟
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.)
Hefei Micro Era Digital Technology Co ltd
Original Assignee
Shanghai Micro Era Digital Technology Co ltd
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 Shanghai Micro Era Digital Technology Co ltd filed Critical Shanghai Micro Era Digital Technology Co ltd
Priority to CN202310664622.3A priority Critical patent/CN116384498B/zh
Publication of CN116384498A publication Critical patent/CN116384498A/zh
Application granted granted Critical
Publication of CN116384498B publication Critical patent/CN116384498B/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
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Complex Calculations (AREA)

Abstract

本发明涉及一种变分量子算法线路的并行训练方法及存储介质，该方法应用于呈星型拓扑网络布置的中央计算节点和一组量子计算节点，所述中央计算节点为实现经典计算的服务器，量子计算节点为量子计算机。训练方法结合了分布式量子计算系统级以及电路级的两种并行方案，交替训练，利用BFS搜索算法搜索QPU上量子比特分组，基于可靠性或量子位距离分组。本发明加快训练速度，减轻了训练系统内的通信负担，提高训练效率。

Description

变分量子算法线路的并行训练方法及存储介质
技术领域
本发明涉及量子计算领域，尤其涉及一种变分量子算法线路的并行训练方法及存储介质。
背景技术
量子计算是一种遵循量子力学规律调控量子信息单元进行计算的新型计算模式。在传统计算机中，信息量的基本单位是比特，它只能取0或1中的一个值。而在量子计算中，信息量的基本单位是量子比特（quantum qubit），它可以同时取0和1的叠加态。这种叠加态使得量子计算机在某些情况下可以比传统计算机更快地解决复杂问题。
在量子计算的算法中，变分量子算法（VQA，Variational Quantum Algorithms）已成为一种有前途的近期技术，用于探索在噪声中等尺度量子（NISQ，Noisy IntermediateScale Quantum）器件上的实际量子优势。然而，由于存在大量测量成本等原因，变分量子算法VQA线路的训练过程效率低下，这对VQA的大规模开发提出了巨大挑战。
基于此，提出了一种变分量子算法线路的并行训练方法及存储介质。
发明内容
本发明的目的在于克服上述的不足，提供一种变分量子算法线路的并行训练方法及存储介质，以提高变分量子算法线路的训练效率。
本发明的第一方面，提供了一种变分量子算法线路的并行训练方法，应用于呈星型拓扑网络布置的中央计算节点和一组量子计算节点，所述方法包括：
步骤一：每个量子计算节点均获取待训练的变分量子算法VQA线路的线路信息，以使得各个量子计算节点根据该线路信息建立VQA线路；
步骤二：中央计算节点根据量子计算节点数量M，将VQA线路中的参数划分为M个部分；将所有参数的初始值发送给每一量子计算节点，并发送计算第i部分参数
Figure SMS_1
对应的梯度的指令至第i个量子计算节点，i为小于或等于M的正整数；
步骤三：每个量子计算节点响应于对应的所述指令,利用初始值更新本地的VQA线路的参数值，运行所述VQA线路，并基于参数位移算法计算所述VQA线路的运行结果相对于参数
Figure SMS_2
的梯度/>
Figure SMS_3
，基于所述梯度/>
Figure SMS_4
计算预设损失函数相对于参数/>
Figure SMS_5
的梯度
Figure SMS_6
；
步骤四：中央计算节点聚合所有的梯度
Figure SMS_7
，利用自适应矩阵估计优化器对VQA线路的参数进行更新；
步骤五：中央计算节点将更新后的参数值发送至其中一个量子计算节点，测试VQA线路是否收敛，若收敛则停止计算，将当前参数值作为最优参数值以得到优化后的VQA线路，若不收敛，则返回步骤二，继续迭代训练，此时将更新后的参数的参数值代替所述初始值发送至各个量子计算节点以更新各个量子计算节点的VQA线路。
可选地，所述基于所述梯度
Figure SMS_8
计算预设损失函数相对于参数/>
Figure SMS_9
的梯度/>
Figure SMS_10
，包括：
应用链式法则基于梯度
Figure SMS_11
计算预设损失函数相对于参数/>
Figure SMS_12
的梯度/>
Figure SMS_13
；
基于梯度
Figure SMS_14
和公式/>
Figure SMS_15
更新中间梯度/>
Figure SMS_16
，其中，
Figure SMS_17
初始值为0；
建立全为0的Mask向量，所述Mask向量的元素数量与
Figure SMS_18
中分量数量相同；
对于
Figure SMS_19
中的第j个分量，如果该分量的绝对值大于阈值，则令Mask向量中第j个元素的值为1，遍历/>
Figure SMS_20
中的每个分量，得到最终的Mask向量，j为小于或等于/>
Figure SMS_21
中分量数量的正整数；
针对所述梯度
Figure SMS_22
中每一个分量，将该分量与所述Mask向量中对应位置的元素相乘，得到梯度/>
Figure SMS_23
。
可选地，所述针对所述梯度
Figure SMS_24
中每一个分量，将该分量与所述Mask向量中对应位置的元素相乘之后，所述方法还包括：
对所述Mask向量取反；
将取反后的Mask向量中的每一元素与所述梯度
Figure SMS_25
中对应分量相乘，以得到更新后的梯度/>
Figure SMS_26
参与下一次所述公式/>
Figure SMS_27
的运算。
可选地，所述方法还包括：在返回执行所述步骤二时，停止发送计算第i部分参数
Figure SMS_28
对应的梯度的指令至第i个量子计算节点，发送计算第i部分参数/>
Figure SMS_29
对应的梯度的指令至第k个量子计算节点，其中，k=(i+1) mod M。
可选地，所述步骤一中的每个部分参数通过对整个参数集合切片得到。
可选地，所述运行所述VQA线路之前，所述方法还包括：
基于如下等式中的至少一者从量子计算节点的量子比特中搜索符合要求的量子比特：
Figure SMS_30
Figure SMS_31
其中，DM[x，y]是量子比特x和量子比特y之间的最小距离，RM[x，y]是量子比特x和量子比特y之间的最可靠路径，m[y]是量子比特y的测量可靠性，S为搜索到的量子比特集，C为候选量子比特集；
将搜索到的符合要求的量子比特分组，以用于运行所述VQA线路。
可选地，所述量子比特分组的数量根据每个量子计算节点的噪声率以及所述VQA线路所需的量子比特数量进行确定。
可选地，所述中央计算节点和量子计算节点通过经典通信技术或量子通信技术通信。
可选地，所述的各个量子计算节点包括离子阱量子计算机、半导体量子计算机、超导量子计算机和光量子计算机中的一种或多种。
本发明的第二方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一方面中任一项所述方法的步骤。
基于上述技术方案，变分量子算法线路的训练基于中央计算节点和一组量子计算节点实现，每个量子计算节点获取线路信息建立VQA线路，中央计算节点将VQA线路中的参数分组，然后将参数分发给多个量子计算节点，并发送指令指示量子计算节点计算梯度，使得多个量子计算节点同时参与训练任务。之后中央计算节点聚合所有量子计算节点计算的该梯度，并利用优化器更新VQA线路的参数，最后通过测试后得到最终优化后的VQA线路。通过将参数分发给多个量子计算节点并行执行训练任务，使得训练任务被分割后由多个量子计算节点同时分别执行一部分，进而提高了VQA线路的训练效率。
附图说明
下面结合附图对本发明作进一步的说明：
图1是根据一示例性实施例示出的一种并行量子计算系统的示意图。
图2是根据一示例性实施例示出的一种变分量子算法线路的并行训练方法的流程图。
图3是根据一示例性实施例示出的一种电子设备的框图。
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。
图1是根据一示例性实施例示出的一种并行量子计算系统的示意图，包括呈星型拓扑网络布置的中央计算节点和一组量子计算节点，即以中央计算节点为中心，使用单独的线路将中央计算节点与各个量子计算节点连接。参见图1，该系统包括中央计算节点110和本地的量子计算节点121、量子计算节点122、量子计算节点123，中央计算节点可以为实现经典计算的服务器，量子计算节点可以为量子计算机。所述中央计算节点和量子计算节点通过经典通信技术或量子通信技术通信，具体地，经典通信技术可以包括4G，5G，TCP/IP等无线通信技术，量子通信技术可以包括基于BB84等量子密钥分发协议实现的通信技术，本发明对此不做具体限制。在一种实施方式中，中央计算节点数量为1个，量子计算节点的数量为多个，可以视具体训练场景来决定。
在一种实施方式中，所述的各个量子计算节点包括离子阱量子计算机、半导体量子计算机、超导量子计算机和光量子计算机中的一种或多种，以提供系统的兼容性，方便将第三方的量子计算机接入系统进行计算。例如量子计算节点121为离子阱量子计算机、量子计算节点122为超导量子计算机、量子计算节点123为光量子计算机，在另一种实施方式中，三个量子计算节点均为超导量子计算机。
在一种实施方式中，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成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，阿达马门)、泡利-X门（X门，泡利X门）、泡利-Y门（Y门，泡利Y门）、泡利-Z门（Z门，泡利Z门）、RX门（RX旋转门）、RY门（RY旋转门）、RZ门（RZ旋转门）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向量进行计算。例如，量子态右矢|0>对应的向量可以为
Figure SMS_32
，量子态右矢|1>对应的向量可以为/>
Figure SMS_33
。
本发明提供了一种变分量子算法线路的并行训练方法，应用于如图1所示的呈星型拓扑网络布置的中央计算节点和一组量子计算节点，参见图2，该方法包括：
步骤一：每个量子计算节点均获取待训练的变分量子算法VQA线路的线路信息，以使得各个量子计算节点根据该线路信息建立VQA线路；
步骤二：中央计算节点根据量子计算节点数量M，将VQA线路中的参数划分为M个部分；将所有参数的初始值发送给每一量子计算节点，并发送让第i个量子计算节点计算第i部分参数
Figure SMS_34
的梯度的指令，i为小于或等于M的正整数；
步骤三：每个量子计算节点响应于对应的所述指令,利用初始值更新本地的VQA线路的参数值，运行所述VQA线路，并基于参数位移算法计算所述VQA线路的运行结果相对于参数
Figure SMS_35
的梯度/>
Figure SMS_36
，基于所述梯度/>
Figure SMS_37
计算预设损失函数相对于参数/>
Figure SMS_38
的梯度/>
Figure SMS_39
；
步骤四：中央计算节点聚合所有的梯度
Figure SMS_40
，利用自适应矩阵估计优化器对VQA线路的参数进行更新；
步骤五：中央计算节点将更新后的参数值发送至其中一个量子计算节点，测试VQA线路是否收敛，若收敛则停止计算，将当前参数值作为最优参数值以得到优化后的VQA线路，若不收敛，则返回步骤二，继续迭代训练，此时将更新后的参数的参数值代替所述初始值发送至各个量子计算节点以更新各个量子计算节点的VQA线路。
在步骤一中，变分量子算法VQA线路的线路信息包括VQA线路（即变分量子算法线路）的量子比特的数量等信息，以及施加于各个量子比特的量子逻辑门的种类、顺序和数量等信息，根据线路信息可以构建VQA线路。
可以由量子计算节点获取中央计算节点发送的线路信息，当然量子计算节点也可以通过其他方式获取线路信息，例如通过移动存储设备将线路信息导入至量子计算节点，对此本发明不做限制。
步骤一执行完成后，进入执行步骤二，在步骤二中，中央计算节点将VQA线路中的参数
Figure SMS_41
划分为M部分（M为量子计算节点的数量），/>
Figure SMS_42
；其中每个部分参数/>
Figure SMS_43
通过对整个参数集合切片得到，即/>
Figure SMS_44
，d为参数总数。
参数划分好后，对于每一个量子计算节点，中央计算节点均发送所有参数的初始值，并对应发送指令，将计算第1部分参数
Figure SMS_45
对应的梯度的指令发送至第1个量子计算节点，将计算第2部分参数/>
Figure SMS_46
对应的梯度的指令发送至第2个量子计算节点，对应其他量子计算节点依次类推，以保证每个指令均被发送至一个量子计算节点。
步骤二执行完成后，进入执行步骤三。在步骤三中，量子计算节点接收初始值和指令后，利用初始值更新自己本地的VQA线路的参数值，对于第i个量子计算节点，分别运行两次，第一次运行时，将其分配的参数
Figure SMS_47
加上一个偏置量s，得到输出结果/>
Figure SMS_48
,第二次运行时，将其分配的参数/>
Figure SMS_49
减去一个偏置量s,得到输出结果/>
Figure SMS_50
。然后，基于参数位移算法计算VQA线路运行结果f相对于参数/>
Figure SMS_51
的梯度：
Figure SMS_52
举例来讲，第1个量子计算节点分配的参数
Figure SMS_53
具体包括3个参数a、b、c，则可以先针对第一个参数a，将其加上偏置量s运行一次，然后减去偏置量运行一次，再根据上述公式计算f相对于a的梯度，然后按照相同的方法计算f相对于b和c的梯度，进而得到f相对于参数
Figure SMS_54
的梯度。
之后根据预设损失函数的计算公式，基于链式法则计算该预设损失函数相对于参数
Figure SMS_55
的梯度/>
Figure SMS_56
。例如计算预设损失函数相对于VQA线路运行结果f的梯度，再根据链式法则将预设损失函数相对于VQA线路运行结果f的梯度与f相对于参数/>
Figure SMS_57
的梯度/>
Figure SMS_58
相乘，即得到预设损失函数相对于参数/>
Figure SMS_59
的梯度/>
Figure SMS_60
，当然也可以采用其他方式计算，例如对计算过程做一些优化。预设损失函数可以根据实际情况选择，例如可以为均方差损失函数或交叉熵损失函数。
步骤三执行完成后，进入执行步骤四，在步骤四中，每个量子计算节点将自己计算出的预设损失函数相对于参数
Figure SMS_61
的梯度/>
Figure SMS_62
发送至中央计算节点，使得中央计算节点聚合所有的梯度/>
Figure SMS_63
，然后利用自适应矩阵估计优化器（Adam，Adaptive momentestimation）根据梯度/>
Figure SMS_64
进行计算，以对VQA线路的所有参数进行更新。
步骤四执行完成后，进入执行步骤五，在步骤五中，中央计算节点选择某一个量子计算节点，将更新后的参数值发送给该量子计算节点，以使得该量子计算节点利用该参数值更新本地的参数，然后运行本地的VQA线路得到运行结果，用于判断VQA线路是否收敛，具体地，可以计算本次测试过程得到的VQA线路的运行结果与上次测试过程得到的VQA线路的运行结果之间的差值，若差值小于阈值，则判定VQA线路收敛。
若判定VQA线路收敛，则停止包括整个训练过程在内的计算，将当前的参数值即本次计算过程得到的参数值作为最优参数值，利用最优参数值作为VQA线路的参数值，得到优化后的VQA线路。
若判定VQA线路不收敛，则返回步骤二，重复上述过程，进行迭代训练，在返回执行步骤二时，将更新后的参数值代替初始值，发送给每一个量子计算节点，而不再发送初始值，以继续参数值的更新计算，每个量子计算节点利用接收的更新后的参数值来更新本地的参数，得到新的VQA线路并开始新一轮的计算过程，直至最后得到收敛的VQA线路为止。
基于上述技术方案，变分量子算法线路的训练基于中央计算节点和一组量子计算节点实现，每个量子计算节点获取线路信息建立VQA线路，中央计算节点将VQA线路中的参数分组，然后将参数分发给多个量子计算节点，并发送指令指示量子计算节点计算梯度，使得多个量子计算节点同时参与训练任务。之后中央计算节点聚合所有量子计算节点计算的该梯度，并利用优化器更新VQA线路的参数，最后通过测试后得到最终优化后的VQA线路。通过将参数分发给多个量子计算节点并行执行训练任务，使得训练任务被分割后由多个量子计算节点分别同时执行一部分，进而提高了VQA线路的训练效率。
可选地，在步骤三中，基于所述梯度
Figure SMS_65
计算预设损失函数相对于参数/>
Figure SMS_66
的梯度
Figure SMS_67
，包括：
S301，应用链式法则基于梯度
Figure SMS_68
计算预设损失函数相对于参数/>
Figure SMS_69
的梯度
Figure SMS_70
；
S302，基于梯度
Figure SMS_71
和公式/>
Figure SMS_72
更新中间梯度/>
Figure SMS_73
，其中，/>
Figure SMS_74
初始值为0；
S303，建立全为0的Mask向量，所述Mask向量的元素数量与
Figure SMS_75
中分量数量相同；
S304，对于
Figure SMS_76
中的第j个分量，如果该分量的绝对值大于阈值，则令Mask向量中第j个元素的值为1，遍历/>
Figure SMS_77
中的每个分量，得到最终的Mask向量，j为小于或等于
Figure SMS_78
中分量数量的正整数；
S305，针对所述梯度
Figure SMS_79
中每一个分量，将该分量与所述Mask向量中对应位置的元素相乘，得到梯度/>
Figure SMS_80
。
在步骤S301中，计算VQA线路的运行结果相对于参数
Figure SMS_81
的梯度/>
Figure SMS_82
后，可以计算预设损失函数相对于VQA线路的运行结果的梯度，然后根据链式法则将两个梯度相乘得到预设损失函数相对于参数/>
Figure SMS_83
的梯度/>
Figure SMS_84
，为了降低通信带宽，在保证一定训练准确度的情况下提高中央计算节点与量子计算节点的通信效率，后续对梯度/>
Figure SMS_85
进行优化。
梯度
Figure SMS_86
计算完成后，进入执行步骤S302，在步骤S302中，将/>
Figure SMS_87
加上计算出的梯度/>
Figure SMS_88
，再将计算结果替代原本的/>
Figure SMS_89
作为新的中间梯度/>
Figure SMS_90
，/>
Figure SMS_91
初始值为0，即第一次参与加法计算的/>
Figure SMS_92
的值为0。
步骤S302执行完成后，进入执行步骤S303。在步骤S303中，建立Mask向量，该向量为0向量，其元素全为0，且Mask向量的元素数量与
Figure SMS_93
中分量数量相同，便于后续运算。
Mask向量建立好后，进入执行步骤S304，在步骤S304中，将中间梯度
Figure SMS_94
的分量也即其向量中的元素的绝对值与阈值比较，对于第j个分量，如果该分量的绝对值大于阈值，则令Mask向量中第j个元素的值为1，否则保持不变仍然为0，遍历/>
Figure SMS_95
中的每个分量进行该比较运算，得到最终的Mask向量。
步骤S304执行完成后，进入执行步骤S305，将梯度
Figure SMS_96
中每一个分量与Mask向量中对应位置的元素相乘，得到梯度/>
Figure SMS_97
，例如将梯度/>
Figure SMS_98
中第1个分量与Mask向量中第1个元素相乘，第2个分量与第二个元素相乘，其余的依次类推进行逐元素乘法，得到梯度
Figure SMS_99
作为预设损失函数相对于参数/>
Figure SMS_100
的梯度参与后续训练过程。具体运算公式如下：
Figure SMS_101
其中，
Figure SMS_102
表示逐元素乘法。
通过将梯度中绝对值较小的分量置0，减小了用于传输至中央计算节点的梯度的信息量，使得梯度稀疏，进而减少了中央计算节点与量子计算节点的通信带宽，提高了通信效率，节约了通信成本，且保留了数值较大的分量，保证了训练的方向总体正确。
可选地，针对所述梯度
Figure SMS_103
中每一个分量，将该分量与所述Mask向量中对应位置的元素相乘之后，也即步骤S305之后，所述变分量子算法线路的并行训练方法还包括：
对所述Mask向量取反；
将取反后的Mask向量中的每一元素与所述梯度
Figure SMS_104
中对应分量相乘，以得到更新后的梯度/>
Figure SMS_105
参与下一次所述公式/>
Figure SMS_106
的运算。
具体来讲，梯度
Figure SMS_107
计算完成后，梯度/>
Figure SMS_108
的部分分量被舍弃，未参与之前的训练过程，为了使得舍弃部分参与后续训练，先对S304中计算出的Mask向量取反，即将该Mask向量中的0变为1,1变为0。然后将取反后的Mask向量中的每一元素与所述梯度/>
Figure SMS_109
中对应分量相乘，即将相同位置的元素与分量相乘，得到更新后的梯度/>
Figure SMS_110
。如此，可以将上一次被舍弃的梯度/>
Figure SMS_111
的分量加入到下一次计算，进而提高对梯度信息的利用，有利于训练效率的提升。可以采用如下公式计算：
Figure SMS_112
其中，
Figure SMS_113
表示对Mask向量取反，/>
Figure SMS_114
表示逐元素乘法。
可选地，所述变分量子算法线路的并行训练方法还包括：在返回执行所述步骤二时，停止发送计算第i部分参数
Figure SMS_115
对应的梯度的指令至第i个量子计算节点，发送计算第i部分参数/>
Figure SMS_116
对应的梯度的指令至第k个量子计算节点，其中，k=(i+1) mod M。
具体来讲，在下一次迭代返回执行步骤二时，采用交替训练策略，将分配给各个量子计算节点的参数顺序移动一位，使得每个量子计算节点对不同于上次迭代过程的参数部分进行计算，例如让第2个量子计算节点计算第1部分参数。将
Figure SMS_117
分配给第i个量子计算节点定义为：/>
Figure SMS_118
，则交替训练策略可表示为：/>
Figure SMS_119
。
也就是说，我们对可训练参数和量子计算节点之间的对应关系执行循环移位。交替训练策略与训练过程一起重复，这使得每个参数部分
Figure SMS_120
在整个训练过程中由所有量子计算节点依次训练。当本地量子计算节点之间的噪声差异增加时，由于交替训练策略，变分量子算法并行运算的性能下降相对较小。此外，变分量子算法并行运算的性能变得更稳定，因为不同实验的平均值的方差显著更小。这两个优点表明，该策略可以有效地用于减轻不同本地的量子计算节点之间的大噪声差异的负面影响。
可选地，运行所述VQA线路之前，也即步骤三之前，所述变分量子算法线路的并行训练方法还包括：
基于如下等式中的至少一者从量子计算节点的量子比特中搜索符合要求的量子比特：
Figure SMS_121
Figure SMS_122
其中，DM[x，y]是量子比特x和量子比特y之间的最小距离，RM[x，y]是量子比特x和量子比特y之间的最可靠路径，m[y]是量子比特y的测量可靠性，S为搜索到的量子比特集，C为候选量子比特集；
将搜索到的符合要求的量子比特分组，以用于运行所述VQA线路。
具体来讲，为了在量子计算节点的QPU（Quantum Processing Unit，量子计算单元）上运行量子线路实例，需要将物理量子比特分配给每个逻辑量子比特。可以采用基于FW（Floyd-Warshall）路径搜索算法来计算距离矩阵DM和可靠性矩阵RM，并基于上述等式进行搜索，等式为广度优先搜索算法（BFS，breadth-first search）的变体，一次搜索从一个可用的量子比特开始，这是一个大小为1的子图（S）。然后，它将S扩展到其可用的相邻（候选）量子比特（C），直到其足够大以运行量子线路，之后重复该步骤直至分配得到一定数量的量子比特分组，再在每个量子比特分组上建立相同的VQA实例，以并行运算得到多个测量结果。由于量子线路需要运行多次以得到统计上尽量准确的结果，因此通过在每个量子计算节点的QPU分区并行，加快了训练速度。
上述基于RM[x，y]进行计算的第一个等式优先考虑降低噪声率。基于DM[x，y]进行计算的第二个等式优先考虑电路深度的最小化，它将具有最小距离路径的量子比特添加回子图。如果多个候选量子比特具有相同的距离，则第一个等式中的可靠性可以被用作联络断路器（tie breaker）。一般来讲，距离比可靠性更重要，可最大限度地提高连接性，从而减少所需的交换次数，降低量子线路深度。在一种实施方式中，可以仅基于第一个等式或第二个等式进行量子比特搜索，也可以结合两者，优先用第二个等式进行分组，在第二个等式分组无法进行时，采用第一个等式进行分组。
由于图搜索采用贪婪搜索策略，因此每个连续分配的质量都会下降。QPU上物理量子比特的噪声率将决定可以同时运行多少个实例。VQA线路实例的数量可以由用户指定，或者量子计算节点可以根据问题的大小和可用的量子比特的数量进行有根据的猜测。故量子比特分组的数量可以根据每个量子计算节点的噪声率以及所述VQA线路所需的量子比特数量进行确定。例如噪声率较高时，可以提高分组的数量，以降低噪声影响。
图3是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图3，电子设备1900包括处理器1922，其数量可以为一个或多个，以及存储器1932，用于存储可由处理器1922执行的计算机程序。存储器1932中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器1922可以被配置为执行该计算机程序，以执行上述的变分量子算法线路的并行训练方法。具体地，前述并行量子计算系统中的中央计算节点可以被配置为该电子设备1900，以执行上述变分量子算法线路的并行训练方法中中央计算节点所执行的步骤。并行量子计算系统中的量子计算节点为上述混合结构时，其中的经典计算机部分可以被配置为该电子设备1900，以控制量子计算节点执行上述变分量子算法线路的并行训练方法中量子计算节点所执行的步骤。电子设备1900也可以被配置为一个独立于并行量子计算系统的设备，以控制并行量子计算系统执行上述的变分量子算法线路的并行训练方法。
另外，电子设备1900还可以包括电源组件1926和通信组件1950，该电源组件1926可以被配置为执行电子设备1900的电源管理，该通信组件1950可以被配置为实现电子设备1900的通信，例如，有线或无线通信。此外，该电子设备1900还可以包括输入/输出（I/O）接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，Unix TM, Linux TM等等。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的变分量子算法线路的并行训练方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器1932，上述程序指令可由电子设备1900的处理器1922执行以完成上述的变分量子算法线路的并行训练方法。
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

Claims (10)

1.一种变分量子算法线路的并行训练方法，其特征在于，应用于呈星型拓扑网络布置的中央计算节点和一组量子计算节点，所述方法包括：
步骤一：每个量子计算节点均获取待训练的变分量子算法VQA线路的线路信息，以使得各个量子计算节点根据该线路信息建立VQA线路；
步骤二：中央计算节点根据量子计算节点数量M，将VQA线路中的参数划分为M个部分；将所有参数的初始值发送给每一量子计算节点，并发送计算第i部分参数
Figure QLYQS_1
对应的梯度的指令至第i个量子计算节点，i为小于或等于M的正整数；
步骤三：每个量子计算节点响应于对应的所述指令，利用初始值更新本地的VQA线路的参数值，运行所述VQA线路，并基于参数位移算法计算所述VQA线路的运行结果相对于参数
Figure QLYQS_2
的梯度/>
Figure QLYQS_3
，基于所述梯度/>
Figure QLYQS_4
计算预设损失函数相对于参数/>
Figure QLYQS_5
的梯度/>
Figure QLYQS_6
；
步骤四：中央计算节点聚合所有的梯度
Figure QLYQS_7
，利用自适应矩阵估计优化器对VQA线路的参数进行更新；
步骤五：中央计算节点将更新后的参数值发送至其中一个量子计算节点，测试VQA线路是否收敛，若收敛则停止计算，将当前参数值作为最优参数值以得到优化后的VQA线路，若不收敛，则返回步骤二，继续迭代训练，此时将更新后的参数的参数值代替所述初始值发送至各个量子计算节点以更新各个量子计算节点的VQA线路。
2.如权利要求1所述的变分量子算法线路的并行训练方法，其特征在于，所述基于所述梯度
Figure QLYQS_8
计算预设损失函数相对于参数/>
Figure QLYQS_9
的梯度/>
Figure QLYQS_10
，包括：
应用链式法则基于梯度
Figure QLYQS_11
计算预设损失函数相对于参数/>
Figure QLYQS_12
的梯度/>
Figure QLYQS_13
；
基于梯度
Figure QLYQS_14
和公式/>
Figure QLYQS_15
更新中间梯度/>
Figure QLYQS_16
，其中，
Figure QLYQS_17
初始值为0；
建立全为0的Mask向量，所述Mask向量的元素数量与
Figure QLYQS_18
中分量数量相同；
对于
Figure QLYQS_19
中的第j个分量，如果该分量的绝对值大于阈值，则令Mask向量中第j个元素的值为1，遍历/>
Figure QLYQS_20
中的每个分量，得到最终的Mask向量，j为小于或等于/>
Figure QLYQS_21
中分量数量的正整数；
针对所述梯度
Figure QLYQS_22
中每一个分量，将该分量与所述Mask向量中对应位置的元素相乘，得到梯度/>
Figure QLYQS_23
。
3.如权利要求2所述的变分量子算法线路的并行训练方法，其特征在于，所述针对所述梯度
Figure QLYQS_24
中每一个分量，将该分量与所述Mask向量中对应位置的元素相乘之后，所述方法还包括：
对所述Mask向量取反；
将取反后的Mask向量中的每一元素与所述梯度
Figure QLYQS_25
中对应分量相乘，以得到更新后的梯度/>
Figure QLYQS_26
参与下一次所述公式/>
Figure QLYQS_27
的运算。
4.如权利要求1所述的变分量子算法线路的并行训练方法，其特征在于，所述方法还包括：在返回执行所述步骤二时，停止发送计算第i部分参数
Figure QLYQS_28
对应的梯度的指令至第i个量子计算节点，发送计算第i部分参数/>
Figure QLYQS_29
对应的梯度的指令至第k个量子计算节点，其中，k=(i+1) mod M。
5.如权利要求1所述的变分量子算法线路的并行训练方法，其特征在于，所述步骤一中的每个部分参数通过对整个参数集合切片得到。
6.如权利要求1所述的变分量子算法线路的并行训练方法，其特征在于，所述运行所述VQA线路之前，所述方法还包括：
基于如下等式中的至少一者从量子计算节点的量子比特中搜索符合要求的量子比特：
Figure QLYQS_30
Figure QLYQS_31
其中，DM[x，y]是量子比特x和量子比特y之间的最小距离，RM[x，y]是量子比特x和量子比特y之间的最可靠路径，m[y]是量子比特y的测量可靠性，S为搜索到的量子比特集，C为候选量子比特集；
将搜索到的符合要求的量子比特分组，以用于运行所述VQA线路。
7.如权利要求6所述的变分量子算法线路的并行训练方法，其特征在于，所述量子比特分组的数量根据每个量子计算节点的噪声率以及所述VQA线路所需的量子比特数量进行确定。
8.如权利要求1所述的变分量子算法线路的并行训练方法，其特征在于，所述中央计算节点和量子计算节点通过经典通信技术或量子通信技术通信。
9.如权利要求1所述的变分量子算法线路的并行训练方法，其特征在于，所述的各个量子计算节点包括离子阱量子计算机、半导体量子计算机、超导量子计算机和光量子计算机中的一种或多种。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-9中任一项所述方法的步骤。
CN202310664622.3A 2023-06-07 2023-06-07 变分量子算法线路的并行训练方法及存储介质 Active CN116384498B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310664622.3A CN116384498B (zh) 2023-06-07 2023-06-07 变分量子算法线路的并行训练方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310664622.3A CN116384498B (zh) 2023-06-07 2023-06-07 变分量子算法线路的并行训练方法及存储介质

Publications (2)

Publication Number Publication Date
CN116384498A true CN116384498A (zh) 2023-07-04
CN116384498B CN116384498B (zh) 2023-08-18

Family

ID=86979171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310664622.3A Active CN116384498B (zh) 2023-06-07 2023-06-07 变分量子算法线路的并行训练方法及存储介质

Country Status (1)

Country Link
CN (1) CN116384498B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2065803A1 (en) * 2007-11-30 2009-06-03 Neutrino Concepts Ltd. Parallel pipelining and width processing
CN113723206A (zh) * 2021-08-04 2021-11-30 三峡大学 一种基于量子神经网络算法的脑电波识别方法
WO2022077797A1 (zh) * 2020-10-14 2022-04-21 腾讯科技（深圳）有限公司 量子线路的确定方法、装置、设备及存储介质
CN114676837A (zh) * 2022-04-07 2022-06-28 西安电子科技大学 基于量子模拟器的进化量子神经网络架构搜索方法
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
WO2022232604A1 (en) * 2021-04-30 2022-11-03 Rigetti & Co, Llc Parallel data processing using hybrid computing system for machine learning applications
US20220391705A1 (en) * 2021-05-27 2022-12-08 QC Ware Corp. Training Classical and Quantum Algorithms for Orthogonal Neural Networks
CN115545947A (zh) * 2022-10-18 2022-12-30 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最优投资组合确定方法及相关装置
US20230012699A1 (en) * 2021-07-16 2023-01-19 International Business Machines Corporation Uncertainty aware parameter provision for a variational quantum algorithm
CN116011682A (zh) * 2023-02-22 2023-04-25 合肥本源量子计算科技有限责任公司 一种气象数据预测方法、装置、存储介质及电子装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2065803A1 (en) * 2007-11-30 2009-06-03 Neutrino Concepts Ltd. Parallel pipelining and width processing
WO2022077797A1 (zh) * 2020-10-14 2022-04-21 腾讯科技（深圳）有限公司 量子线路的确定方法、装置、设备及存储介质
WO2022232604A1 (en) * 2021-04-30 2022-11-03 Rigetti & Co, Llc Parallel data processing using hybrid computing system for machine learning applications
US20220391705A1 (en) * 2021-05-27 2022-12-08 QC Ware Corp. Training Classical and Quantum Algorithms for Orthogonal Neural Networks
US20230012699A1 (en) * 2021-07-16 2023-01-19 International Business Machines Corporation Uncertainty aware parameter provision for a variational quantum algorithm
CN113723206A (zh) * 2021-08-04 2021-11-30 三峡大学 一种基于量子神经网络算法的脑电波识别方法
CN114676837A (zh) * 2022-04-07 2022-06-28 西安电子科技大学 基于量子模拟器的进化量子神经网络架构搜索方法
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
CN115545947A (zh) * 2022-10-18 2022-12-30 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最优投资组合确定方法及相关装置
CN116011682A (zh) * 2023-02-22 2023-04-25 合肥本源量子计算科技有限责任公司 一种气象数据预测方法、装置、存储介质及电子装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DIETER JOHN DAVID BEAVEN: "Massively parallel solvers for lattice quantum gauge field theories", 《UNIVERSITY OF WOLLONGONG THESIS COLLECTION 1954-2016》 *
刘范范: "MapReduce与量子进化算法的研究及应用", 《中国优秀硕士学位论文全文数据库 (基础科学辑)》, no. 10 *

Also Published As

Publication number Publication date
CN116384498B (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
CN109039942B (zh) 一种基于深度强化学习的网络负载均衡系统及均衡方法
CN113708972B (zh) 一种服务功能链部署方法、装置、电子设备及存储介质
Lei et al. Energy-and latency-aware NoC mapping based on chaos discrete particle swarm optimization
US20210056416A1 (en) Distributed Deep Learning System
GB2536607A (en) Optimizing a network topology to satisfy predicted growth
CN108334942A (zh) 神经网络的数据处理方法、装置、芯片和存储介质
Neumann et al. How crossover speeds up evolutionary algorithms for the multi-criteria all-pairs-shortest-path problem
CN111340192B (zh) 网络路径分配模型训练方法、路径分配方法、以及装置
Zhuang et al. Toward greater intelligence in route planning: A graph-aware deep learning approach
CN111404815B (zh) 一种基于深度学习的有约束路由选择方法
JP7001004B2 (ja) 分散深層学習システム、分散深層学習方法、およびコンピューティングインタコネクト装置
CN116384498B (zh) 变分量子算法线路的并行训练方法及存储介质
Liu et al. Automated traffic engineering in SDWAN: Beyond reinforcement learning
GB2537085A (en) Determining bandwidth requirements for network services
Zhou et al. DRL-Based Workload Allocation for Distributed Coded Machine Learning
Rusek et al. Fast traffic engineering by gradient descent with learned differentiable routing
CN115022231A (zh) 一种基于深度强化学习的最优路径规划的方法和系统
CN115829047B (zh) 量子程序最终映射的确定方法、装置及量子计算机
JP2020003860A (ja) 学習システム、処理装置、処理方法、およびプログラム
US20220261620A1 (en) Distributed Processing System and Distributed Processing Method
TWI833065B (zh) 網路優化器及其網路優化方法
Nylöf et al. Distributed optimal allocation with quantized communication and privacy-preserving guarantees
Prihodko et al. Multi-Objective Simulated Annealing-Based Routing Plane Computation for Multiple Demands
CN111552844B (zh) 一种求解大规模多段图最短路径的分布式方法
Gillani et al. A distributed laplacian solver and its applications to electrical flow and random spanning tree computation

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 201306 building C, No. 888, Huanhu West 2nd Road, Lingang New Area, Pudong New Area, Shanghai

Patentee after: Hefei Micro Era Digital Technology Co.,Ltd.

Address before: 201306 building C, No. 888, Huanhu West 2nd Road, Lingang New Area, Pudong New Area, Shanghai

Patentee before: Shanghai Micro Era Digital Technology Co.,Ltd.

CP02 Change in the address of a patent holder
CP02 Change in the address of a patent holder

Address after: Room 220, Embedded R&D Building, Advanced Technology Research Institute, University of Science and Technology of China, No. 5089 Wangjiang West Road, High tech Zone, Hefei City, Anhui Province, 230000

Patentee after: Hefei Micro Era Digital Technology Co.,Ltd.

Address before: 201306 building C, No. 888, Huanhu West 2nd Road, Lingang New Area, Pudong New Area, Shanghai

Patentee before: Hefei Micro Era Digital Technology Co.,Ltd.