CN116415685A - 含噪声机器学习模型创建方法、机器学习框架及相关设备 - Google Patents

含噪声机器学习模型创建方法、机器学习框架及相关设备 Download PDF

Info

Publication number
CN116415685A
CN116415685A CN202111680566.XA CN202111680566A CN116415685A CN 116415685 A CN116415685 A CN 116415685A CN 202111680566 A CN202111680566 A CN 202111680566A CN 116415685 A CN116415685 A CN 116415685A
Authority
CN
China
Prior art keywords
quantum
noise
noisy
interface
machine learning
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
Application number
CN202111680566.XA
Other languages
English (en)
Inventor
窦猛汉
周照辉
李蕾
方圆
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.)
Benyuan Quantum Computing Technology Hefei Co ltd
Original Assignee
Benyuan Quantum Computing Technology Hefei 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 Benyuan Quantum Computing Technology Hefei Co ltd filed Critical Benyuan Quantum Computing Technology Hefei Co ltd
Priority to CN202111680566.XA priority Critical patent/CN116415685A/zh
Priority to PCT/CN2022/143597 priority patent/WO2023125857A1/zh
Publication of CN116415685A publication Critical patent/CN116415685A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/30—Creation or generation of source code
    • G06F8/36—Software reuse
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45504—Abstract machines for programme code execution, e.g. Java virtual machine [JVM], interpreters, emulators
    • 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
    • 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)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Complex Calculations (AREA)

Abstract

本发明公开了一种含噪声机器学习模型创建方法、机器学习框架及相关设备，应用于包括量子模块和经典模块的机器学习框架的电子装置，所述量子模块包括含噪量子程序封装单元，本发明通过基于所述机器学习框架内含的量子计算编程库创建考虑噪声影响的量子程序；将所述量子程序作为已封装的含噪量子计算层接口的参数，以及传入所述含噪量子计算层接口；调用所述含噪量子程序封装单元通过所述含噪量子计算层接口创建含噪量子计算层；以及调用所述经典模块创建包括所述含噪量子计算层的机器学习模型。本发明旨在创建一个含噪声的机器学习模型，以使得该机器学习模型在量子虚拟机上模拟出的结果更加贴近真实量子计算机上计算出的结果。

Description

含噪声机器学习模型创建方法、机器学习框架及相关设备
技术领域
本发明属于量子计算技术领域，特别是涉及一种含噪声机器学习模型创建方法、机器学习框架及相关设备。
背景技术
经典的机器学习，尤其是深度学习，彻底改变了人工智能的许多子领域，并取得了重大成功。近年来，随着信息时代的到来，深度学习得到了迅速的发展。电子数据量的快速增长导致了深度学习模型的训练数据的大量增加。与此同时，电子计算机计算能力的迅速发展，特别是以图形处理单元(GPU)为代表的一系列新型电子计算设备的出现，使得深度学习模型的大规模训练成为现实。因此，深度学习已经大大超越了之前的传统算法，并在许多领域得到了广泛的应用。深度学习在数字图像分类、手写字符识别、视频分析等领域的表现已经达到或超过了人类。
随着量子计算的快速发展，以量子力学为基础，将量子计算与经典机器学习相结合的量子机器学习也开始迅速发展。量子机器学习利用量子计算机远超经典计算机的效率，结合大数据时代快速发展的机器学习算法，进一步提高了大数据的处理能力。
然而，受制于量子比特自身的物理特性，量子机器学习模型运行在真实的量子计算机上时，存在不可避免的计算误差。因此，当量子机器学习模型运行在量子虚拟机上时，需要加入噪声，以使得得到的结果更加贴近于真实量子计算机上计算得到的结果。那么如何创建一个含噪声的机器学习模型是一个需要解决的技术问题。
发明内容
本发明的目的是提供一种含噪声机器学习模型创建方法、机器学习模型框架及相关设备，旨在创建一个含噪声的机器学习模型，以使得该机器学习模型在量子虚拟机上模拟出的结果更加贴近真实量子计算机上计算出的结果。
本发明的一个实施例提供了一种含噪声机器学习模型创建方法，应用于包括量子模块和经典模块的机器学习框架的电子装置，所述量子模块包括含噪量子程序封装单元，所述方法包括：
基于所述机器学习框架内含的量子计算编程库创建考虑噪声影响的量子程序；
将所述量子程序作为已封装的含噪量子计算层接口的参数，以及传入所述含噪量子计算层接口；
调用所述含噪量子程序封装单元通过所述含噪量子计算层接口创建含噪量子计算层；以及调用所述经典模块创建包括所述含噪量子计算层的机器学习模型。
可选的，所述基于所述机器学习框架内含的量子计算编程库创建考虑噪声影响的量子程序，包括：
基于所述机器学习框架内含的量子计算编程库申请含噪声量子虚拟机，以及设置运行于所述含噪声虚拟机上的量子线路的噪声；
申请量子比特以及创建作用于所述量子比特上的量子逻辑门，得到运行于所述含噪声虚拟机上的量子线路；
将所述含噪声量子虚拟机、所述噪声模型和所述量子线路进行封装，得到考虑噪声影响的量子程序。
可选的，所述噪声包括以下至少一种：逻辑门噪声、量子比特的量子态重置噪声、量子比特的测量噪声、量子比特的读取噪声。
可选的，所述噪声为逻辑门噪声，所述设置运行于所述含噪声虚拟机上的量子线路的噪声，包括：
将指定的量子逻辑门类型、噪声模型类型以及所述噪声模型类型所需的参数作为逻辑门噪声接口的参数，以及传入所述逻辑门噪声接口；
通过所述逻辑门噪声接口设置运行于所述含噪声虚拟机上的量子线路的逻辑门噪声，所述逻辑门噪声对所述量子线路中的所有量子比特生效。
可选的，所述噪声为逻辑门噪声，所述设置运行于所述含噪声虚拟机上的量子线路的噪声，包括：
将指定的量子比特、量子逻辑门类型、噪声模型类型以及所述噪声模型类型所需的参数作为逻辑门噪声接口的参数，以及传入所述逻辑门噪声接口；
通过所述逻辑门噪声接口设置运行于所述含噪声虚拟机上的量子线路的逻辑门噪声，所述逻辑门噪声对所述量子线路中的指定的量子比特生效。
可选的，所述噪声为量子比特的量子态重置噪声，所述设置运行于所述含噪声虚拟机上的量子线路的噪声，包括：
将量子线路中的量子比特的量子态重置到|0>的概率和重置到|1>的概率作为重置噪声接口的参数，以及传入所述重置噪声接口；
通过所述重置噪声接口设置运行于所述含噪声虚拟机上的量子线路的量子比特的量子态重置噪声。
可选的，所述噪声为量子比特的测量噪声，所述设置运行于所述含噪声虚拟机上的量子线路的噪声，包括：
将指定的噪声模型类型以及所述噪声模型类型所需的参数作为测量噪声接口的参数，以及传入所述测量噪声接口；
通过所述测量噪声接口设置运行于所述含噪声虚拟机上的量子线路的量子比特的测量噪声。
可选的，所述噪声为量子比特的读取噪声，所述设置运行于所述含噪声虚拟机上的量子线路的噪声，包括：
将|0＞被读取为|0＞的概率以及被读取为|1>的概率、|1＞被读取为|0>的概率以及被读取为|1>的概率作为读取噪声接口的参数，以及传入所述读取噪声接口；
通过所述读取噪声接口设置运行于所述含噪声虚拟机上的量子线路的量子比特的读取噪声。
本发明的又一实施例提供了一种含噪声机器学习模型创建装置，应用于包括量子模块和经典模块的机器学习框架的电子装置，所述量子模块包括含噪量子程序封装单元，所述装置包括：
程序创建单元，用于基于所述机器学习框架内含的量子计算编程库创建考虑噪声影响的量子程序；
接口确定单元，用于将所述量子程序作为已封装的含噪量子计算层接口的参数，以及传入所述含噪量子计算层接口；
创建单元，用于调用所述含噪量子程序封装单元通过所述含噪量子计算层接口创建含噪量子计算层；以及调用所述经典模块创建包括所述含噪量子计算层的机器学习模型。
可选的，在所述基于所述机器学习框架内含的量子计算编程库创建考虑噪声影响的量子程序方面，所述程序创建单元，具体用于：
基于所述机器学习框架内含的量子计算编程库申请含噪声量子虚拟机，以及设置运行于所述含噪声虚拟机上的量子线路的噪声；
申请量子比特以及创建作用于所述量子比特上的量子逻辑门，得到运行于所述含噪声虚拟机上的量子线路；
将所述含噪声量子虚拟机、所述噪声模型和所述量子线路进行封装，得到考虑噪声影响的量子程序。
可选的，所述噪声包括以下至少一种：逻辑门噪声、量子比特的量子态重置噪声、量子比特的测量噪声、量子比特的读取噪声。
可选的，所述噪声为逻辑门噪声，在所述设置运行于所述含噪声虚拟机上的量子线路的噪声方面，所述程序创建单元，具体用于：
将指定的量子逻辑门类型、噪声模型类型以及所述噪声模型类型所需的参数作为逻辑门噪声接口的参数，以及传入所述逻辑门噪声接口；
通过所述逻辑门噪声接口设置运行于所述含噪声虚拟机上的量子线路的逻辑门噪声，所述逻辑门噪声对所述量子线路中的所有量子比特生效。
可选的，所述噪声为逻辑门噪声，在所述设置运行于所述含噪声虚拟机上的量子线路的噪声方面，所述程序创建单元，具体用于：
将指定的量子比特、量子逻辑门类型、噪声模型类型以及所述噪声模型类型所需的参数作为逻辑门噪声接口的参数，以及传入所述逻辑门噪声接口；
通过所述逻辑门噪声接口设置运行于所述含噪声虚拟机上的量子线路的逻辑门噪声，所述逻辑门噪声对所述量子线路中的指定的量子比特生效。
可选的，在所述噪声为量子比特的量子态重置噪声，所述设置运行于所述含噪声虚拟机上的量子线路的噪声方面，所述程序创建单元，具体用于：
将量子线路中的量子比特的量子态重置到|0>的概率和重置到|1>的概率作为重置噪声接口的参数，以及传入所述重置噪声接口；
通过所述重置噪声接口设置运行于所述含噪声虚拟机上的量子线路的量子比特的量子态重置噪声。
可选的，在所述噪声为量子比特的测量噪声，所述设置运行于所述含噪声虚拟机上的量子线路的噪声方面，所述程序创建单元，具体用于：
将指定的噪声模型类型以及所述噪声模型类型所需的参数作为测量噪声接口的参数，以及传入所述测量噪声接口；
通过所述测量噪声接口设置运行于所述含噪声虚拟机上的量子线路的量子比特的测量噪声。
可选的，在所述噪声为量子比特的读取噪声，所述设置运行于所述含噪声虚拟机上的量子线路的噪声方面，所述程序创建单元，具体用于：
将|0>被读取为|0>的概率以及被读取为|1>的概率、|1>被读取为|0＞的概率以及被读取为|1＞的概率作为读取噪声接口的参数，以及传入所述读取噪声接口；
通过所述读取噪声接口设置运行于所述含噪声虚拟机上的量子线路的量子比特的读取噪声。
本发明的又一实施例提供了一种机器学习框架，所述机器学习框架包括量子模块和经典模块，所述量子模块包括含噪量子程序封装单元，被配置为通过已封装的含噪量子计算层接口创建含噪量子计算层，所述含噪量子计算层接口用于提供基于所述机器学习框架内含的量子计算编程库创建的考虑噪声影响的量子程序；所述经典模块，被配置为创建包括所述含噪量子计算层的机器学习模型。
本发明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。
本发明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，本发明通过基于机器学习框架内含的量子计算编程库创建考虑噪声影响的量子程序；然后将量子程序作为已封装的含噪量子计算层接口的参数，以及传入含噪量子计算层接口；最后调用含噪量子程序封装单元通过含噪量子计算层接口创建含噪量子计算层；以及调用经典模块创建包括含噪量子计算层的机器学习模型。本发明通过调用含噪量子程序封装单元即实现了含噪声机器学习模型的创建，该该机器学习模型含有噪声，因此在量子虚拟机上模拟出的结果更加贴近真实量子计算机上计算出的结果；除此之外，通过该含噪量子计算层接口创建含噪量子计算层，当模拟的真实量子计算机不同时，可以通过改变该含噪量子计算层接口的参数——考虑噪声影响的量子程序即可，不需要改变机器学习模型的其他部分，使得该含噪声的机器学习模型易于移植和复制，也进一步提高了该含噪声机器学习模型的易用性。
附图说明
图1为本发明实施例提供的一种含噪声机器学习模型创建方法的计算机终端的硬件结构框图；
图2为本发明实施例提供的一种含噪声机器学习模型创建方法的流程示意图；
图3为本发明实施例提供的一种含噪声机器学习模型创建装置的结构示意图；
图4为本发明实施例提供的一种机器学习框架的结构示意图；
图5为本发明实施例提供的另一种机器学习框架的结构示意图。
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含噪声机器学习模型创建方法，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含噪声机器学习模型创建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)和用于存储含噪声机器学习模型创建方法的存储器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，如本发明实施例中的含噪声机器学习模型创建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 Interface 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-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。
参见图2，图2为本发明实施例提供的一种含噪声机器学习模型创建方法的流程示意图，应用于包括量子模块和经典模块的机器学习框架的电子装置，所述量子模块包括含噪量子程序封装单元，所述方法包括：
步骤201：基于所述机器学习框架内含的量子计算编程库创建考虑噪声影响的量子程序；
步骤202：将所述量子程序作为已封装的含噪量子计算层接口的参数，以及传入所述含噪量子计算层接口；
步骤203：调用所述含噪量子程序封装单元通过所述含噪量子计算层接口创建含噪量子计算层；
步骤204：调用所述经典模块创建包括所述含噪量子计算层的机器学习模型。
其中，机器学习框架内含的量子计算编程库例如可以为Qpanda、Qsikit、Cirq、Forest、Q#、qbsolv、Blackbird等，在此不做限定。
其中，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，借助量子的名为叠加和纠缠的两个现象，能够同时处理信息的多个状态。量子计算层为包含量子线路的程序模块，可以用于实现对应量子线路的量子计算，通过对量子线路按照一定的标准进行封装，使得量子计算层便于在创建和训练机器学习模型时进行使用。对于机器学习模型通过量子计算实现的部分，均可以理解为对应的量子计算层。
其中，经典计算是一种遵循经典物理学规律调控经典信息单元进行计算的传统计算模式，它通过一个二进制系统工作，即信息使用1或0来存储，不会理解0或1之外的任何东西。经典计算层与量子计算层相对应，其可以是对创建好的经典计算程序按照一定标准进行封装，使得经典计算层便于在创建和训练机器学习模型时进行使用。
其中，接口(interface)是一系列方法的声明，是一些方法特征的集合，一个接口只有方法的特征没有方法的实现，因此这些方法可以在不同的地方被不同的类实现，而这些实现可以具有不同的行为。含噪量子计算层接口即为含噪声量子计算层对应的一系列方法的声明，具体形式例如可以为NoiseQuantumLayer()，所述含噪量子计算层接口用于提供基于所述机器学习框架内含的量子计算编程库创建的考虑噪声影响的量子程序；下述提及的其他接口也可参照本处解释，不再赘述。
具体的，所述机器学习框架还包括数据结构模块，所述调用所述经典模块创建包括所述含噪量子计算层的机器学习模型，包括：
调用所述经典模块构建经典计算层以及调用所述数据结构模块构建所述经典计算层与所述含噪量子计算层之间的前向传播关系；
调用所述经典模块将所述经典计算层、所述含噪量子计算层以及所述经典计算层与所述含噪量子计算层之间的前向传播关系进行封装，得到机器学习模型。
其中，前向传播为将上一计算层的输出作为下一计算层的输入，并计算下一计算层的输出，一直运算到没有下一计算层为止，其中计算层可以为上述的经典计算层也可以为上述的量子计算层。
进一步的，所述经典模块还包括抽象类子模块，所述调用所述经典模块将所述经典计算层、所述含噪量子计算层以及所述经典计算层与所述含噪量子计算层之间的前向传播关系进行封装，得到机器学习模型，包括：
调用所述抽象类子模块基于初始化函数对所述含噪量子计算层和所述经典计算层初始化和封装，得到初始化和封装后的所述含噪量子计算层和所述经典计算层；
调用所述抽象类子模块基于前向传播函数对所述前向传播关系进行封装得到封装后的所述前向传播关系；
调用所述抽象类子模块基于模块类对所述初始化和封装后的所述含噪量子计算层和所述经典计算层，以及封装后的所述前向传播关系进行封装，得到机器学习模型。
其中，初始化函数为_init_()，前向传播函数为forward()。
基于初始化函数对所述含噪量子计算层和所述经典计算层初始化和封装，得到初始化和封装后的所述含噪量子计算层和所述经典计算层，那么可以如下：
def_init_(self):
super(Net,self)._init_()
self.conv1＝Conv2D(a)
self.maxpool＝Maxpool2D(b)
self.conv2＝Conv2D(c)
self.maxpool2＝Maxpool2D(d)
self.fc1＝Linear(e)
self.fc2＝Linear(f)
self.hybrid＝NoiseQuantumLayer(g)
self.fc3＝Linear(h)
基于前向传播函数对所述前向传播关系进行封装得到封装后的所述前向传播关系，那么可以如下：
def forward(self，x):
x＝self.conv1(x)
x＝self.maxpool1(x)
x＝self.conv2(x)
x＝maxpool2(x)
x＝self.fc1(x)
x＝self.fc2(x)
x＝self.hybrid(x)
x＝self.fc3(x)
return x
基于模块类对所述初始化和封装后的所述含噪量子计算层和所述经典计算层，以及封装后的所述前向传播关系进行封装，得到机器学习模型，那么可以如下：
class Net(Module)：
def_init_(self):
super(Net,self)._init_()
self.conv1＝Conv2D(a)
self.maxpool＝Maxpool2D(b)
self.conv2＝Conv2D(c)
self.maxpool2＝Maxpool2D(d)
self.fc1＝Linear(e)
self.fc2＝Linear(f)
self.hybrid＝NoiseQuantumLayer(g)
self.fc3＝Linear(h)
def forward(self，x):
x＝self.conv1(x)
x＝self.maxpool1(x)
x＝self.conv2(x)
x＝maxpool2(x)
x＝self.fc1(x)
x＝self.fc2(x)
x＝self.hybrid(x)
x＝self.fc3(x)
return x
与现有技术相比，本发明通过基于机器学习框架内含的量子计算编程库创建考虑噪声影响的量子程序；然后将量子程序作为已封装的含噪量子计算层接口的参数，以及传入含噪量子计算层接口；最后调用含噪量子程序封装单元通过含噪量子计算层接口创建含噪量子计算层；以及调用经典模块创建包括含噪量子计算层的机器学习模型。本发明通过调用含噪量子程序封装单元即实现了含噪声机器学习模型的创建，该该机器学习模型含有噪声，因此在量子虚拟机上模拟出的结果更加贴近真实量子计算机上计算出的结果；除此之外，通过该含噪量子计算层接口创建含噪量子计算层，当模拟的真实量子计算机不同时，可以通过改变该含噪量子计算层接口的参数——考虑噪声影响的量子程序即可，不需要改变机器学习模型的其他部分，使得该含噪声的机器学习模型易于移植和复制，也进一步提高了该含噪声机器学习模型的易用性。
在本发明提供的一实施例中，所述基于所述机器学习框架内含的量子计算编程库创建考虑噪声影响的量子程序，包括：
基于所述机器学习框架内含的量子计算编程库申请含噪声量子虚拟机，以及设置运行于所述含噪声虚拟机上的量子线路的噪声；
申请量子比特以及创建作用于所述量子比特上的量子逻辑门，得到运行于所述含噪声虚拟机上的量子线路；
将所述含噪声量子虚拟机、所述噪声模型和所述量子线路进行封装，得到考虑噪声影响的量子程序。
其中，所述噪声包括以下至少一种：逻辑门噪声、量子比特的量子态重置噪声、量子比特的测量噪声、量子比特的读取噪声。
其中，逻辑门噪声的噪声模型类型至少包括以下几种：量子比特的弛豫过程噪声模型、量子比特的退相位过程噪声模型、退相干噪声模型、去极化噪声模型、比特反转噪声模型、比特相位反转噪声模型、相位阻尼噪声模型。
在机器学习框架内含的量子计算编程库中，量子比特的弛豫过程噪声模型可以用DAMPING_KRAUS_OPERATOR表示，量子比特的退相位过程噪声模型可以用DEPHASING_KRAUS_OPERATOR表示，退相干噪声模型可以用DECOHERENCE_KRAUS_OPERATOR表示，去极化噪声模型可以用DEPOLARIZING_KRAUS_OPERATOR表示，比特反转噪声模型可以用BITFLIP_KRAUS_OPERATOR表示，比特相位反转噪声模型可以用BIT_PHASE_FLIP_OPRATOR表示，相位阻尼噪声模型可以用PHASE_DAMPING_OPRATOR表示。
其中，量子比特的弛豫过程噪声模型的kraus算符和表示方法如下：
Figure BDA0003446026870000131
其中，量子比特的退相位过程噪声模型的kraus算符和表示方法如下：
Figure BDA0003446026870000132
其中，退相干噪声模型为上述两种噪声模型的综合，他们的关系如下：
Figure BDA0003446026870000133
K1＝K1dampingK1dephasing,K2＝K1dampingK2dephasing
K3＝K2dampingK1dephasing,K4＝K2dampingK2dephasing
其中，去极化噪声模型的kraus算符和表示方法如下：
Figure BDA0003446026870000134
Figure BDA0003446026870000135
其中，比特反转噪声模型的kraus算符和表示方法如下：
Figure BDA0003446026870000141
其中，比特-相位反转噪声模型的kraus算符和表示方法如下：
Figure BDA0003446026870000142
其中，相位阻尼噪声模型的kraus算符和表示方法如下：
Figure BDA0003446026870000143
上述各噪声模型类型中K1、K2、K3、K4为kraus算符，p为该噪声模型类型所需的参数，X、Y、Z、I为其量子逻辑门对应的矩阵。
具体来讲，申请含噪声量子虚拟机可以通过NoiseQVM qvm实现，在申请含噪声量子虚拟机之后，还可以对该含噪声量子虚拟机进行初始化，初始化可以通过初始化函数qvm.init()实现；设置运行于所述含噪声虚拟机上的量子线路的噪声可以通过接口set_moise_model()实现；申请量子比特可以通过接口qvm.qAllocMany()实现，若需要还可以通过接口qvm.cAllocMany()申请经典比特；最后将所述含噪声量子虚拟机、所述噪声模型和所述量子线路进行封装，可以用过函数main()实现。上述的具体方式为其中一种，还可以通过其他函数、接口、类去实现，在此不再举例。
在本发明提供的一实施例中，所述噪声为逻辑门噪声，所述设置运行于所述含噪声虚拟机上的量子线路的噪声，包括：
将指定的量子逻辑门类型、噪声模型类型以及所述噪声模型类型所需的参数作为逻辑门噪声接口的参数，以及传入所述逻辑门噪声接口；
通过所述逻辑门噪声接口设置运行于所述含噪声虚拟机上的量子线路的逻辑门噪声，所述逻辑门噪声对所述量子线路中的所有量子比特生效。
在本发明提供的一实施例中，所述噪声为逻辑门噪声，所述设置运行于所述含噪声虚拟机上的量子线路的噪声，包括：
将指定的量子比特、量子逻辑门类型、噪声模型类型以及所述噪声模型类型所需的参数作为逻辑门噪声接口的参数，以及传入所述逻辑门噪声接口；
通过所述逻辑门噪声接口设置运行于所述含噪声虚拟机上的量子线路的逻辑门噪声，所述逻辑门噪声对所述量子线路中的指定的量子比特生效。
其中，指定的量子逻辑门类型例如可以是H门、X门、Y门、RX门等，噪声模型类型如上述量子比特的弛豫过程噪声模型、量子比特的退相位过程噪声模型、退相干噪声模型、去极化噪声模型、比特反转噪声模型、比特相位反转噪声模型、相位阻尼噪声模型等等，噪声模型类型所需的参数即p或其他参数。
其中，逻辑门噪声接口例如可以为qvm.set_noise_model()；例如qvm.set_noise_model(NoiseModel.BITFLIP_KRAUS_OPERATOR,GateType.PAULI_X_GATE,0.1)则只指定了量子逻辑门类型为泡利X门，噪声模型类型为比特反转噪声模型以及所述噪声模型类型所需的参数p为0.1，未指定量子比特，则逻辑门噪声对所述量子线路中的所有量子比特生效。例如qvm.set_noise_model(NoiseModel.BITFLIP_KRAUS_OPERATOR,GateType.PAULI_X_GATE,0.1，[q[0],q[1]])则指定了量子逻辑门类型为泡利X门，噪声模型类型为比特反转噪声模型以及所述噪声模型类型所需的参数p为0.1，还指定量子比特q[0]和q[1]，则逻辑门噪声只对所述量子线路中的q[0]和q[1]生效。
在本发明提供的一实施例中，所述噪声为量子比特的测量噪声，所述设置运行于所述含噪声虚拟机上的量子线路的噪声，包括：
将指定的噪声模型类型以及所述噪声模型类型所需的参数作为测量噪声接口的参数，以及传入所述测量噪声接口；
通过所述测量噪声接口设置运行于所述含噪声虚拟机上的量子线路的量子比特的测量噪声。
需要说明的是，测量噪声设置方式与上述逻辑门噪声的设置方法类似，只不过不需要指定量子逻辑门类型，其测量噪声接口可以为qvm.set_measure_error()。
在本发明提供的一实施例中，所述噪声为量子比特的量子态重置噪声，所述设置运行于所述含噪声虚拟机上的量子线路的噪声，包括：
将量子线路中的量子比特的量子态重置到|0>的概率和重置到|1>的概率作为重置噪声接口的参数，以及传入所述重置噪声接口；
通过所述重置噪声接口设置运行于所述含噪声虚拟机上的量子线路的量子比特的量子态重置噪声。
举例说明，例如有如下代码：
p0＝0.9
p1＝0.05
qvm.set_reset_error(p0,p1)
表示将量子线路中的量子比特的量子态重置到|0>的概率p0和重置到|1>的概率p1分别设置为0.9和0.05，未被重置到|0>和重置到|1>的概率则为1-p0-p1＝0.05，然后将p0和p1作为重置噪声接口qvm.set_reset_error()的参数传入该接口，通过该重置噪声接口qvm.set_reset_error(p0,p1)即可设置运行于所述含噪声虚拟机上的量子线路的量子比特的量子态重置噪声。
在本发明提供的一实施例中，所述噪声为量子比特的读取噪声，所述设置运行于所述含噪声虚拟机上的量子线路的噪声，包括：
将|0＞被读取为|0＞的概率以及被读取为|1>的概率、|1＞被读取为|0>的概率以及被读取为|1>的概率作为读取噪声接口的参数，以及传入所述读取噪声接口；
通过所述读取噪声接口设置运行于所述含噪声虚拟机上的量子线路的量子比特的读取噪声。
举例说明，例如有如下代码：
double f0＝0.9
double f1＝0.85
qvm.set_readout_error([[f0,1-f0],[1-f1,f1]],[q[0]])
表示将|0>被读取为|0>的概率f0以及被读取为|1>的概率1-f0分别设置为0.9和0.1；|1>被读取为|0＞的概率f1以及被读取为|1＞的概率1-f1分贝设置为0.85和0.15，然后将f0、1-f0、f1、1-f1作为读取噪声接口set_readout_error()的参数传入该接口，通过该读取噪声接口qvm.set_readout_error([[f0,1-f0],[1-f1,f1]],[q[0]])即可设置运行于该含噪声虚拟机上的量子线路的量子比特的读取噪声。
参见图3，图3为本发明实施例提供的一种含噪声机器学习模型创建装置的结构示意图，应用于包括量子模块和经典模块的机器学习框架的电子装置，所述量子模块包括含噪量子程序封装单元，所述装置30包括：
程序创建单元301，用于基于所述机器学习框架内含的量子计算编程库创建考虑噪声影响的量子程序；
接口确定单元302，用于将所述量子程序作为已封装的含噪量子计算层接口的参数，以及传入所述含噪量子计算层接口；
创建单元303，用于调用所述含噪量子程序封装单元通过所述含噪量子计算层接口创建含噪量子计算层；以及调用所述经典模块创建包括所述含噪量子计算层的机器学习模型。
可选的，在所述基于所述机器学习框架内含的量子计算编程库创建考虑噪声影响的量子程序方面，所述程序创建单元301，具体用于：
基于所述机器学习框架内含的量子计算编程库申请含噪声量子虚拟机，以及设置运行于所述含噪声虚拟机上的量子线路的噪声；
申请量子比特以及创建作用于所述量子比特上的量子逻辑门，得到运行于所述含噪声虚拟机上的量子线路；
将所述含噪声量子虚拟机、所述噪声模型和所述量子线路进行封装，得到考虑噪声影响的量子程序。
可选的，所述噪声包括以下至少一种：逻辑门噪声、量子比特的量子态重置噪声、量子比特的测量噪声、量子比特的读取噪声。
可选的，所述噪声为逻辑门噪声，在所述设置运行于所述含噪声虚拟机上的量子线路的噪声方面，所述程序创建单元301，具体用于：
将指定的量子逻辑门类型、噪声模型类型以及所述噪声模型类型所需的参数作为逻辑门噪声接口的参数，以及传入所述逻辑门噪声接口；
通过所述逻辑门噪声接口设置运行于所述含噪声虚拟机上的量子线路的逻辑门噪声，所述逻辑门噪声对所述量子线路中的所有量子比特生效。
可选的，所述噪声为逻辑门噪声，在所述设置运行于所述含噪声虚拟机上的量子线路的噪声方面，所述程序创建单元301，具体用于：
将指定的量子比特、量子逻辑门类型、噪声模型类型以及所述噪声模型类型所需的参数作为逻辑门噪声接口的参数，以及传入所述逻辑门噪声接口；
通过所述逻辑门噪声接口设置运行于所述含噪声虚拟机上的量子线路的逻辑门噪声，所述逻辑门噪声对所述量子线路中的指定的量子比特生效。
可选的，在所述噪声为量子比特的量子态重置噪声，所述设置运行于所述含噪声虚拟机上的量子线路的噪声方面，所述程序创建单元301，具体用于：
将量子线路中的量子比特的量子态重置到|0>的概率和重置到|1＞的概率作为重置噪声接口的参数，以及传入所述重置噪声接口；
通过所述重置噪声接口设置运行于所述含噪声虚拟机上的量子线路的量子比特的量子态重置噪声。
可选的，在所述噪声为量子比特的测量噪声，所述设置运行于所述含噪声虚拟机上的量子线路的噪声方面，所述程序创建单元301，具体用于：
将指定的噪声模型类型以及所述噪声模型类型所需的参数作为测量噪声接口的参数，以及传入所述测量噪声接口；
通过所述测量噪声接口设置运行于所述含噪声虚拟机上的量子线路的量子比特的测量噪声。
可选的，在所述噪声为量子比特的读取噪声，所述设置运行于所述含噪声虚拟机上的量子线路的噪声方面，所述程序创建单元301，具体用于：
将|0>被读取为|0>的概率以及被读取为|1>的概率、|1>被读取为|0＞的概率以及被读取为|1＞的概率作为读取噪声接口的参数，以及传入所述读取噪声接口；
通过所述读取噪声接口设置运行于所述含噪声虚拟机上的量子线路的量子比特的读取噪声。
与现有技术相比，本发明通过基于机器学习框架内含的量子计算编程库创建考虑噪声影响的量子程序；然后将量子程序作为已封装的含噪量子计算层接口的参数，以及传入含噪量子计算层接口；最后调用含噪量子程序封装单元通过含噪量子计算层接口创建含噪量子计算层；以及调用经典模块创建包括含噪量子计算层的机器学习模型。本发明通过调用含噪量子程序封装单元即实现了含噪声机器学习模型的创建，该该机器学习模型含有噪声，因此在量子虚拟机上模拟出的结果更加贴近真实量子计算机上计算出的结果；除此之外，通过该含噪量子计算层接口创建含噪量子计算层，当模拟的真实量子计算机不同时，可以通过改变该含噪量子计算层接口的参数——考虑噪声影响的量子程序即可，不需要改变机器学习模型的其他部分，使得该含噪声的机器学习模型易于移植和复制，也进一步提高了该含噪声机器学习模型的易用性。
参见图4，图4为本发明实施例提供的一种机器学习框架的结构示意图，所述机器学习框架40包括量子模块410和经典模块420，所述量子模块410包括含噪量子程序封装单元401，被配置为通过已封装的含噪量子计算层接口创建含噪量子计算层，所述含噪量子计算层接口用于提供基于所述机器学习框架内含的量子计算编程库创建的考虑噪声影响的量子程序；所述经典模块420，被配置为创建包括所述含噪量子计算层的机器学习模型。
可选的，参见图5，图5为本发明实施例提供的另一种机器学习框架的结构示意图，所述机器学习框架40还包括量子计算编程库430，被配置为申请含噪声量子虚拟机，以及设置运行于所述含噪声虚拟机上的量子线路的噪声；
申请量子比特以及创建作用于所述量子比特上的量子逻辑门，得到运行于所述含噪声虚拟机上的量子线路；
将所述含噪声量子虚拟机、所述噪声模型和所述量子线路进行封装，得到考虑噪声影响的量子程序。
可选的，所述噪声包括以下至少一种：逻辑门噪声、量子比特的量子态重置噪声、量子比特的测量噪声、量子比特的读取噪声。
可选的，所述噪声为逻辑门噪声，所述量子计算编程库430，被配置为将指定的量子逻辑门类型、噪声模型类型以及所述噪声模型类型所需的参数作为逻辑门噪声接口的参数，以及传入所述逻辑门噪声接口；
通过所述逻辑门噪声接口设置运行于所述含噪声虚拟机上的量子线路的逻辑门噪声，所述逻辑门噪声对所述量子线路中的所有量子比特生效。
可选的，所述噪声为逻辑门噪声，所述量子计算编程库430，被配置为将指定的量子比特、量子逻辑门类型、噪声模型类型以及所述噪声模型类型所需的参数作为逻辑门噪声接口的参数，以及传入所述逻辑门噪声接口；
通过所述逻辑门噪声接口设置运行于所述含噪声虚拟机上的量子线路的逻辑门噪声，所述逻辑门噪声对所述量子线路中的指定的量子比特生效。
可选的，所述噪声为量子比特的量子态重置噪声，所述量子计算编程库430，被配置为将量子线路中的量子比特的量子态重置到|0>的概率和重置到|1>的概率作为重置噪声接口的参数，以及传入所述重置噪声接口；
通过所述重置噪声接口设置运行于所述含噪声虚拟机上的量子线路的量子比特的量子态重置噪声。
可选的，所述噪声为量子比特的测量噪声，所述量子计算编程库430，被配置为将指定的噪声模型类型以及所述噪声模型类型所需的参数作为测量噪声接口的参数，以及传入所述测量噪声接口；
通过所述测量噪声接口设置运行于所述含噪声虚拟机上的量子线路的量子比特的测量噪声。
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：
基于所述机器学习框架内含的量子计算编程库创建考虑噪声影响的量子程序；
将所述量子程序作为已封装的含噪量子计算层接口的参数，以及传入所述含噪量子计算层接口；
调用所述含噪量子程序封装单元通过所述含噪量子计算层接口创建含噪量子计算层；以及调用所述经典模块创建包括所述含噪量子计算层的机器学习模型。
具体的，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的再一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：
基于所述机器学习框架内含的量子计算编程库创建考虑噪声影响的量子程序；
将所述量子程序作为已封装的含噪量子计算层接口的参数，以及传入所述含噪量子计算层接口；
调用所述含噪量子程序封装单元通过所述含噪量子计算层接口创建含噪量子计算层；以及调用所述经典模块创建包括所述含噪量子计算层的机器学习模型。
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 (12)

1.一种含噪声机器学习模型创建方法，其特征在于，应用于包括量子模块和经典模块的机器学习框架的电子装置，所述量子模块包括含噪量子程序封装单元，所述方法包括：
基于所述机器学习框架内含的量子计算编程库创建考虑噪声影响的量子程序；
将所述量子程序作为已封装的含噪量子计算层接口的参数，以及传入所述含噪量子计算层接口；
调用所述含噪量子程序封装单元通过所述含噪量子计算层接口创建含噪量子计算层；以及调用所述经典模块创建包括所述含噪量子计算层的机器学习模型。
2.如权利要求1所述的方法，其特征在于，所述基于所述机器学习框架内含的量子计算编程库创建考虑噪声影响的量子程序，包括：
基于所述机器学习框架内含的量子计算编程库申请含噪声量子虚拟机，以及设置运行于所述含噪声虚拟机上的量子线路的噪声；
申请量子比特以及创建作用于所述量子比特上的量子逻辑门，得到运行于所述含噪声虚拟机上的量子线路；
将所述含噪声量子虚拟机、所述噪声模型和所述量子线路进行封装，得到考虑噪声影响的量子程序。
3.如权利要求2所述的方法，其特征在于，所述噪声包括以下至少一种：逻辑门噪声、量子比特的量子态重置噪声、量子比特的测量噪声、量子比特的读取噪声。
4.如权利要求3所述的方法，其特征在于，所述噪声为逻辑门噪声，所述设置运行于所述含噪声虚拟机上的量子线路的噪声，包括：
将指定的量子逻辑门类型、噪声模型类型以及所述噪声模型类型所需的参数作为逻辑门噪声接口的参数，以及传入所述逻辑门噪声接口；
通过所述逻辑门噪声接口设置运行于所述含噪声虚拟机上的量子线路的逻辑门噪声，所述逻辑门噪声对所述量子线路中的所有量子比特生效。
5.如权利要求3所述的方法，其特征在于，所述噪声为逻辑门噪声，所述设置运行于所述含噪声虚拟机上的量子线路的噪声，包括：
将指定的量子比特、量子逻辑门类型、噪声模型类型以及所述噪声模型类型所需的参数作为逻辑门噪声接口的参数，以及传入所述逻辑门噪声接口；
通过所述逻辑门噪声接口设置运行于所述含噪声虚拟机上的量子线路的逻辑门噪声，所述逻辑门噪声对所述量子线路中的指定的量子比特生效。
6.如权利要求3所述的方法，其特征在于，所述噪声为量子比特的量子态重置噪声，所述设置运行于所述含噪声虚拟机上的量子线路的噪声，包括：
将量子线路中的量子比特的量子态重置到|0>的概率和重置到|1>的概率作为重置噪声接口的参数，以及传入所述重置噪声接口；
通过所述重置噪声接口设置运行于所述含噪声虚拟机上的量子线路的量子比特的量子态重置噪声。
7.如权利要求3所述的方法，其特征在于，所述噪声为量子比特的测量噪声，所述设置运行于所述含噪声虚拟机上的量子线路的噪声，包括：
将指定的噪声模型类型以及所述噪声模型类型所需的参数作为测量噪声接口的参数，以及传入所述测量噪声接口；
通过所述测量噪声接口设置运行于所述含噪声虚拟机上的量子线路的量子比特的测量噪声。
8.如权利要求3所述的方法，其特征在于，所述噪声为量子比特的读取噪声，所述设置运行于所述含噪声虚拟机上的量子线路的噪声，包括：
将|0>被读取为|0>的概率以及被读取为|1>的概率、|1>被读取为|0>的概率以及被读取为|1>的概率作为读取噪声接口的参数，以及传入所述读取噪声接口；
通过所述读取噪声接口设置运行于所述含噪声虚拟机上的量子线路的量子比特的读取噪声。
9.一种机器学习框架，其特征在于，所述机器学习框架包括量子模块和经典模块，所述量子模块包括含噪量子程序封装单元，被配置为通过已封装的含噪量子计算层接口创建含噪量子计算层，所述含噪量子计算层接口用于提供基于所述机器学习框架内含的量子计算编程库创建的考虑噪声影响的量子程序；所述经典模块，被配置为创建包括所述含噪量子计算层的机器学习模型。
10.一种含噪声机器学习模型创建装置，其特征在于，应用于包括量子模块和经典模块的机器学习框架的电子装置，所述量子模块包括含噪量子程序封装单元，所述装置包括：
程序创建单元，用于基于所述机器学习框架内含的量子计算编程库创建考虑噪声影响的量子程序；
接口确定单元，用于将所述量子程序作为已封装的含噪量子计算层接口的参数，以及传入所述含噪量子计算层接口；
创建单元，用于调用所述含噪量子程序封装单元通过所述含噪量子计算层接口创建含噪量子计算层；以及调用所述经典模块创建包括所述含噪量子计算层的机器学习模型。
11.一种存储介质，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8任一项中所述的方法。
12.一种电子装置，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8任一项中所述的方法。
CN202111680566.XA 2021-12-30 2021-12-30 含噪声机器学习模型创建方法、机器学习框架及相关设备 Pending CN116415685A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111680566.XA CN116415685A (zh) 2021-12-30 2021-12-30 含噪声机器学习模型创建方法、机器学习框架及相关设备
PCT/CN2022/143597 WO2023125857A1 (zh) 2021-12-30 2022-12-29 基于机器学习框架系统的模型训练方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111680566.XA CN116415685A (zh) 2021-12-30 2021-12-30 含噪声机器学习模型创建方法、机器学习框架及相关设备

Publications (1)

Publication Number Publication Date
CN116415685A true CN116415685A (zh) 2023-07-11

Family

ID=87050169

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111680566.XA Pending CN116415685A (zh) 2021-12-30 2021-12-30 含噪声机器学习模型创建方法、机器学习框架及相关设备

Country Status (1)

Country Link
CN (1) CN116415685A (zh)

Similar Documents

Publication Publication Date Title
CN114764549B (zh) 基于矩阵乘积态的量子线路模拟计算方法、装置
CN113850389B (zh) 一种量子线路的构建方法及装置
CN111461335B (zh) 基于mpi多进程的含噪声单量子逻辑门实现方法及装置
CN114358319B (zh) 基于机器学习框架的分类方法及相关装置
CN114358295B (zh) 基于机器学习框架的二分类方法及相关装置
CN114819163B (zh) 量子生成对抗网络的训练方法、装置、介质及电子装置
CN114358318B (zh) 基于机器学习框架的分类方法及相关装置
CN114358317B (zh) 基于机器学习框架的数据分类方法及相关设备
CN114358216B (zh) 基于机器学习框架的量子聚类方法及相关装置
CN115293254A (zh) 基于量子多层感知器的分类方法及相关设备
CN113222153A (zh) 一种量子态的模拟方法、装置、存储介质和电子装置
CN113222151B (zh) 一种量子态的变换方法及装置
CN114764619A (zh) 一种基于量子线路的卷积操作方法及装置
CN114372584B (zh) 基于机器学习框架的迁移学习方法及相关装置
CN114372539B (zh) 基于机器学习框架的分类方法及相关设备
CN114881239A (zh) 量子生成器的构造方法、装置、介质及电子装置
CN114881238A (zh) 量子鉴别器的构造方法、装置、介质及电子装置
CN116415685A (zh) 含噪声机器学习模型创建方法、机器学习框架及相关设备
CN116432710B (zh) 机器学习模型构建方法、机器学习框架及相关设备
CN116432721B (zh) 数据处理方法、机器学习框架及相关设备
CN116432764B (zh) 机器学习框架
CN116432763A (zh) 机器学习模型运行方法、机器学习框架及相关设备
CN114764618B (zh) 一种针对线性系统的量子预处理方法及装置
CN114692879B (zh) 一种基于稀疏线性系统的量子预处理方法及装置
CN114372583B (zh) 基于机器学习框架的量子程序优化方法及相关设备

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