CN116502726A - 基于量子芯片的数据存储系统及方法 - Google Patents
基于量子芯片的数据存储系统及方法 Download PDFInfo
- Publication number
- CN116502726A CN116502726A CN202310771127.2A CN202310771127A CN116502726A CN 116502726 A CN116502726 A CN 116502726A CN 202310771127 A CN202310771127 A CN 202310771127A CN 116502726 A CN116502726 A CN 116502726A
- Authority
- CN
- China
- Prior art keywords
- data
- layer
- quantum chip
- quantum
- stored
- 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
Links
- 238000013500 data storage Methods 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 66
- 238000005192 partition Methods 0.000 claims abstract description 29
- 238000013136 deep learning model Methods 0.000 claims abstract description 26
- 238000005259 measurement Methods 0.000 claims description 94
- 239000002096 quantum dot Substances 0.000 claims description 31
- 238000007726 management method Methods 0.000 claims description 25
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 230000010287 polarization Effects 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 17
- 230000005540 biological transmission Effects 0.000 description 12
- 238000007781 pre-processing Methods 0.000 description 8
- 238000013499 data model Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 102100021392 Cationic amino acid transporter 4 Human genes 0.000 description 2
- 101710195194 Cationic amino acid transporter 4 Proteins 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000003999 initiator Substances 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- G06N10/40—Physical realisations or architectures of quantum processors or components for manipulating qubits, e.g. qubit coupling or qubit control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Neurology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Storage Device Security (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于数据处理技术领域，公开了基于量子芯片的数据存储系统及方法，通过量子芯片的平台层获取操作人员的权限信息和数据存储指令；量子芯片的操作权限层基于权限信息确定所可执行权限以及可访问层；量子芯片的AI算法层根据预设深度学习模型确定待存储数据对应的数据类型，并根据数据类型判断是否对待存储数据进行分区处理；量子芯片的分布式存储层在判定进行分区处理时，根据判断结果和数据类型对应的AI算法对待存储数据按照存储类型进行数据处理，并基于可执行权限、可访问层和数据存储指令将处理后的目标数据进行存储，本发明实现了同时分析不同层不同类型数据并高效计算和存储，提升了工作效率和降本增效。
Description
技术领域
本发明涉及数据处理领域，尤其涉及一种基于量子芯片的数据存储系统及方法。
背景技术
目前，随着互联网的发展，计算设备的数据存储需求越来越多，计算量也随之增加，但计算设备中传统芯片存储数据量有限，因此导致需要不停的将历史数据进行删除以空出存储区域用于存储新的数据，导致计算负载也越来越大，因此传统芯片对应的存储设备存储信息效率低，不能同时分析大量不同的数据，影响工作效率。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种基于量子芯片的数据存储系统及方法，旨在解决现有技术中传统芯片的存储设备不能同时分析大量不同的数据，存储信息效率低，影响工作效率的技术问题。
为实现上述目的，本发明提供一种基于量子芯片的数据存储系统，所述数据存储系统包括量子芯片的平台层、量子芯片的AI算法层、量子芯片的分布式存储层、量子芯片的操作权限层；
所述量子芯片的平台层，用于获取操作人员的权限信息和数据存储指令；
所述量子芯片的操作权限层，用于基于所述权限信息确定所述操作人员对应的可执行权限以及可访问层；
所述量子芯片的AI算法层，用于基于所述可执行权限、所述可访问层和所述数据存储指令接收待存储数据，并根据预设深度学习模型确定待存储数据对应的数据类型；
所述量子芯片的AI算法层，还用于根据所述数据类型判断是否对所述待存储数据进行分区处理；
所述量子芯片的分布式存储层，用于若是，根据判断结果和所述数据类型对应的AI算法对所述待存储数据按照存储类型进行数据处理，将处理后的目标数据进行存储。
可选地，所述数据存储系统还包括加密层，所述量子芯片的AI算法层，还用于基于所述加密层中的预设测量基对所述数据存储指令中包含的光子偏振态进行测量，获得测量结果；
所述量子芯片的分布式存储层，还用于根据所述可执行权限、所述可访问层以及所述测量结果接收待存储数据；
所述量子芯片的AI算法层，还用于根据预设深度学习模型对所述待存储数据进行数字类型转换，确定所述待存储数据对应的数据类型。
可选地，所述加密层，用于基于所述测量结果和所述预设测量基确定目标测量基的量子比特位，并基于所述目标测量基对应的数据和所述待存储数据进行对比，根据对比结果判定是否存在异常数据；
所述加密层，还用于在不存在异常数据时，将所述目标测量基对应的量子比特位作为目标量子密钥；
所述量子芯片的分布式存储层，还用于根据所述可执行权限、所述可访问层以及所述目标量子密钥接收待存储数据。
可选地，所述量子芯片的AI算法层，还用于根据预设量子神经网络模型对所述待存储数据进行量子分析，获得待识别量子比特；
所述量子芯片的AI算法层，还用于对所述待识别量子比特进行数字类型转换，并通过数字建模将待存储数据中相同数据进行筛除，获得第一目标数据；
所述量子芯片的AI算法层，还用于根据预设深度学习模型确定所述第一目标数据对应的数据类型。
可选地，所述量子芯片的AI算法层，还用于在所述数据类型不为字符数据类型时，对所述待存储数据进行分区处理；
所述量子芯片的AI算法层，还用于在所述数据类型为字符数据类型时，不对所述待存储数据进行分区处理。
可选地，所述量子芯片的分布式存储层，还用于在判定通过所述量子芯片的AI算法层对所述待存储数据进行分区处理时，根据所述数据类型对应的AI算法对所述待存储数据按照存储类型进行数据处理，获得处理后的目标数据；
所述量子芯片的分布式存储层，还用于将处理后的目标数据进行归一化处理，获得预设类型集合对应的目标数据集；
所述量子芯片的分布式存储层，还用于将所述目标数据集按照所述存储类型进行存储。
可选地，所述数据存储系统还包括风险管理层；
所述风险管理层，用于在数据存储过程中接收到操作人员的改写操作时，对所述操作人员的权限进行识别，若所述操作人员不具有改写权限，则停止数据存储操作并生成预警信息；
所述风险管理层，还用于对所述改写操作对应的改写内容进行识别，并将识别结果发送至管理平台以供运维人员进行风险管理。
此外，为实现上述目的，本发明还提出一种基于上述量子芯片的数据存储系统的基于量子芯片的数据存储方法，所述基于量子芯片的数据存储方法包括：
所述量子芯片的平台层获取操作人员的权限信息和数据存储指令；
所述量子芯片的操作权限层基于所述权限信息确定所述操作人员对应的可执行权限以及可访问层；
所述量子芯片的AI算法层基于所述可执行权限、所述可访问层和所述数据存储指令接收待存储数据，并根据预设深度学习模型确定待存储数据对应的数据类型；
所述量子芯片的AI算法层根据所述数据类型判断是否对所述待存储数据进行分区处理；
所述量子芯片的分布式存储层若是，根据判断结果和所述数据类型对应的AI算法对所述待存储数据按照存储类型进行数据处理，将处理后的目标数据进行存储。
可选地，所述数据存储系统还包括加密层，所述量子芯片的AI算法层基于所述加密层中的预设测量基对所述数据存储指令中包含的光子偏振态进行测量，获得测量结果；
所述量子芯片的分布式存储层根据所述可执行权限、所述可访问层以及所述测量结果接收待存储数据；
所述量子芯片的AI算法层根据预设深度学习模型对所述待存储数据进行数字类型转换，确定所述待存储数据对应的数据类型。
可选地，所述加密层基于所述测量结果和所述预设测量基确定目标测量基的量子比特位，并基于所述目标测量基对应的数据和所述待存储数据进行对比，根据对比结果判定是否存在异常数据；
所述加密层在不存在异常数据时，将所述目标测量基对应的量子比特位作为目标量子密钥；
所述量子芯片的分布式存储层根据所述可执行权限、所述可访问层以及所述目标量子密钥接收待存储数据。
本发明通过所述量子芯片的平台层获取操作人员的权限信息和数据存储指令；所述量子芯片的操作权限层基于所述权限信息确定所述操作人员对应的可执行权限以及可访问层；所述量子芯片的AI算法层根据预设深度学习模型确定待存储数据对应的数据类型，并根据所述数据类型判断是否对所述待存储数据进行分区处理；所述量子芯片的分布式存储层在判定通过所述量子芯片的AI算法层对所述待存储数据进行分区处理时，根据判断结果和所述数据类型对应的AI算法对所述待存储数据按照存储类型进行数据处理，并基于所述可执行权限、所述可访问层以及所述数据存储指令将处理后的目标数据进行存储。本发明通过数据存储系统中量子芯片包含的处理层对数据进行类型识别以及根据数据类型对应的AI算法对数据进行处理，从而将处理后的数据进行存储，相较于现有技术中传统芯片对应的存储设备不能同时分析大量不同的数据，存储信息效率低，影响工作效率，本发明实现了同时分析不同层，不同类型数据并高效存储和计算，高效存储安全和精确运算，大幅提升工作效率和降本增效。
附图说明
图1为本发明基于量子芯片的数据存储系统第一实施例的结构框图；
图2为本发明基于量子芯片的数据存储方法第一实施例的流程示意图。
本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明基于量子芯片的数据存储系统第一实施例的结构框图。
该基于量子芯片的数据存储系统可以包括：量子芯片的平台层10、量子芯片的操作权限层20、量子芯片的AI算法层30、量子芯片的分布式存储层40；
本领域技术人员可以理解，图1中示出的结构并不构成对基于量子芯片的数据存储系统的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明实施例提供了一种基于量子芯片的数据存储系统，参照图1，图1为本发明基于量子芯片的数据存储系统的结构框图。
本实施例中，所述基于量子芯片的数据存储系统包括：量子芯片的平台层10、量子芯片的操作权限层20、量子芯片的AI算法层30、量子芯片的分布式存储层40。
本实施例中所述量子芯片的平台层10，用于获取操作人员的权限信息和数据存储指令。
需说明的是，本实施例的执行主体可以是包含基于量子芯片的数据存储系统的计算设备，所述计算设备可以是与包含量子比特数字芯片移动存储器连接的计算机，所述移动存储器中包括量子计算、量子芯片、模组和软件平台采用的多维度多层次量子芯片的操作权限层20部分，如：与计算机连接的量子芯片的平台层10、用于数据处理的量子芯片的AI算法层30、用于数据存储的存储层40，本实施例对此不加以限定。所述本方案中的基于量子芯片的数据存储方法适用于各种场景下的基于量子芯片的数据存储，本方案可以实现多场景下的数据识别存储。
可理解的是，所述量子芯片可以处理不同层之间的数据、安全、存储和操作层之间的关系，其中，不同层处理不同的事务以及对应相应的权限管理，层与层之间传输和操作均是闭环操作，每层都有自己的事务处理和不同角色操作权限。权限信息可以是操作人员对应的身份ID、操作密码以及可操作区域。不同的权限可以分别进入到不同的权限层，例如：操作人员A，对应的权限可以进入到量子芯片的AI算法层30，即操作人员A可以对量子芯片的AI算法层30中的算法进行更新改写。数据存储指令可以是由操作人员发起的数据存储指令，所述数据存储指令可以是在连接移动存储器后发起的数据存储指令，即量子芯片的存储器在与计算设备连接后，向量子芯片的平台层10发起的数据存储指令。
应理解的是，量子芯片的平台层10可以处理全部类型数据，如：图像，语音。文本，视频等，同时量子芯片的平台层10可以通过计算设备与相应的平台连接处理事项，如：可以包括人工智能物联网平台（PaaS）+数字孪生平台DaaS平台关联处理事项，通过预设通讯协议实现万物互联，即量子芯片的平台层10与所有设备可以通过预设通讯协议实现互联，根据数据模型识别操作权限以及操作指令通过相应接口（如：SDK、API等）进入相应层完成数据读写操作。量子芯片的AI算法层30可以用于接收到量子芯片的平台层10数据模型进行AI前期处理，例如：深度学习，AI算法仓库整合和分类处理等）关联和传输量子芯片的AI算法层30的模型库分布式传送给存储层40中。
其中，所述预设通信协议可以包括3G、4G、5G、CAT1、CAT4网络传输、NB-IOT窄带物联网、 LORA低功耗远程无线通信、MQTT消息队列遥测传输、HTTP、TCP传输层协议、UDP传输层协议中的一种或多种。
具体实现中，量子芯片的平台层10+量子芯片的AI算法层30将深度学习和整合好的文件数据和AI算法分类传输给“存储层”进行存储和安全管理。 应用层可以根据需求调用这三层（即：量子芯片的平台层10+量子芯片的AI算法层30+量子芯片的分布式存储层40）信息来进行全面应用于各行业（如：智慧园区，智慧医疗，工业互联网，智慧交通，自动驾驶，供应链金融等行业）。
所述量子芯片的操作权限层20，用于基于所述权限信息确定所述操作人员对应的可执行权限以及可访问层。
需说明的是，由于不同的操作人员对应的操作权限不同，例如：研发人员可以对数据进行读写操作，而应用使用人员只能对数据进行读操作，因此研发人员和应用使用人员对应的执行权限以及相应的访问权限会不同，因此通过权限信息确定所述操作人员对应的可执行权限以及可访问层权限可以识别后期对数据类型的确定以及对各数据类型的数据进行分布式存储。
所述量子芯片的AI算法层30，还用于根据预设深度学习模型确定待存储数据对应的数据类型，并根据所述数据类型判断是否对所述待存储数据进行分区处理。
需说明的是，根据预设深度学习模型对所述数据进行类型转换，将待存储数据转换为预设格式的数据，以便于后期分布式存储，所述预设深度学习模型可以是预先设置的用于对数据进行预处理的深度学习模型，其中预处理包括数据格式转换、数据筛除以及数据融合分析等处理。
可理解的是，量子芯片的AI算法层30包括多种类型数据对应的处理算法，所述处理算法包括但不限于预先设置的AI图像识别算法，AI音频识别算法以及文本识别算法，业务流程识别算法等，所述业务流程识别算法可以表示流程中的流程，N对N关系业务流，例如：（ChatGPT），AI图像识别算法可以更好的提取图片文件中的页面特征以及文本特征，并将特征数据转换为字符进行存储。在进行AI算法处理识别之前，可以对数据格式进行转换，以减少量子芯片的AI算法层30数据处理量，从而保证数据处理效率。例如：在获取到待存储的数据时，先通过将待存储的数据进行数字类型转换，将转换后的数据进行数字建模，再将在虚拟空间里完成AI算法处理等过程，这种方式相较于现有的处理方式提高了数据处理量及速度，极大地提升了数据处理效率。
应理解的是，在计算设备对数据进行存储时，通过待存储数据的数据类型对应的AI算法对待存储数据进行分析，以将数据变换成量子比特状态进行分区存储，一般量子比特状态是以数字符(0,1)的形式进行表征。
所述量子芯片的分布式存储层40，用于若是，根据判断结果和所述数据类型对应的AI算法对所述待存储数据按照存储类型进行数据处理，并基于所述可执行权限、所述可访问层以及所述数据存储指令将处理后的目标数据进行存储。
需说明的是，若需要通过AI算法对待存储数据进行处理时，根据待存储数据的数据类型确定对应的AI算法，并根据确定的AI算法对待存储数据进行处理，获得目标状态对应的目标数据存储至所述量子芯片的分布式存储层40。在对待存储的数据进行预处理后，将相同的数据块集合通过量子芯片的AI算法层30整理并生成唯一目标数据块进行存储。
可理解的是，所述量子芯片的分布式存储层40可以基于所述可执行权限、所述可访问层权限和所述数据存储指令接收待存储数据。待存储数据可以是指需要进行存储的数据，所述数据可以是经过权限访问读取的数据，也可以是经过访问改写后的数据，所述数据可以是音频，视频数据、文本数据、图像数据以及其他类型的数据。
具体实现中，可以通过可执行权限、可访问层权限和数据存储指令接收待存储数据。由于不同的数据类型对应不同的AI算法，因此在进入量子芯片的AI算法层30之前，可以对数据格式进行转换，以减少量子芯片的AI算法层30处理数据的数据负载压力，从而保证数据处理效率。
本实施例通过所述量子芯片的平台层10获取操作人员的权限信息和数据存储指令；所述量子芯片的操作权限层20基于所述权限信息确定所述操作人员对应的可执行权限以及可访问层；所述量子芯片的AI算法层30根据预设深度学习模型确定待存储数据对应的数据类型，并根据所述数据类型判断是否对所述待存储数据进行分区处理；所述量子芯片的分布式存储层40在判定通过所述量子芯片的AI算法层30对所述待存储数据进行分区处理时，根据判断结果和所述数据类型对应的AI算法对所述待存储数据按照存储类型进行数据处理，并基于所述可执行权限、所述可访问层以及所述数据存储指令将处理后的目标数据进行存储。本实施例通过量子芯片中包含的处理层对数据进行类型识别以及根据数据类型对应的AI算法对数据进行处理，从而将处理后的数据进行存储，相较于现有技术中传统芯片对应的存储设备不能同时分析大量不同的数据，存储信息效率低，影响工作效率，本实施例实现了同时分析不同层，不同类型数据并高效存储和计算，高效存储安全和精确运算，大幅提升工作效率和降本增效。
基于上述图1所示的第一实施例，提出本发明基于量子芯片的数据存储系统的第二实施例。
在本实施例中，所述数据存储系统还包括加密层，所述量子芯片的分布式存储层40，还用于基于所述加密层中的预设测量基对所述数据存储指令中包含的光子偏振态进行测量，获得测量结果。所述量子芯片的分布式存储层40，还用于根据所述可执行权限、所述可访问层以及所述测量结果接收待存储数据。
需说明的是，预设测量基可以是数据接收方预先设置的测量基，所述测量基可以是数据接收方用于告知数据发送方自身采用的测量基，以使数据发送方确定数据接收方所使用的测量基，保证数据通信安全性。
可理解的是，在通过采用量子芯片接收数据进行存储时，采用量子通信的加密方法对数据进行加密，通过利用量子态作为密钥或者数据本身的载体，通过量子测量的方法判断接收方和发送方在通信传输过程中是否存在数据泄露的安全问题，从而保证信息安全。因此本申请通过从数据存储指令中确定数据发送方发送的量子态的光子偏振态，并通过数据接收方所使用的测量基对光子偏振态进行测量，获得测量结果。所述测量结果包括数据接收方和数据发送方之间的测量基比对结果，所述结果包含了测量基相同部分和互异部分。
应理解的是，根据所述权限信息和所述权限管理层确定所述操作人员可执行权限，并通过操作人员可执行权限和测量结果确定是否接收待存储数据。
进一步地，所述加密层，用于基于所述测量结果和所述预设测量基确定目标测量基的量子比特位，并基于所述目标测量基对应的数据和所述待存储数据进行对比，根据对比结果判定是否存在异常数据；所述加密层，还用于在不存在异常数据时，将所述目标测量基对应的量子比特位作为目标量子密钥；所述量子芯片的分布式存储层40，还用于根据所述可执行权限、所述可访问层以及所述目标量子密钥接收待存储数据。
需说明的是，量子密钥运用一次一密的加密手段，相较于普通加密，量子密钥的加密方式更加安全，数据接收方（数据存储方）预先存储预设数量的测量基，通过在预设数量的测量基中选取一组测量基对数据发送方（数据存储指令发起方）发送的光子偏振态进行测量，根据测量结果中对比结果确定接收方与发送方量子比特位相同部分和互异部分，即接收方发送信息告知发送方当前哪些量子比特位上使用了哪一个测量基，发送方在接收到接收方发送的信息后，与其信息中包含的测量基逐一对比并告知接收方在哪些位置上选择的测量基是正确的，并丢弃互异部分，将使用相同测量基的量子比特位进行保存，以便于后期通信。
可理解的是，若数据传输信道安全存在问题时，数据发送方和数据接收方的数据应当是相同的，因此通过目标测量基对应的数据和待存储数据进行对比，根据对比结果判定是否存在异常数据，因此通过异常数据判断是否存在信息泄露的安全问题。在不存在异常数据时，将所述目标测量基对应的量子比特位作为目标量子密钥；根据所述权限信息和所述权限管理层确定所述操作人员可执行权限，并根据所述可执行权限和所述目标量子密钥接收待存储数据。
所述量子芯片的AI算法层30，还用于根据预设量子神经网络模型对所述待存储数据进行量子分析，获得待识别量子比特；所述量子芯片的AI算法层30，还用于对所述待识别量子比特进行数字类型转换，并通过数字建模将待存储数据中相同数据进行筛除，获得第一目标数据；所述量子芯片的AI算法层30，还用于根据预设深度学习模型确定所述第一目标数据对应的数据类型。
需说明的是，在通过量子芯片的AI算法层30的深度学习模型处理之前，先通过预设量子神经网络模型对所述待存储数据进行量子分析，获得待识别量子比特，所述预设量子神经网络模型可以是预先设置的用于将数据转换为量子信道对应的量子态数据的神经网络模型，所述模型可以是由分类器、特征提取结构以及模型优化生成器所构成，其中分类器用于将数据按照预设类型进行分类，所述特征提取结构用于辅助分类器将数据进行更精确的类型区分，在获得数据类型后，将分类后的数据通过编码器进行态转变获得量子态的信息输入至优化模型生成器中对原始量子申请网络模型进行优化，输出优化后的量子神经网络模型。将优化后的量子神经网络模型作为预设量子神经网络模型。
可理解的是，根据预设量子神经网络模型对所述待存储数据进行量子分析，获得待识别量子比特；根据预设量子编码模型对所述待识别量子比特进行量子态编码，获得编码标签集，根据预设编码标签和所述编码标签集确定相同的编码标签的数据，并将具有相同编码标签的数据进行筛除，获得第一目标数据，预设量子编码模型可以是预先设置的对数据降维压缩的神经网络编码结构的模型，其中，通过量子编码模型对量子比特添加编码，并获得各量子比特的标签生成编码标签集，从而根据预设编码标签与编码标签集中的编码进行对比，确定量子比特携带的数据属性，将具有相同数据属性以及相同的编码标签的数据进行筛除，并获得筛除后的第一目标数据。
应理解的是，通过筛除后的第一目标数据携带的数据属性以及通过预设深度学习模型对第一目标数据进行识别确定所述第一目标数据对应的数据类型。
在本实施例中，所述量子芯片的AI算法层30，还用于在所述数据类型不为字符数据类型时，对所述待存储数据进行分区处理；所述量子芯片的AI算法层30，还用于在所述数据类型为字符数据类型时，不对所述待存储数据进行分区处理。
需说明的是，量子通信是将数据转换为量子态的量子比特进行传输，因此在针对不是字符数据类型的数据时，需要通过相应的AI算法对待存储数据进行处理，从而保证处理后的数据可以准确转换为量子态的量子比特数据进行传输。
在本实施例中，所述量子芯片的分布式存储层40，还用于在判定通过所述量子芯片的AI算法层30对所述待存储数据进行分区处理时，根据所述数据类型对应的AI算法对所述待存储数据按照存储类型进行数据处理，获得处理后的目标数据；所述量子芯片的分布式存储层40，还用于将处理后的目标数据进行归一化处理，获得预设类型集合对应的目标数据集；所述量子芯片的分布式存储层40，还用于将所述目标数据集按照所述存储类型进行存储。
需说明的是，目标数据是指可以通过量子索引准确查找到相应量子态的量子比特数据形式的数据。
可理解的是，通过将处理后的目标数据进行归一化处理，将相同数据类型的数据保存至同一数据集合中，从而生成预设类型集合对应的目标数据集。
进一步地，所述数据存储系统还包括风险管理层；所述风险管理层，用于在数据存储过程中接收到操作人员的改写操作时，对所述操作人员的权限进行识别，若所述操作人员不具有改写权限，则停止数据存储操作并生成预警信息；所述风险管理层，还用于对所述改写操作对应的改写内容进行识别，并将识别结果发送至管理平台以供运维人员进行风险管理。
需说明的是，为了保证在出现安全问题时及时响应，通过在数据存储的过程中监控操作人员的操作行为，在对系统中的数据进行改写操作时，对操作人员的权限进行识别，并在存在跨权限更改操作行为时，及时暂停存储操作，并生成预警信息，所述预警信息包括改写操作人员的身份ID信息以及操作路径信息。
可理解的是，识别结果包括对改写内容对应的数据属性以及改写文件存储区域以及风险路径等识别结果。
具体实现中，在数据存储过程中接收到操作人员的改写操作时，对操作人员的权限进行识别，若所述操作人员不具有改写权限，则停止数据存储操作并生成预警信息；对改写操作对应的改写内容进行识别，并将识别结果发送至管理平台以供运维人员进行风险管理。
本实施例通过所述量子芯片的平台层10获取操作人员的权限信息和数据存储指令；所述量子芯片的操作权限层20基于所述权限信息确定所述操作人员对应的可执行权限以及可访问层；所述量子芯片的AI算法层30根据预设深度学习模型确定待存储数据对应的数据类型，并根据所述数据类型判断是否对所述待存储数据进行分区处理；所述量子芯片的分布式存储层40在判定通过所述量子芯片的AI算法层30对所述待存储数据进行分区处理时，根据判断结果和所述数据类型对应的AI算法对所述待存储数据按照存储类型进行数据处理，并基于所述可执行权限、所述可访问层以及所述数据存储指令将处理后的目标数据进行存储。本实施例通过量子芯片中包含的处理层对数据进行类型识别以及根据数据类型对应的AI算法对数据进行处理，从而将处理后的数据进行存储，相较于现有技术中传统芯片对应的存储设备不能同时分析大量不同的数据，存储信息效率低，影响工作效率，本实施例实现了同时分析不同层，不同类型数据并高效存储和计算，高效存储安全和精确运算，大幅提升工作效率和降本增效。
基于上述基于量子芯片的数据存储系统，本发明还提供一种基于量子芯片的数据存储方法。
参照图2，图2本发明基于量子芯片的数据存储系统第一实施例的流程示意图。
步骤S10：所述量子芯片的平台层获取操作人员的权限信息和数据存储指令。
需说明的是，本实施例的执行主体可以是包含基于量子芯片的数据存储系统的计算设备，所述计算设备可以是与包含量子比特数字芯片移动存储器连接的计算机，所述移动存储器中包括量子计算、量子芯片、模组和软件平台采用的多维度多层次量子芯片的操作权限层部分，如：与计算机连接的量子芯片的平台层、用于数据处理的量子芯片的AI算法层、用于数据存储的存储层，本实施例对此不加以限定。所述本方案中的基于量子芯片的数据存储方法适用于各种场景下的基于量子芯片的数据存储，本方案可以实现多场景下的数据识别存储。
可理解的是，所述量子芯片可以处理不同层之间的数据、安全、存储和操作层之间的关系，其中，不同层处理不同的事务以及对应相应的权限管理，层与层之间传输和操作均是闭环操作，每层都有自己的事务处理和不同角色操作权限。权限信息可以是操作人员对应的身份ID、操作密码以及可操作区域。不同的权限可以分别进入到不同的权限层，例如：操作人员A，对应的权限可以进入到量子芯片的AI算法层，即操作人员A可以对量子芯片的AI算法层中的算法进行更新改写。数据存储指令可以是由操作人员发起的数据存储指令，所述数据存储指令可以是在连接移动存储器后发起的数据存储指令，即量子芯片的存储器在与计算设备连接后，向量子芯片的平台层发起的数据存储指令。
应理解的是，量子芯片的平台层可以处理全部类型数据，如：图像，语音。文本，视频等，同时量子芯片的平台层可以通过计算设备与相应的平台连接处理事项，如：可以包括人工智能物联网平台（PaaS）+数字孪生平台DaaS平台关联处理事项，通过预设通讯协议实现万物互联，即量子芯片的平台层与所有设备可以通过预设通讯协议实现互联，根据数据模型识别操作权限以及操作指令通过相应接口（如：SDK、API等）进入相应层完成数据读写操作。量子芯片的AI算法层可以用于接收到量子芯片的平台层数据模型进行AI前期处理，例如：深度学习，AI算法仓库整合和分类处理等）关联和传输量子芯片的AI算法层的模型库分布式传送给存储层中。
其中，所述预设通信协议可以包括3G、4G、5G、CAT1、CAT4网络传输、NB-IOT窄带物联网、 LORA低功耗远程无线通信、MQTT消息队列遥测传输、HTTP、TCP传输层协议、UDP传输层协议中的一种或多种。
具体实现中，量子芯片的平台层+量子芯片的AI算法层将深度学习和整合好的文件数据和AI算法分类传输给“存储层”进行存储和安全管理。 应用层可以根据需要，去调用这三层（量子芯片的平台层+量子芯片的AI算法层+量子芯片的分布式存储层）信息来进行全面应用于各行业（智慧园区，智慧医疗，工业互联网，智慧交通，供应链金融等行业）。
步骤S20：所述量子芯片的操作权限层基于所述权限信息确定所述操作人员对应的可执行权限以及可访问层。
需说明的是，由于不同的操作人员对应的操作权限不同，例如：开发人员可以对数据进行读写操作，而应用使用人员只能对数据进行读操作，因此开发人员和应用使用人员对应的执行权限以及相应的访问权限会不同，因此通过权限信息确定所述操作人员对应的可执行权限以及可访问层可以便于后期对数据类型的确定以及分布式存储。
步骤S30：所述量子芯片的AI算法层根据预设深度学习模型确定待存储数据对应的数据类型，并根据所述数据类型判断是否对所述待存储数据进行分区处理。
需说明的是，根据预设深度学习模型对所述数据进行类型转换，将待存储数据转换为预设格式的数据，以便于后期分布式存储，所述预设深度学习模型可以是预先设置的用于对数据进行预处理的深度学习模型，其中预处理包括数据格式转换、数据筛除以及数据融合分析等处理。
可理解的是，量子芯片的AI算法层包括多种类型数据对应的处理算法，所述处理算法包括但不限于预先设置的AI图像识别算法，AI音频识别算法以及文本识别算法，业务流程识别算法等，所述业务流程识别算法可以表示流程中的流程，N对N关系业务流，例如：（ChatGPT），AI图像识别算法可以更好的提取图片文件中的页面特征以及文本特征，并将特征数据转换为字符进行存储。在进行AI算法处理识别之前，可以对数据格式进行转换，以减少量子芯片的AI算法层数据处理量，从而保证数据处理效率。例如：在获取到待存储的数据时，先通过将待存储的数据进行数字类型转换，将转换后的数据进行数字建模，再将在虚拟空间里完成AI算法处理等过程，这种方式相较于现有的处理方式提高了数据处理量及速度，极大地提升了数据处理效率。
应理解的是，在计算设备对数据进行存储时，通过待存储数据的数据类型对应的AI算法对待存储数据进行分析，以将数据变换成量子比特状态进行分区存储，一般量子比特状态是以数字符(0,1)的形式进行表征。
步骤S40：所述量子芯片的分布式存储层在判定通过所述量子芯片的AI算法层对所述待存储数据进行分区处理时，根据判断结果和所述数据类型对应的AI算法对所述待存储数据按照存储类型进行数据处理，并基于所述可执行权限、所述可访问层以及所述数据存储指令将处理后的目标数据进行存储。
需说明的是，若需要通过AI算法对待存储数据进行处理时，根据待存储数据的数据类型确定对应的AI算法，并根据确定的AI算法对待存储数据进行处理，获得目标状态对应的目标数据存储至所述量子芯片的分布式存储层。在对待存储的数据进行预处理后，将相同的数据块集合通过量子芯片的AI算法层整理并生成唯一目标数据块进行存储。
可理解的是，所述量子芯片的分布式存储层40可以基于所述可执行权限、所述可访问层和所述数据存储指令接收待存储数据。待存储数据可以是指需要进行存储的数据，所述数据可以是经过权限访问读取的数据，也可以是经过访问改写后的数据，所述数据可以是音频数据、文本数据、图像数据以及其他类型的数据。
具体实现中，可以通过可执行权限、可访问层和数据存储指令接收待存储数据。由于不同的数据类型对应不同的AI算法，因此在进入量子芯片的AI算法层之前，可以对数据格式进行转换，以减少量子芯片的AI算法层在处理数据的数据负载压力，从而保证数据处理效率。
进一步地，所述数据存储系统还包括加密层，所述量子芯片的分布式存储层基于所述加密层中的预设测量基对所述数据存储指令中包含的光子偏振态进行测量，获得测量结果；所述量子芯片的分布式存储层根据所述可执行权限、所述可访问层以及所述测量结果接收待存储数据；所述量子芯片的AI算法层根据预设深度学习模型对所述待存储数据进行数字类型转换，确定所述待存储数据对应的数据类型。
需说明的是，预设测量基可以是数据接收方预先设置的测量基，所述测量基可以是数据接收方用于告知数据发送方自身采用的测量基，以使数据发送方确定数据接收方所使用的测量基，保证数据通信安全性。
可理解的是，在通过采用量子芯片接收数据进行存储时，采用量子通信的加密方法对数据进行加密，通过利用量子态作为密钥或者数据本身的载体，通过量子测量的方法判断接收方和发送方在通信传输过程中是否存在数据泄露的安全问题，从而保证信息安全。因此本申请通过从数据存储指令中确定数据发送方发送的量子态的光子偏振态，并通过数据接收方所使用的测量基对光子偏振态进行测量，获得测量结果。所述测量结果包括数据接收方和数据发送方之间的测量基比对结果，所述结果包含了测量基相同部分和互异部分。
应理解的是，根据所述权限信息和所述权限管理层确定所述操作人员可执行权限，并通过操作人员可执行权限和测量结果确定是否接收待存储数据。
进一步地，所述加密层基于所述测量结果和所述预设测量基确定目标测量基的量子比特位，并基于所述目标测量基对应的数据和所述待存储数据进行对比，根据对比结果判定是否存在异常数据；所述加密层在不存在异常数据时，将所述目标测量基对应的量子比特位作为目标量子密钥；所述量子芯片的分布式存储层根据所述可执行权限、所述可访问层以及所述目标量子密钥接收待存储数据。
需说明的是，量子密钥运用一次一密的加密手段，相较于普通加密，量子密钥的加密方式更加安全，数据接收方（数据存储方）预先存储预设数量的测量基，通过在预设数量的测量基中选取一组测量基对数据发送方（数据存储指令发起方）发送的光子偏振态进行测量，根据测量结果中对比结果确定接收方与发送方量子比特位相同部分和互异部分，即接收方发送信息告知发送方当前哪些量子比特位上使用了哪一个测量基，发送方在接收到接收方发送的信息后，与其信息中包含的测量基逐一对比并告知接收方在哪些位置上选择的测量基是正确的，并丢弃互异部分，将使用相同测量基的量子比特位进行保存，以便于后期通信。
可理解的是，若数据传输信道安全存在问题时，数据发送方和数据接收方的数据应当是相同的，因此通过目标测量基对应的数据和待存储数据进行对比，根据对比结果判定是否存在异常数据，因此通过异常数据判断是否存在信息泄露的安全问题。在不存在异常数据时，将所述目标测量基对应的量子比特位作为目标量子密钥；根据所述权限信息和所述权限管理层确定所述操作人员可执行权限，并根据所述可执行权限和所述目标量子密钥接收待存储数据。
本实施例通过所述量子芯片的平台层获取操作人员的权限信息和数据存储指令；所述量子芯片的操作权限层基于所述权限信息确定所述操作人员对应的可执行权限以及可访问层；所述量子芯片的AI算法层根据预设深度学习模型确定待存储数据对应的数据类型，并根据所述数据类型判断是否对所述待存储数据进行分区处理；所述量子芯片的分布式存储层在判定通过所述量子芯片的AI算法层对所述待存储数据进行分区处理时，根据判断结果和所述数据类型对应的AI算法对所述待存储数据按照存储类型进行数据处理，并基于所述可执行权限、所述可访问层以及所述数据存储指令将处理后的目标数据进行存储。本实施例通过量子芯片中包含的处理层对数据进行类型识别以及根据数据类型对应的AI算法对数据进行处理，从而将处理后的数据进行存储，相较于现有技术中传统芯片对应的存储设备不能同时分析大量不同的数据，存储信息效率低，影响工作效率，本实施例实现了同时分析不同层，不同类型数据并高效存储和计算，高效存储安全和精确运算，大幅提升工作效率和降本增效。
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通 过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的 技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来，该计算机软件产品存储在一个存储介质（如只读存储器/随机存取存储器、磁碟、光盘）中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
Claims (10)
1.一种基于量子芯片的数据存储系统，其特征在于，所述量子芯片的数据存储系统包括量子芯片的平台层、量子芯片的AI算法层、量子芯片的分布式存储层、量子芯片的操作权限层；
所述量子芯片的平台层，用于获取操作人员的权限信息和数据存储指令；
所述量子芯片的操作权限层，用于基于所述权限信息确定所述操作人员对应的可执行权限以及可访问层；
所述量子芯片的AI算法层，用于根据预设深度学习模型确定待存储数据对应的数据类型，并根据所述数据类型判断是否对所述待存储数据进行分区处理；
所述量子芯片的分布式存储层，用于若是，根据判断结果和所述数据类型对应的AI算法对所述待存储数据按照存储类型进行数据处理，并基于所述可执行权限、所述可访问层以及所述数据存储指令将处理后的目标数据进行存储。
2.如权利要求1所述的基于量子芯片的数据存储系统，其特征在于，所述数据存储系统还包括加密层，所述量子芯片的分布式存储层，还用于基于所述加密层中的预设测量基对所述数据存储指令中包含的光子偏振态进行测量，获得测量结果；
所述量子芯片的分布式存储层，还用于根据所述可执行权限、所述可访问层以及所述测量结果接收待存储数据。
3.如权利要求2所述的基于量子芯片的数据存储系统，其特征在于，所述加密层，用于基于所述测量结果和所述预设测量基确定目标测量基的量子比特位，并基于所述目标测量基对应的数据和所述待存储数据进行对比，根据对比结果判定是否存在异常数据；
所述加密层，还用于在不存在异常数据时，将所述目标测量基对应的量子比特位作为目标量子密钥；
所述量子芯片的分布式存储层，还用于根据所述可执行权限、所述可访问层以及所述目标量子密钥接收待存储数据。
4.如权利要求2所述基于量子芯片的数据存储系统，其特征在于，所述量子芯片的AI算法层，还用于根据预设量子神经网络模型对所述待存储数据进行量子分析，获得待识别量子比特；
所述量子芯片的AI算法层，还用于对所述待识别量子比特进行数字类型转换，并通过数字建模将待存储数据中相同数据进行筛除，获得第一目标数据；
所述量子芯片的AI算法层，还用于根据预设深度学习模型确定所述第一目标数据对应的数据类型。
5.如权利要求1所述基于量子芯片的数据存储系统，其特征在于，所述量子芯片的AI算法层，还用于在所述数据类型不为字符数据类型时，对所述待存储数据进行分区处理；
所述量子芯片的AI算法层，还用于在所述数据类型为字符数据类型时，不对所述待存储数据进行分区处理。
6.如权利要求5所述的基于量子芯片的数据存储系统，其特征在于，所述量子芯片的分布式存储层，还用于在判定通过所述量子芯片的AI算法层对所述待存储数据进行分区处理时，根据所述数据类型对应的AI算法对所述待存储数据按照存储类型进行数据处理，获得处理后的目标数据；
所述量子芯片的分布式存储层，还用于将处理后的目标数据进行归一化处理，获得预设类型集合对应的目标数据集；
所述量子芯片的分布式存储层，还用于将所述目标数据集按照所述存储类型进行存储。
7.如权利要求6所述的基于量子芯片的数据存储系统，其特征在于，所述数据存储系统还包括风险管理层；
所述风险管理层，用于在数据存储过程中接收到操作人员的改写操作时，对所述操作人员的权限进行识别，若所述操作人员不具有改写权限，则停止数据存储操作并生成预警信息；
所述风险管理层，还用于对所述改写操作对应的改写内容进行识别，并将识别结果发送至管理平台以供运维人员进行风险管理。
8.一种基于权利要求1-7任一项所述的基于量子芯片的数据存储系统的基于量子芯片的数据存储方法，其特征在于，所述基于量子芯片的数据存储方法包括：
所述量子芯片的平台层获取操作人员的权限信息和数据存储指令；
所述量子芯片的操作权限层基于所述权限信息确定所述操作人员对应的可执行权限以及可访问层；
所述量子芯片的AI算法层根据预设深度学习模型确定待存储数据对应的数据类型，并根据所述数据类型判断是否对所述待存储数据进行分区处理；
所述量子芯片的分布式存储层在判定通过所述量子芯片的AI算法层对所述待存储数据进行分区处理时，根据判断结果和所述数据类型对应的AI算法对所述待存储数据按照存储类型进行数据处理，并基于所述可执行权限、所述可访问层以及所述数据存储指令将处理后的目标数据进行存储。
9.如权利要求8所述的基于量子芯片的数据存储方法，其特征在于，所述数据存储系统还包括加密层，所述量子芯片的分布式存储层基于所述加密层中的预设测量基对所述数据存储指令中包含的光子偏振态进行测量，获得测量结果；
所述量子芯片的分布式存储层根据所述可执行权限、所述可访问层以及所述测量结果接收待存储数据；
所述量子芯片的AI算法层根据预设深度学习模型对所述待存储数据进行数字类型转换，确定所述待存储数据对应的数据类型。
10.如权利要求9所述的基于量子芯片的数据存储方法，其特征在于，所述加密层基于所述测量结果和所述预设测量基确定目标测量基的量子比特位，并基于所述目标测量基对应的数据和所述待存储数据进行对比，根据对比结果判定是否存在异常数据；
所述加密层在不存在异常数据时，将所述目标测量基对应的量子比特位作为目标量子密钥；
所述量子芯片的分布式存储层根据所述可执行权限、所述可访问层以及所述目标量子密钥接收待存储数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310771127.2A CN116502726B (zh) | 2023-06-28 | 2023-06-28 | 基于量子芯片的数据存储系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310771127.2A CN116502726B (zh) | 2023-06-28 | 2023-06-28 | 基于量子芯片的数据存储系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116502726A true CN116502726A (zh) | 2023-07-28 |
| CN116502726B CN116502726B (zh) | 2023-09-19 |
Family
ID=87320621
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310771127.2A Active CN116502726B (zh) | 2023-06-28 | 2023-06-28 | 基于量子芯片的数据存储系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116502726B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117318942A (zh) * | 2023-11-29 | 2023-12-29 | 江苏微知量子科技有限公司 | 一种结合量子安全技术的分布式存储系统 |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170300808A1 (en) * | 2016-04-13 | 2017-10-19 | 1Qb Information Technologies Inc. | Quantum processor and its use for implementing a neural network |
| CN109213603A (zh) * | 2018-05-31 | 2019-01-15 | 合肥本源量子计算科技有限责任公司 | 一种用于对接量子计算机与用户的云平台及平台运行方法 |
| CN110224828A (zh) * | 2019-07-17 | 2019-09-10 | 江苏南工科技集团有限公司 | 一种基于量子技术的加密算法 |
| CN110717595A (zh) * | 2019-09-30 | 2020-01-21 | 深圳前海微众银行股份有限公司 | 一种基于量子算法的键值存储系统和方法 |
| CN110929294A (zh) * | 2020-02-03 | 2020-03-27 | 成都信息工程大学 | 单向传输的量子数据库隐私查询方法 |
| US20200201379A1 (en) * | 2018-12-21 | 2020-06-25 | Intel Corporation | Apparatus and method for dynamically adjusting quantum computer clock frequency with a locking pulse |
| CN112114776A (zh) * | 2020-09-30 | 2020-12-22 | 合肥本源量子计算科技有限责任公司 | 一种量子乘法运算方法、装置、电子装置及存储介质 |
| CN112418387A (zh) * | 2020-11-18 | 2021-02-26 | 北京百度网讯科技有限公司 | 量子数据处理方法及设备 |
| CN112470173A (zh) * | 2018-06-06 | 2021-03-09 | Q-Ctrl股份有限公司 | 量子控制开发和实现界面 |
| US20210089955A1 (en) * | 2019-09-24 | 2021-03-25 | Qualcomm Incorporated | Quantum inspired convolutional kernels for convolutional neural networks |
| CN112685778A (zh) * | 2020-12-31 | 2021-04-20 | 北京聚云科技有限公司 | 一种数据存储方法及装置 |
| US20210173810A1 (en) * | 2019-12-06 | 2021-06-10 | Honeywell International Inc. | Holographic quantum dynamics simulation |
| CN113297151A (zh) * | 2021-02-10 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 数据处理方法以及装置 |
| CN214029831U (zh) * | 2020-12-03 | 2021-08-24 | 江苏海事职业技术学院 | 一种用于量子芯片的存储装置 |
| US20220121998A1 (en) * | 2020-10-19 | 2022-04-21 | Google Llc | Quantum computing with kernel methods for machine learning |
| US20220147824A1 (en) * | 2020-11-12 | 2022-05-12 | equal1.labs Inc. | Accelerated Learning In Neural Networks Incorporating Quantum Unitary Noise And Quantum Stochastic Rounding Using Silicon Based Quantum Dot Arrays |
| CN114548414A (zh) * | 2022-02-22 | 2022-05-27 | 合肥本源量子计算科技有限责任公司 | 一种编译量子线路的方法、装置、存储介质及编译系统 |
| CN115204401A (zh) * | 2015-12-30 | 2022-10-18 | 谷歌有限责任公司 | 量子处理器以及用于训练量子处理器的方法 |
| CN115756780A (zh) * | 2022-11-10 | 2023-03-07 | 深圳量旋科技有限公司 | 量子计算任务调度方法、装置、计算机设备及存储介质 |
| CN116341666A (zh) * | 2023-03-17 | 2023-06-27 | 重庆邮电大学 | 一种基于量子线路的量子卷积神经网络的设计方法及系统 |
-
2023
- 2023-06-28 CN CN202310771127.2A patent/CN116502726B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115204401A (zh) * | 2015-12-30 | 2022-10-18 | 谷歌有限责任公司 | 量子处理器以及用于训练量子处理器的方法 |
| US20170300808A1 (en) * | 2016-04-13 | 2017-10-19 | 1Qb Information Technologies Inc. | Quantum processor and its use for implementing a neural network |
| CN109213603A (zh) * | 2018-05-31 | 2019-01-15 | 合肥本源量子计算科技有限责任公司 | 一种用于对接量子计算机与用户的云平台及平台运行方法 |
| CN112470173A (zh) * | 2018-06-06 | 2021-03-09 | Q-Ctrl股份有限公司 | 量子控制开发和实现界面 |
| US20200201379A1 (en) * | 2018-12-21 | 2020-06-25 | Intel Corporation | Apparatus and method for dynamically adjusting quantum computer clock frequency with a locking pulse |
| CN110224828A (zh) * | 2019-07-17 | 2019-09-10 | 江苏南工科技集团有限公司 | 一种基于量子技术的加密算法 |
| US20210089955A1 (en) * | 2019-09-24 | 2021-03-25 | Qualcomm Incorporated | Quantum inspired convolutional kernels for convolutional neural networks |
| CN110717595A (zh) * | 2019-09-30 | 2020-01-21 | 深圳前海微众银行股份有限公司 | 一种基于量子算法的键值存储系统和方法 |
| US20210173810A1 (en) * | 2019-12-06 | 2021-06-10 | Honeywell International Inc. | Holographic quantum dynamics simulation |
| CN110929294A (zh) * | 2020-02-03 | 2020-03-27 | 成都信息工程大学 | 单向传输的量子数据库隐私查询方法 |
| CN112114776A (zh) * | 2020-09-30 | 2020-12-22 | 合肥本源量子计算科技有限责任公司 | 一种量子乘法运算方法、装置、电子装置及存储介质 |
| US20220121998A1 (en) * | 2020-10-19 | 2022-04-21 | Google Llc | Quantum computing with kernel methods for machine learning |
| US20220147824A1 (en) * | 2020-11-12 | 2022-05-12 | equal1.labs Inc. | Accelerated Learning In Neural Networks Incorporating Quantum Unitary Noise And Quantum Stochastic Rounding Using Silicon Based Quantum Dot Arrays |
| CN112418387A (zh) * | 2020-11-18 | 2021-02-26 | 北京百度网讯科技有限公司 | 量子数据处理方法及设备 |
| CN214029831U (zh) * | 2020-12-03 | 2021-08-24 | 江苏海事职业技术学院 | 一种用于量子芯片的存储装置 |
| CN112685778A (zh) * | 2020-12-31 | 2021-04-20 | 北京聚云科技有限公司 | 一种数据存储方法及装置 |
| CN113297151A (zh) * | 2021-02-10 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 数据处理方法以及装置 |
| CN114548414A (zh) * | 2022-02-22 | 2022-05-27 | 合肥本源量子计算科技有限责任公司 | 一种编译量子线路的方法、装置、存储介质及编译系统 |
| CN115756780A (zh) * | 2022-11-10 | 2023-03-07 | 深圳量旋科技有限公司 | 量子计算任务调度方法、装置、计算机设备及存储介质 |
| CN116341666A (zh) * | 2023-03-17 | 2023-06-27 | 重庆邮电大学 | 一种基于量子线路的量子卷积神经网络的设计方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117318942A (zh) * | 2023-11-29 | 2023-12-29 | 江苏微知量子科技有限公司 | 一种结合量子安全技术的分布式存储系统 |
| CN117318942B (zh) * | 2023-11-29 | 2024-02-13 | 江苏微知量子科技有限公司 | 一种结合量子安全技术的分布式存储系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116502726B (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10776611B2 (en) | Method and system for identifying an individual in a digital image using location meta-tags | |
| CN109165940B (zh) | 一种防盗方法、装置及电子设备 | |
| JP2021520589A (ja) | ブロックチェーンに基づく全生存期間におけるプレハブ部材の品質追跡方法とシステム | |
| CN116502726B (zh) | 基于量子芯片的数据存储系统及方法 | |
| CN111931189B (zh) | Api接口转用风险检测方法、装置和api服务系统 | |
| US20220414264A1 (en) | Privacy transformations in data analytics | |
| CN113177660B (zh) | 驾驶意图预测与处理方法、装置、设备及存储介质 | |
| CN114641080A (zh) | 数据交互方法、传感器网络和存储介质 | |
| CN110765293A (zh) | 自动开启二维码的方法、系统、电子设备及存储介质 | |
| CN118278048B (zh) | 基于云计算的数据资产安全监测系统及方法 | |
| Kamruzzaman et al. | AI-based computer vision using deep learning in 6G wireless networks | |
| CN118075427A (zh) | 一种智能化监控管理方法及系统 | |
| CN111429110B (zh) | 门店标准化审核方法、装置、设备及存储介质 | |
| CN114003600A (zh) | 数据处理方法、系统、电子设备和存储介质 | |
| CN112329057A (zh) | 文档管理方法、装置、设备及计算机可读存储介质 | |
| CN112633200A (zh) | 基于人工智能的人脸图像比对方法、装置、设备及介质 | |
| CN117113403A (zh) | 一种数据脱敏的方法、装置、电子设备及存储介质 | |
| CN103279845A (zh) | 基于物联网手机的考勤数据处理方法及系统 | |
| CN114466362B (zh) | 基于BiLSTM的5G通信下垃圾短信过滤方法及装置 | |
| CN114549221A (zh) | 车辆事故损失处理方法、装置、计算机设备及存储介质 | |
| KR20230082694A (ko) | 비정형 이미지 데이터의 관리 솔루션을 제공하는 방법 | |
| More et al. | Multifactor Biometric Authentication for Cloud Computing Security | |
| CN113379345A (zh) | 一种基于轨迹追踪的智能物流处理方法和系统 | |
| KR102146132B1 (ko) | 보안 디바이스 및 방법 | |
| CN212061238U (zh) | 一种管控信息通信终端信息的平台系统和移动客户端 |
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 |