CN116776993B - 一种量子比特调度方法、装置、设备及存储介质 - Google Patents
一种量子比特调度方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116776993B CN116776993B CN202311069668.7A CN202311069668A CN116776993B CN 116776993 B CN116776993 B CN 116776993B CN 202311069668 A CN202311069668 A CN 202311069668A CN 116776993 B CN116776993 B CN 116776993B
- Authority
- CN
- China
- Prior art keywords
- performance
- quantum
- qubit
- target
- 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.)
- Active
Links
- 239000002096 quantum dot Substances 0.000 title claims abstract description 336
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000005192 partition Methods 0.000 claims abstract description 187
- 238000004364 calculation method Methods 0.000 claims abstract description 145
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000000638 solvent extraction Methods 0.000 claims description 23
- 230000007704 transition Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 13
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 abstract description 7
- 230000006978 adaptation Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000003595 spectral effect Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000002910 structure generation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 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
- G06N10/20—Models of quantum computing, e.g. quantum circuits or universal quantum computers
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Superconductor Devices And Manufacturing Methods Thereof (AREA)
Abstract
本发明公开了一种量子比特调度方法、装置、设备及存储介质，涉及量子计算技术领域。该方法包括：获取计算任务；根据量子芯片内量子比特的连接关系以及量子比特相关的性能，按照性能对量子芯片内量子比特进行划分得到量子比特分区；根据计算任务对应的性能要求，从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务。通过基于性能对量子芯片内的量子比特进行区域划分，然后根据计算任务的性能要求，从相应的目标量子比特分区中选取出性能适配的目标量子比特，保障了计算的准确性，也充分发挥量子优势，使得量子比特得以高效使用，节省了量子资源，实现资源利用效率的最大化。
Description
技术领域
本发明涉及量子计算技术领域，特别涉及一种量子比特调度方法、装置、设备及存储介质。
背景技术
量子计算由于叠加态、纠缠态等物理特性，在某些计算任务上具有远超经典计算的能力。但因为工艺限制，目前很难保障一个量子芯片中的每个量子比特都具有同样好的性能。相关技术中，针对芯片上性能不达标的量子比特，目前普遍采用的做法是直接将其弃置，但这样在一定程度上造成了资源的浪费，作为一种紧缺资源，如何保证量子比特的充分利用和合理调度是目前亟需解决的问题。
发明内容
有鉴于此，本发明的目的在于提供一种量子比特调度方法、装置、设备及存储介质，能够充分发挥量子优势，节省量子资源。其具体方案如下：
第一方面，本发明公开了一种量子比特调度方法，包括：
获取计算任务；
根据量子芯片内量子比特的连接关系以及所述量子比特相关的性能，按照性能对所述量子芯片内量子比特进行划分得到量子比特分区；
根据所述计算任务对应的性能要求，从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务。
可选的，所述量子比特的性能包括节点性能和边连接性能；所述节点性能为基于量子比特的噪声、拓扑连接情况和退相干时间确定的，所述边连接性能为基于两个拓扑相连的量子比特的噪声确定的。
可选的，所述根据量子芯片内量子比特的连接关系以及所述量子比特相关的性能，按照性能对所述量子芯片内量子比特进行划分得到量子比特分区，包括：
根据量子芯片内量子比特的连接关系以及所述量子比特相关的性能，生成所述量子芯片对应的拓扑结构；
按照性能对所述拓扑结构进行划分得到量子比特分区。
可选的，所述按照性能对所述量子芯片内量子比特进行划分得到量子比特分区，包括：
利用图聚类法按照性能对所述拓扑结构进行划分以得到量子比特分区。
可选的，所述按照性能对所述量子芯片内量子比特进行划分得到量子比特分区，包括：
通过预设接口展示所述拓扑结构，并通过所述预设接口获取针对所述拓扑结构的划分指令；
根据所述划分指令对所述拓扑结构进行划分以得到量子比特分区。
可选的，所述按照性能对所述量子芯片内量子比特进行划分得到量子比特分区，包括：
根据每个所述量子比特的性能生成每个量子比特对应的向量；
基于所述向量通过聚类分析对所述量子芯片内量子比特进行划分得到量子比特分区。
可选的，所述按照性能对所述量子芯片内量子比特进行划分得到量子比特分区，包括：
按照性能利用机器学习对所述量子芯片内量子比特进行划分得到量子比特分区。
可选的，所述按照性能对所述量子芯片内量子比特进行划分得到量子比特分区，包括：
按照性能对所述量子芯片内量子比特进行划分，得到包含高性能量子比特的高性能区，以及包含低性能量子比特的低性能区。
可选的，所述按照性能对所述量子芯片内量子比特进行划分得到量子比特分区，包括：
按照性能对所述量子芯片内量子比特进行划分，得到包含高性能量子比特的高性能区、过渡区以及包含低性能量子比特的低性能区；
其中，分区的性能从优到劣依次为高性能区、过渡区、低性能区；其中，在目标情况下所述过渡区合并到所述高性能区或所述低性能区。
可选的，所述根据所述计算任务对应的性能要求，从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务，包括：
若所述计算任务对应的性能要求为低性能，则从所述低性能区中选取出执行所述计算任务的目标量子比特。
可选的，所述根据所述计算任务对应的性能要求，从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务，包括：
若所述计算任务对应的性能要求为高性能，则从所述高性能区中选取出执行所述计算任务的目标量子比特。
可选的，所述获取计算任务，包括：
获取至少一个高性能要求的计算任务以及一个低性能要求的计算任务；
相应的，所述根据所述计算任务对应的性能要求，从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务，包括：
从所述高性能区中选取出执行所述高性能要求的计算任务的目标量子比特，从所述低性能区中选取出执行所述低性能要求的计算任务的目标量子比特；
利用所述目标量子比特并行执行所述高性能要求的计算任务以及所述低性能要求的计算任务。
可选的，所述根据所述计算任务对应的性能要求，从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务，包括：
从所述高性能区选取出高性能目标量子比特，以便利用所述高性能目标量子比特执行所述计算任务中高性能要求的子任务；
从所述低性能区选取出低性能目标量子比特，以便利用所述低性能目标量子比特执行所述计算任务中低性能要求的子任务。
可选的，所述根据所述计算任务对应的性能要求，从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务之前，还包括：
确定所述计算任务所需的量子比特总数；
若所述量子比特总数大于所述高性能区内所有量子比特的总和，则执行所述从所述高性能区选取出高性能目标量子比特，以便利用所述高性能目标量子比特执行所述计算任务中高性能要求的子任务，从所述低性能区选取出低性能目标量子比特，以便利用所述低性能目标量子比特执行所述计算任务中低性能要求的子任务的操作。
可选的，所述确定所述计算任务所需的量子比特总数之后，还包括：
若所述量子比特总数小于或等于所述高性能区内所有量子比特的总和，则从所述高性能区中选取出执行所述计算任务的目标量子比特。
可选的，所述高性能要求的子任务为高质量计算任务和容错低的计算任务；所述低性能要求的子任务为模糊计算任务和容错高的计算任务。
可选的，所述根据所述计算任务对应的性能要求，从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务之后，还包括：
获取新计算任务，并根据量子芯片内量子比特的连接关系以及所述量子比特相关的性能，按照性能对所述量子芯片内量子比特进行划分得到所述新计算任务对应的量子比特分区；
根据所述新计算任务对应的性能要求，从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务。
可选的，所述获取新计算任务之前，还包括：
判断所述量子芯片当前是否达到满负荷；
若达到满负荷，则完成量子比特调度，否则，执行所述获取新计算任务的操作。
可选的，所述按照性能对所述量子芯片内量子比特进行划分得到量子比特分区，包括：
根据所述计算任务对应的任务类型结合所述每个量子比特的性能，对所述量子芯片内量子比特进行划分，得到所述计算任务对应的量子比特分区。
可选的，所述根据所述计算任务对应的任务类型结合所述每个量子比特的性能，对所述量子芯片内量子比特进行划分，包括：
根据所述计算任务的性能精度要求确定所述计算任务对应的任务类型；
根据所述任务类型结合所述每个量子比特的性能，对所述量子芯片内量子比特进行划分。
第二方面，本发明公开了一种量子比特调度装置，包括：
任务获取模块，用于获取计算任务；
划分模块，用于根据量子芯片内量子比特的连接关系以及所述量子比特相关的性能，按照性能对所述量子芯片内量子比特进行划分得到量子比特分区；
量子比特选取模块，用于根据所述计算任务对应的性能要求，从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务。
第三方面，本发明公开了一种量子设备，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现前述的量子比特调度方法。
第四方面，本发明公开了一种计算机可读存储介质，用于存储计算机程序；其中计算机程序被处理器执行时实现前述的量子比特调度方法。
本发明中，获取计算任务；根据量子芯片内量子比特的连接关系以及所述量子比特相关的性能，按照性能对所述量子芯片内量子比特进行划分得到量子比特分区；根据所述计算任务对应的性能要求，从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务。
可见本发明有益效果为通过基于性能对量子芯片内的量子比特进行区域划分，然后根据计算任务的性能要求，从相应的目标量子比特分区中选取出性能适配的目标量子比特，保障了计算的准确性，也充分发挥量子优势，使得量子比特得以高效使用，节省了量子资源，实现资源利用效率的最大化。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种量子比特调度方法流程图；
图2为本发明提供的一种具体的量子计算过程示意图；
图3为本发明提供的一种具体的量子芯片物理结构示意图；
图4为本发明提供的一种具体的量子芯片拓扑示意图；
图5为本发明提供的一种具体的量子比特调度方法流程图；
图6为本发明提供的一种具体的量子比特调度方法流程图；
图7为本发明提供的一种不同调度方法下计算效果仿真比较示意图；
图8为本发明提供的一种量子比特调度装置结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
现有技术中，针对芯片上性能不达标的量子比特，目前普遍采用的做法是直接将其弃置，但这样在一定程度上造成了资源的浪费，作为一种紧缺资源，如何保证量子比特的充分利用和合理调度是目前亟需解决的问题。为克服上述技术问题，本发明提出一种量子比特调度方法，能够充分发挥量子优势，节省量子资源。
本发明实施例公开了一种量子比特调度方法，参见图1所示，该方法可以包括以下步骤：
步骤S11：获取计算任务。
本实施例中，获取计算任务，即量子计算任务。
步骤S12：根据量子芯片内量子比特的连接关系以及所述量子比特相关的性能，按照性能对所述量子芯片内量子比特进行划分得到量子比特分区。
本实施例中，根据量子芯片内量子比特的连接关系以及所述量子比特相关的性能，按照性能对量子芯片内量子比特进行划分得到量子比特分区，即根据量子比特的性能，对所有量子比特进行划分，划分到的不同的量子比特分区的性能不同，如划分出由高性能量子比特组成的高性能区，以及由低性能量子比特组成的低性能区，即将高质量的量子比特划分到高性能区，将低质量的量子比特划分到低性能区。
本实施例中，所述量子比特的性能包括节点性能和边连接性能；所述节点性能为基于量子比特的噪声、拓扑连接情况和退相干时间确定的，所述边连接性能为基于两个拓扑相连的量子比特的噪声确定的。即将量子比特的噪声、拓扑连接情况、退相干时间等性能定义为图节点的性能，将两个拓扑相连的量子比特的噪声等性能定义为边连接的性能。可以理解的是，量子比特的噪声、拓扑连接情况和退相干时间都是影响量子比特性能的参数，因此通过综合这些参数确定量子比特性能。具体的，可以根据每类参数的影响程度配置对应的权重，最终加权求和得到综合性能。
可以理解的是，量子计算过程可以抽象为在量子线路上执行各个模块的过程，例如图2所示，其中qi（q1、q2…qn）对应第i个量子比特，线路从左往右执行，Rz和Ry等表示对量子比特执行的一种旋转门操作，实心点、竖线、空心圆组成的结构表示对两个量子比特执行的一种控制非门操作，L表示虚线框中的线路执行L次，由空心圆和字母M组成的结构表示测量操作。
本实施例中，所述根据量子芯片内量子比特的连接关系以及所述量子比特相关的性能，按照性能对所述量子芯片内量子比特进行划分得到量子比特分区，包括：根据量子芯片内量子比特的连接关系以及所述量子比特相关的性能，生成所述量子芯片对应的拓扑结构；按照性能对所述拓扑结构进行划分得到量子比特分区。拓扑结构具体为图结构，即根据量子芯片内部实际的硬件架构，选择图结构作为拓扑结果，进而生成量子芯片对应的拓扑结构。
可以理解的是，量子计算过程是抽象为逻辑量子线路的计算过程，而实际情况要考虑真实的量子芯片架构，例如图3所示，为真实量子芯片实体结构示意图，框出的一个十字结构就是一个物理量子比特。本实施例中，将真实量子芯片中的一个量子比特抽象为图4中的一个黑色实心点表示的抽象量子比特，图4所示为一种量子芯片的量子芯片内量子比特示意图。图3中示例性的画出6个量子比特，实际可以有多个。图4中，Q1、Q2……Qi……Qn是真实的量子比特,它们可以与图2中的q1、q2……qn一一对应，但也可以是其他形式的映射。为简化，以Q与q一一对应的情况为例，则对于图4这种形式的量子芯片而言，以图2的量子计算过程为例，实际就是要对Q1依次执行一个Rz门操作、一个Ry门、一个Rz门，Q2执行一个Rz门操作、一个Ry门、一个Rz门，随后Q1控制Q2执行一个控制非门。可以看到，图4中示意了一种工艺缺陷，即原本应该形成连接的Qi和Qi+1发生了断开，则两者之间无法直接进行控制非操作，只能通过其他方式间接完成，也即Qi的拓扑连接情况影响Qi的质量。
本实施例中，所述按照性能对所述量子芯片内量子比特进行划分得到量子比特分区，包括：利用图聚类法按照性能对所述拓扑结构进行划分以得到量子比特分区。即针对拓扑结构可以使用图聚类法进行自动划分。即具体可以利用图聚类算法根据每个量子比特的性能进行自动划分，上述图聚类算法包括基于图划分、模块度化优化、谱聚类、统计推断等。
其中，优选的可以利用谱聚类法，谱聚类是一种基于图论而演变来的聚类算法。该方法将样本点v视为图的顶点，将两个样本点之间的连接关系作为边，并使用邻接矩阵W表示整个图的连接关系，矩阵中的权重元素wij表示边的连接强弱。当vi到vj的连接很弱，则w很小，当vi和vj之间不存在边连接的时候，w为0；当vi到vj的连接非常紧密，则w很大。之后，谱聚类算法将这样表示的图切分成k个子图，使得子图间的权重尽可能小，子图内的权重尽可能大，而这k个子图就是聚类生成的k个类。针对量子比特来说，可以将每一个量子比特作为一个顶点，将量子比特的性能作为边，性能可以包括量子比特的保真度、量子比特的相互作用噪声、量子比特的拓扑连接性、量子比特的退相干时间等等。随后采用谱聚类算法将图中的量子比特切分为高性能区、过渡区、低性能区等多个聚类。之后在调度的过程中，将要求高的量子计算模块放在高性能区，将对性能要求低的计算模块放在低性能区或过渡区，以实现合理的资源调度。
本实施例中，所述按照性能对所述量子芯片内量子比特进行划分得到量子比特分区，可以包括：通过预设接口展示所述拓扑结构，并通过所述预设接口获取针对所述拓扑结构的划分指令；根据所述划分指令对所述拓扑结构进行划分以得到量子比特分区。即除用图聚类进行自动划分为，也可以通过预设接口由相关人员进行人工划分。
本实施例中，所述按照性能对所述量子芯片内量子比特进行划分得到量子比特分区，可以包括：根据每个所述量子比特的性能生成每个量子比特对应的向量；基于所述向量通过聚类分析对所述量子芯片内量子比特进行划分得到量子比特分区。例如，规定噪声大于1%的为低性能区，小于1%的为高性能区，然后通过聚类分析完成分类，具体的，将量子比特的噪声、拓扑连接情况和退相干时间这三个参数编码为向量，例如，某量子比特Q的噪声为1%，与其他4个量子比特有连接，退相干时间0.2毫秒，可以把向量写成[0.01，4，0.2]，很多个量子比特可以组成很多个向量，然后对这些向量进行聚类分析，可以完成分类。
本实施例中，所述按照性能对所述量子芯片内量子比特进行划分得到量子比特分区，可以包括：按照性能利用机器学习对所述量子芯片内量子比特进行划分得到量子比特分区。即还可以通过其他机器学习方法，如神经网络、支持向量机等方法实现高低性能区划分。
本实施例中，所述按照性能对所述量子芯片内量子比特进行划分得到量子比特分区，可以包括：根据所述计算任务对应的任务类型结合所述每个量子比特的性能，对所述量子芯片内量子比特进行划分，得到所述计算任务对应的量子比特分区。即不同计算任务对应的量子比特分区不同，即划分结果不同，因此可以针对每个任务进行一次划分，即接收到新任务后进行重新划分。基于性能分区进行量子计算资源调度，针对不同任务，基于量子比特的性能，对量子芯片的量子芯片内量子比特进行划分，解决了相关技术中的未充分考虑量子计算任务特性的技术问题。
本实施例中，所述根据所述计算任务对应的任务类型结合所述每个量子比特的性能，对所述量子芯片内量子比特进行划分，包括：根据所述计算任务的性能精度要求确定所述计算任务对应的任务类型；根据所述任务类型结合所述每个量子比特的性能，对所述量子芯片内量子比特进行划分。可以理解的是，由于不同计算任务对性能的精度要求不同，例如某个任务需要量子比特的精确度达到95%才算作高性能，而有些任务只需要90%，因此，本实施例中通过根据任务的需求进行划分，能够进一步提高量子比特的使用效率。
步骤S13：根据所述计算任务对应的性能要求，从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务。
本实施例中，所述根据所述计算任务对应的性能要求，从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务之后，还可以包括：获取新计算任务，并根据量子芯片内量子比特的连接关系以及所述量子比特相关的性能，按照性能对所述量子芯片内量子比特进行划分得到所述新计算任务对应的量子比特分区；根据所述新计算任务对应的性能要求，从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务。
例如图5所示，确定计算任务的任务类型。针对任务对拓扑结构进行区域划分，判断任务需要的量子比特数，若所需量子比特总数小于高性能区量子比特的总和，则任务直接在高性能区执行，若任务所需量子比特总数大于高性能区量子比特的总和，则对任务进行判断，将性能要求高的部分优先在高性能区执行，相对低的部分计算交给过渡区或低性能区执行；随后确定新计算任务的类型和所需比特数，重复执行判断操作。判断芯片是否满负荷，若未满负荷则获取新任务，依此类推直至满负荷。即一次划分和一次目标量子比特选取作为一个调度流程，每收到一个任务后都需执行该调度流程，执行完成后再针对下一个计算任务执行该调度流程。
本实施例中，所述获取新计算任务之前，还可以包括：判断所述量子芯片当前是否达到满负荷；若是，则完成调度，否则，执行所述获取新计算任务的操作。即为了防止量子芯片超负荷，每完成一个计算任务的量子比特的调度后，进行一次负荷判断，当达到满负荷，或剩余的资源不够支持一个计算任务时，暂停调度，直至释放的量子比特能够支持计算任务后再重启调度。当然从整体上来看，也可以是在为n个任务调度后，再开启量子芯片超负荷判断，因为量子芯片是足够支持n个任务调度的。
由上可见，本实施例中获取计算任务；根据量子芯片内量子比特的连接关系以及所述量子比特相关的性能，按照性能对所述量子芯片内量子比特进行划分得到量子比特分区；根据所述计算任务对应的性能要求，从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务。
可见，通过基于性能对量子芯片内的量子比特进行区域划分，然后根据计算任务的性能要求，从相应的目标量子比特分区中选取出性能适配的目标量子比特，保障了计算的准确性，也充分发挥量子优势，使得量子比特得以高效使用，节省了量子资源，实现资源利用效率的最大化。
本发明实施例公开了一种具体的量子比特调度方法，参见图6所示，该方法可以包括以下步骤：
步骤S21：获取计算任务。
步骤S22：根据量子芯片内量子比特的连接关系以及所述量子比特相关的性能，按照性能对所述量子芯片内量子比特进行划分，得到包含高性能量子比特的高性能区，以及包含低性能量子比特的低性能区。
本实施例中，根据量子芯片内量子比特的连接关系以及所述量子比特相关的性能，按照性能对所述量子芯片内量子比特进行划分，具体划分得到高性能量子比特组成的高性能区，以及低性能量子比特组成的低性能区。
本实施例中，所述按照性能对所述量子芯片内量子比特进行划分得到量子比特分区，可以包括：按照性能对所述量子芯片内量子比特进行划分，得到包含高性能量子比特的高性能区、过渡区以及包含低性能量子比特的低性能区；其中，分区性能从优到劣依次为高性能区、过渡区、低性能区；其中，在目标情况下所述过渡区合并到所述高性能区或所述低性能区。即可将之分为高性能区、过渡区、低性能区，其中高性能区为量子比特质量最好、连接最广泛的区域，过渡区为质量一般但拓扑连接多的区域，低性能区为质量、连接均一般的区域。分区是可调的，针对具体的任务，可以采用任意的图聚类方法，重新对量子比特划分区域。特殊情况下，如不需要对量子比特的性能进行细分时，过渡区也可与高性能区或低性能区合并，甚至高性能区和低性能区也可作为一个整体完成同一任务。也就是说，本实施例中可以按照需要的细化程度自定义的对量子比特进行分区，分区越多则也越细，此时也可以根据计算任务的性能需求对计算任务进行细分，以便为计算任务确定最合适的目标量子比特分区下的目标量子比特，分区的细粒度越高，对资源的利用率越大。
步骤S23：根据所述计算任务对应的性能要求，从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务。
本实施例中，所述根据所述计算任务对应的性能要求从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务，可以包括：若所述计算任务对应的性能要求为低性能，则从所述低性能区中选取出执行所述计算任务的目标量子比特。即将对性能要求低的计算模块放在低性能区。性能要求包括但不限于保真度、纠缠度等性能。
本实施例中，所述根据所述计算任务对应的性能要求从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务，可以包括：若所述计算任务对应的性能要求为高性能，则从所述高性能区中选取出执行所述计算任务的目标量子比特。即将对性能要求高的计算模块放在高性能区。
本实施例中，所述获取计算任务，可以包括：获取至少一个高性能要求的计算任务以及一个低性能要求的计算任务；相应的，所述根据所述计算任务对应的性能要求从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务，包括：从所述高性能区中选取出执行所述高性能要求的计算任务的目标量子比特，从所述低性能区中选取出执行所述低性能要求的计算任务的目标量子比特；利用所述目标量子比特并行执行所述高性能要求的计算任务以及所述低性能要求的计算任务。也即，高性能区完成高质量计算和容错较低的计算、执行容错低的计算，低性能区完成模糊计算、容错能力较高的计算；同时，两个区域可以并行，分别执行不同的计算任务。
本实施例中，所述根据所述计算任务对应的性能要求从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务，可以包括：从所述高性能区选取出高性能目标量子比特，以便利用所述高性能目标量子比特执行所述计算任务中高性能要求的子任务；从所述低性能区选取出低性能目标量子比特，以便利用所述低性能目标量子比特执行所述计算任务中低性能要求的子任务。即也可以采用高性能区和低性能区的协作计算模式，如HHL(Harrow-Hassidim-Lloyd，哈罗•哈西迪姆•劳埃德)求解线性方程组，将解与VQA线路协作的计算任务，其中，HHL容错能力低，需要高保真度的量子比特，而VQA（Variational Quantum Algorithm，变分量子算法）相对容错力强，可以使用保真度偏低的量子比特，具体的，根据VQA的具体线路，将对噪声敏感的线路放在高性能区计算，将不敏感的放在低性能区；高性能区和低性能区可以直接协作，也可以通过过渡区进行衔接。可以理解的是，一个任务中可能同时存在高性能要求的子任务和低性能要求的子任务，此时可以通过高性能量子比特和低性能量子比特协同完成。
可见，对于同一任务而言，也可以采用分区的方法完成计算，将需要高性能的计算模块分配到高性能量子比特上，保障计算的准确性和高效性；将不需要高性能的计算模块分配到普通或含缺陷的量子比特上，实现对量子计算资源的充分利用，也提高了单个计算任务的计算准确度和资源利用率。
本实施例中，所述根据所述计算任务对应的性能要求从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务之前，还可以包括：确定所述计算任务所需的量子比特总数；若所述量子比特总数大于所述高性能区内所有量子比特的总和，则执行所述从所述高性能区选取出高性能目标量子比特，以便利用所述高性能目标量子比特执行所述计算任务中高性能要求的子任务，从所述低性能区选取出低性能目标量子比特，以便利用所述低性能目标量子比特执行所述计算任务中低性能要求的子任务的操作。若所述量子比特总数小于或等于所述高性能区内所有量子比特的总和，则从所述高性能区中选取出执行所述计算任务的目标量子比特。
即在一种具体实施例中，可以根据计算任务所需的量子比特总数与高性能区内所有量子比特的总和的数值大小关系目标量子比特分区。若量子比特总数大于高性能区内所有量子比特的总和，则目标量子比特分区为高性能区和低性能区，选取出的高性能目标量子比特执行计算任务中高性能要求的子任务，低性能目标量子比特执行计算任务中低性能要求的子任务。若量子比特总数小于或等于高性能区内所有量子比特的总和，即有足够的高性能量子比特执行任务，则可以均采用高性能量子比特执行，提高任务执行速度。
本实施例中，所述高性能要求的子任务为高质量计算任务和容错低的计算任务；所述低性能要求的子任务为模糊计算任务和容错高的计算任务。也即，计算调度时高性能区完成高质量计算和容错较低的计算、执行容错低的计算；低性能区完成模糊计算、容错能力较高的计算。两个区域可以并行，分别执行不同的计算任务。
如图7所示为一种在两个量子比特上仿真的量子算法，横坐标为两个量子比特的性能差异，即量子比特Q1性能差和量子比特Q2性能差（此处仿真的是保真度，以百分比表示，比如量子比特Q1的性能比Q2差10%、20%、30%、50%等）。随机生成100个二分类点，然后用图2所示的量子神经网络线路进行训练并分类，纵坐标表示分类的准确率。从图上可以明显地看到，选择Q1对应q1和选择Q1对应q2对精度的影响十分显著，采用本方案进行调度可以显著提升计算准确性。
其中，关于上述步骤S21的具体过程可以参考前述实施例公开的相应内容，在此不再进行赘述。
由上可见，本实施例中获取计算任务；根据量子芯片内量子比特的连接关系以及所述量子比特相关的性能，按照性能对所述量子芯片内量子比特进行划分，得到包含高性能量子比特的高性能区，以及包含低性能量子比特的低性能区；根据所述计算任务对应的性能要求，从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务。通过划分为高性能区和低性能区，将需要高性能的计算模块分配到高性能量子比特上，保障计算的准确性和高效性；将不需要高性能的计算模块分配到普通或含缺陷的量子比特上，实现对量子计算资源的充分利用。
相应的，本发明实施例还公开了一种量子比特调度装置，参见图8所示，该装置包括：
任务获取模块11，用于获取计算任务；
划分模块12，用于根据量子芯片内量子比特的连接关系以及所述量子比特相关的性能，按照性能对所述量子芯片内量子比特进行划分得到量子比特分区；
量子比特选取模块13，用于根据所述计算任务对应的性能要求，从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务。
由上可见，本实施例中获取计算任务；根据量子芯片内量子比特的连接关系以及所述量子比特相关的性能，按照性能对所述量子芯片内量子比特进行划分得到量子比特分区；根据所述计算任务对应的性能要求，从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务。
可见，通过基于性能对量子芯片内的量子比特进行区域划分，然后根据计算任务的性能要求，从相应的目标量子比特分区中选取出性能适配的目标量子比特，保障了计算的准确性，也充分发挥量子优势，使得量子比特得以高效使用，节省了量子资源，实现资源利用效率的最大化。
在一些具体实施例中，所述量子比特的性能包括节点性能和边连接性能；所述节点性能为基于量子比特的噪声、拓扑连接情况和退相干时间确定的，所述边连接性能为基于两个拓扑相连的量子比特的噪声确定的。
在一些具体实施例中，所述划分模块12具体可以包括：
拓扑结构生成单元，用于根据量子芯片内量子比特的连接关系以及所述量子比特相关的性能，生成所述量子芯片对应的拓扑结构；
第一划分单元，用于按照性能对所述拓扑结构进行划分得到量子比特分区。
在一些具体实施例中，所述第一划分单元具体可以包括：
图聚类划分单元，用于利用图聚类法按照性能对所述拓扑结构进行划分以得到量子比特分区。
在一些具体实施例中，所述第一划分单元具体可以包括：
指令获取单元，用于通过预设接口展示所述拓扑结构，并通过所述预设接口获取针对所述拓扑结构的划分指令；
划分单元，用于根据所述划分指令对所述拓扑结构进行划分以得到量子比特分区。
在一些具体实施例中，所述划分模块12具体可以包括：
向量生成单元，用于根据每个所述量子比特的性能生成每个量子比特对应的向量；
第二划分单元，用于基于所述向量通过聚类分析对所述量子芯片内量子比特进行划分得到量子比特分区。
在一些具体实施例中，所述划分模块12具体可以包括：
第三划分单元，用于按照性能利用机器学习对所述量子芯片内量子比特进行划分得到量子比特分区。
在一些具体实施例中，所述划分模块12具体可以用于按照性能对所述量子芯片内量子比特进行划分，得到包含高性能量子比特的高性能区，以及包含低性能量子比特的低性能区。
在一些具体实施例中，所述划分模块12具体可以用于按照性能对所述量子芯片内量子比特进行划分，得到包含高性能量子比特的高性能区、过渡区以及包含低性能量子比特的低性能区；其中，分区性能从优到劣依次为高性能区、过渡区、低性能区；其中，在目标情况下所述过渡区合并到所述高性能区或所述低性能区。
在一些具体实施例中，所述量子比特选取模块13具体可以包括：
第一目标量子比特选取单元，用于若所述计算任务对应的性能要求为低性能，则从所述低性能区中选取出执行所述计算任务的目标量子比特。
在一些具体实施例中，所述量子比特选取模块13具体可以包括：
第二目标量子比特选取单元，用于若所述计算任务对应的性能要求为高性能，则从所述高性能区中选取出执行所述计算任务的目标量子比特。
在一些具体实施例中，所述任务获取模块11具体可以包括：
任务获取单元，用于获取至少一个高性能要求的计算任务以及一个低性能要求的计算任务；
相应的，所述量子比特选取模块13，包括：
目标量子比特选取单元，用于从所述高性能区中选取出执行所述高性能要求的计算任务的目标量子比特，从所述低性能区中选取出执行所述低性能要求的计算任务的目标量子比特；
执行单元，用于利用所述目标量子比特并行执行所述高性能要求的计算任务以及所述低性能要求的计算任务。
在一些具体实施例中，所述量子比特选取模块13具体可以包括：
高性能目标量子比特选取单元，用于从所述高性能区选取出高性能目标量子比特，以便利用所述高性能目标量子比特执行所述计算任务中高性能要求的子任务；
低性能目标量子比特选取单元，用于从所述低性能区选取出低性能目标量子比特，以便利用所述低性能目标量子比特执行所述计算任务中低性能要求的子任务。
在一些具体实施例中，所述量子比特调度装置具体可以包括：
量子比特总数确定单元，用于在根据所述计算任务对应的性能要求从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务之前，确定所述计算任务所需的量子比特总数；
综合选取单元，用于若所述量子比特总数大于所述高性能区内所有量子比特的总和，则执行所述从所述高性能区选取出高性能目标量子比特，以便利用所述高性能目标量子比特执行所述计算任务中高性能要求的子任务，从所述低性能区选取出低性能目标量子比特，以便利用所述低性能目标量子比特执行所述计算任务中低性能要求的子任务的操作。
在一些具体实施例中，所述量子比特调度装置具体可以包括：
高性能区选取单元，用于若所述量子比特总数小于或等于所述高性能区内所有量子比特的总和，则从所述高性能区中选取出执行所述计算任务的目标量子比特。
在一些具体实施例中，所述高性能要求的子任务为高质量计算任务和容错低的计算任务；所述低性能要求的子任务为模糊计算任务和容错高的计算任务。
在一些具体实施例中，所述量子比特调度装置具体可以包括：
任务获取单元，用于获取新计算任务，并根据量子芯片内量子比特的连接关系以及所述量子比特相关的性能，按照性能对所述量子芯片内量子比特进行划分得到所述新计算任务对应的量子比特分区；
所述量子比特选取模块13，还用于根据所述新计算任务对应的性能要求，从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务。
在一些具体实施例中，所述量子比特调度装置具体可以包括：
负荷判断单元，用于在获取新计算任务之前，判断所述量子芯片当前是否达到满负荷；
执行单元，用于若达到满负荷，则完成量子比特调度，否则，执行所述获取新计算任务的操作。
在一些具体实施例中，所述划分模块12具体可以用于根据所述计算任务对应的任务类型结合所述每个量子比特的性能，对所述量子芯片内量子比特进行划分，得到所述计算任务对应的量子比特分区。
在一些具体实施例中，所述划分模块12具体可以包括：
任务类型确定单元，用于根据所述计算任务的性能精度要求确定所述计算任务对应的任务类型；
划分单元，用于根据所述任务类型结合所述每个量子比特的性能，对所述量子芯片内量子比特进行划分。
进一步的，本发明实施例还公开了一种量子设备，该量子设备具体可以包括：至少一个存储器，至少一个存储器，存储器用于保存计算机程序，处理器，用于执行所述计算机程序，以实现前述的量子比特调度方法。
进一步的，本发明实施例还公开了一种电子设备，该电子设备，具体可以包括：至少一个处理器、至少一个存储器、电源、通信接口、输入输出接口和通信总线。其中，所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行，以实现前述任一实施例公开的量子比特调度方法中的相关步骤。即对量子比特的调度可以通过量子设备实现也可以通过普通电子设备实现。本实施例中，电源用于为电子设备上的各硬件设备提供工作电压；通信接口能够为电子设备创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本发明技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。另外，存储器作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源包括操作系统、计算机程序及包括量子芯片内量子比特在内的数据等，存储方式可以是短暂存储或者永久存储。其中，操作系统用于管理与控制电子设备上的各硬件设备以及计算机程序，以实现处理器对存储器中海量数据的运算与处理，其可以是Windows Server、Netware、Unix、Linux等。计算机程序除了包括能够用于完成前述任一实施例公开的由电子设备执行的量子比特调度方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的，本发明实施例还公开了一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现前述任一实施例公开的量子比特调度方法步骤。
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。
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。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种量子比特调度方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (22)
1.一种量子比特调度方法，其特征在于，包括：
获取计算任务；
根据量子芯片内量子比特的连接关系以及所述量子比特相关的性能，按照性能对所述量子芯片内量子比特进行划分得到量子比特分区；
根据所述计算任务对应的性能要求，从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务；
其中，所述根据量子芯片内量子比特的连接关系以及所述量子比特相关的性能，按照性能对所述量子芯片内量子比特进行划分得到量子比特分区，包括：
根据量子芯片内量子比特的连接关系以及所述量子比特相关的性能，生成所述量子芯片对应的拓扑结构；
按照性能对所述拓扑结构进行划分得到量子比特分区。
2.根据权利要求1所述的量子比特调度方法，其特征在于，所述量子比特相关的性能包括节点性能和边连接性能；所述节点性能为基于量子比特的噪声、拓扑连接情况和退相干时间确定的，所述边连接性能为基于两个拓扑相连的量子比特的噪声确定的。
3.根据权利要求1所述的量子比特调度方法，其特征在于，所述按照性能对所述量子芯片内量子比特进行划分得到量子比特分区，包括：
利用图聚类法按照性能对所述拓扑结构进行划分以得到量子比特分区。
4.根据权利要求1所述的量子比特调度方法，其特征在于，所述按照性能对所述量子芯片内量子比特进行划分得到量子比特分区，包括：
通过预设接口展示所述拓扑结构，并通过所述预设接口获取针对所述拓扑结构的划分指令；
根据所述划分指令对所述拓扑结构进行划分以得到量子比特分区。
5.根据权利要求1所述的量子比特调度方法，其特征在于，所述按照性能对所述量子芯片内量子比特进行划分得到量子比特分区，包括：
根据每个所述量子比特的性能生成每个量子比特对应的向量；
基于所述向量通过聚类分析对所述量子芯片内量子比特进行划分得到量子比特分区。
6.根据权利要求1所述的量子比特调度方法，其特征在于，所述按照性能对所述量子芯片内量子比特进行划分得到量子比特分区，包括：
按照性能利用机器学习对所述量子芯片内量子比特进行划分得到量子比特分区。
7.根据权利要求1所述的量子比特调度方法，其特征在于，所述按照性能对所述量子芯片内量子比特进行划分得到量子比特分区，包括：
按照性能对所述量子芯片内量子比特进行划分，得到包含高性能量子比特的高性能区，以及包含低性能量子比特的低性能区。
8.根据权利要求7所述的量子比特调度方法，其特征在于，所述按照性能对所述量子芯片内量子比特进行划分得到量子比特分区，包括：
按照性能对所述量子芯片内量子比特进行划分，得到包含高性能量子比特的高性能区、过渡区以及包含低性能量子比特的低性能区；
其中，分区的性能从优到劣依次为高性能区、过渡区、低性能区；其中，在目标情况下所述过渡区合并到所述高性能区或所述低性能区。
9.根据权利要求7所述的量子比特调度方法，其特征在于，所述根据所述计算任务对应的性能要求，从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务，包括：
若所述计算任务对应的性能要求为低性能，则从所述低性能区中选取出执行所述计算任务的目标量子比特。
10.根据权利要求7所述的量子比特调度方法，其特征在于，所述根据所述计算任务对应的性能要求，从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务，包括：
若所述计算任务对应的性能要求为高性能，则从所述高性能区中选取出执行所述计算任务的目标量子比特。
11.根据权利要求7所述的量子比特调度方法，其特征在于，所述获取计算任务，包括：
获取至少一个高性能要求的计算任务以及一个低性能要求的计算任务；
相应的，所述根据所述计算任务对应的性能要求，从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务，包括：
从所述高性能区中选取出执行所述高性能要求的计算任务的目标量子比特，从所述低性能区中选取出执行所述低性能要求的计算任务的目标量子比特；
利用所述目标量子比特并行执行所述高性能要求的计算任务以及所述低性能要求的计算任务。
12.根据权利要求7所述的量子比特调度方法，其特征在于，所述根据所述计算任务对应的性能要求，从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务，包括：
从所述高性能区选取出高性能目标量子比特，以便利用所述高性能目标量子比特执行所述计算任务中高性能要求的子任务；
从所述低性能区选取出低性能目标量子比特，以便利用所述低性能目标量子比特执行所述计算任务中低性能要求的子任务。
13.根据权利要求12所述的量子比特调度方法，其特征在于，所述根据所述计算任务对应的性能要求，从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务之前，还包括：
确定所述计算任务所需的量子比特总数；
若所述量子比特总数大于所述高性能区内所有量子比特的总和，则执行所述从所述高性能区选取出高性能目标量子比特，以便利用所述高性能目标量子比特执行所述计算任务中高性能要求的子任务，从所述低性能区选取出低性能目标量子比特，以便利用所述低性能目标量子比特执行所述计算任务中低性能要求的子任务的操作。
14.根据权利要求13所述的量子比特调度方法，其特征在于，所述确定所述计算任务所需的量子比特总数之后，还包括：
若所述量子比特总数小于或等于所述高性能区内所有量子比特的总和，则从所述高性能区中选取出执行所述计算任务的目标量子比特。
15.根据权利要求13所述的量子比特调度方法，其特征在于，所述高性能要求的子任务为高质量计算任务和容错低的计算任务；所述低性能要求的子任务为模糊计算任务和容错高的计算任务。
16.根据权利要求1所述的量子比特调度方法，其特征在于，所述根据所述计算任务对应的性能要求，从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务之后，还包括：
获取新计算任务，并根据量子芯片内量子比特的连接关系以及所述量子比特相关的性能，按照性能对所述量子芯片内量子比特进行划分得到所述新计算任务对应的量子比特分区；
根据所述新计算任务对应的性能要求，从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务。
17.根据权利要求16所述的量子比特调度方法，其特征在于，所述获取新计算任务之前，还包括：
判断所述量子芯片当前是否达到满负荷；
若达到满负荷，则完成量子比特调度，否则，执行所述获取新计算任务的操作。
18.根据权利要求1至17任一项所述的量子比特调度方法，其特征在于，所述按照性能对所述量子芯片内量子比特进行划分得到量子比特分区，包括：
根据所述计算任务对应的任务类型结合所述每个量子比特的性能，对所述量子芯片内量子比特进行划分，得到所述计算任务对应的量子比特分区。
19.根据权利要求18所述的量子比特调度方法，其特征在于，所述根据所述计算任务对应的任务类型结合所述每个量子比特的性能，对所述量子芯片内量子比特进行划分，包括：
根据所述计算任务的性能精度要求确定所述计算任务对应的任务类型；
根据所述任务类型结合所述每个量子比特的性能，对所述量子芯片内量子比特进行划分。
20.一种量子比特调度装置，其特征在于，包括：
任务获取模块，用于获取计算任务；
划分模块，用于根据量子芯片内量子比特的连接关系以及所述量子比特相关的性能，按照性能对所述量子芯片内量子比特进行划分得到量子比特分区；
量子比特选取模块，用于根据所述计算任务对应的性能要求，从所有量子比特分区中筛选出目标量子比特分区，并从所述目标量子比特分区中取出相应数量的目标量子比特以执行所述计算任务；
其中，所述划分模块，具体用于根据量子芯片内量子比特的连接关系以及所述量子比特相关的性能，生成所述量子芯片对应的拓扑结构；
按照性能对所述拓扑结构进行划分得到量子比特分区。
21.一种量子设备，其特征在于，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现如权利要求1至19任一项所述的量子比特调度方法。
22.一种计算机可读存储介质，其特征在于，用于存储计算机程序；其中计算机程序被处理器执行时实现如权利要求1至19任一项所述的量子比特调度方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311069668.7A CN116776993B (zh) | 2023-08-24 | 2023-08-24 | 一种量子比特调度方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311069668.7A CN116776993B (zh) | 2023-08-24 | 2023-08-24 | 一种量子比特调度方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116776993A CN116776993A (zh) | 2023-09-19 |
| CN116776993B true CN116776993B (zh) | 2023-11-07 |
Family
ID=88008497
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311069668.7A Active CN116776993B (zh) | 2023-08-24 | 2023-08-24 | 一种量子比特调度方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116776993B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3144696A1 (en) * | 2019-06-28 | 2020-12-30 | Google Llc | Patch and elided fidelity estimation |
| CN114912618A (zh) * | 2021-02-07 | 2022-08-16 | 合肥本源量子计算科技有限责任公司 | 一种量子计算任务调度方法、装置及量子计算机操作系统 |
| CN114970867A (zh) * | 2021-02-20 | 2022-08-30 | 合肥本源量子计算科技有限责任公司 | 量子计算机系统以及任务调度方法 |
| CN115632660A (zh) * | 2022-12-22 | 2023-01-20 | 山东海量信息技术研究院 | 一种数据压缩方法、装置、设备及介质 |
| CN115705496A (zh) * | 2021-08-13 | 2023-02-17 | 合肥本源量子计算科技有限责任公司 | 一种量子计算机操作系统和量子计算机 |
| CN115730663A (zh) * | 2021-08-31 | 2023-03-03 | 合肥本源量子计算科技有限责任公司 | 量子计算任务映射方法以及量子计算机操作系统 |
| 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 |
-
2023
- 2023-08-24 CN CN202311069668.7A patent/CN116776993B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3144696A1 (en) * | 2019-06-28 | 2020-12-30 | Google Llc | Patch and elided fidelity estimation |
| CN114912618A (zh) * | 2021-02-07 | 2022-08-16 | 合肥本源量子计算科技有限责任公司 | 一种量子计算任务调度方法、装置及量子计算机操作系统 |
| CN114970867A (zh) * | 2021-02-20 | 2022-08-30 | 合肥本源量子计算科技有限责任公司 | 量子计算机系统以及任务调度方法 |
| CN115705496A (zh) * | 2021-08-13 | 2023-02-17 | 合肥本源量子计算科技有限责任公司 | 一种量子计算机操作系统和量子计算机 |
| CN115730663A (zh) * | 2021-08-31 | 2023-03-03 | 合肥本源量子计算科技有限责任公司 | 量子计算任务映射方法以及量子计算机操作系统 |
| 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 |
| CN115632660A (zh) * | 2022-12-22 | 2023-01-20 | 山东海量信息技术研究院 | 一种数据压缩方法、装置、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 总线制8量子比特超导量子计算芯片设计与仿真;余玄;张颖珊;刘其春;蔡涵;赵昌昊;刘建设;陈炜;;微纳电子技术;第53卷(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116776993A (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109947567B (zh) | 一种多智能体强化学习调度方法、系统及电子设备 | |
| Rahman et al. | Auto-scaling VNFs using machine learning to improve QoS and reduce cost | |
| Ghobaei-Arani et al. | A cost-efficient IoT service placement approach using whale optimization algorithm in fog computing environment | |
| Khaleq et al. | Intelligent autoscaling of microservices in the cloud for real-time applications | |
| CN107404523A (zh) | 云平台自适应资源调度系统和方法 | |
| CN104899100B (zh) | 一种用于云系统的资源调度方法 | |
| CN103226759A (zh) | 基于遗传算法的动态云工作流调度方法 | |
| CN117997906B (zh) | 节点计算资源分配方法、网络交换子系统及智能计算平台 | |
| CN103678004A (zh) | 一种基于非监督特征学习的主机负载预测方法 | |
| CN113381888B (zh) | 控制方法、装置、设备及存储介质 | |
| CN113543160B (zh) | 5g切片资源配置方法、装置、计算设备及计算机存储介质 | |
| CN109743286A (zh) | 一种基于图卷积神经网络的ip类型标记方法及设备 | |
| CN115543626A (zh) | 采用异构计算资源负载均衡调度的电力缺陷图像仿真方法 | |
| Liu et al. | Automated traffic engineering in SDWAN: Beyond reinforcement learning | |
| CN116776993B (zh) | 一种量子比特调度方法、装置、设备及存储介质 | |
| Ramachandran et al. | 5G network management system with machine learning based analytics | |
| Bogdanski et al. | Improving scheduling techniques in heterogeneous systems with dynamic, on-line optimisations | |
| Tang | Load balancing optimization in cloud computing based on task scheduling | |
| Rahman et al. | Auto-scaling network resources using machine learning to improve qos and reduce cost | |
| CN116149855A (zh) | 一种微服务架构下中性能资源成本优化方法及系统 | |
| Cao et al. | Online cost-rejection rate scheduling for resource requests in hybrid clouds | |
| Sharma et al. | Meta-reinforcement learning based resource management in software defined networks using bayesian network | |
| Rayan et al. | Resource Prediction for Big Data Processing in a Cloud Data Center: A Machine Learning Approach: A Machine Learning Approach | |
| Du et al. | OctopusKing: A TCT-aware task scheduling on spark platform | |
| CN113949633A (zh) | 基于机器学习的5g网络切片容灾池资源管理方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |