CN117236371A - 基于博弈悖论的量子人工智能体优化方法、装置、设备 - Google Patents
基于博弈悖论的量子人工智能体优化方法、装置、设备 Download PDFInfo
- Publication number
- CN117236371A CN117236371A CN202311526636.5A CN202311526636A CN117236371A CN 117236371 A CN117236371 A CN 117236371A CN 202311526636 A CN202311526636 A CN 202311526636A CN 117236371 A CN117236371 A CN 117236371A
- Authority
- CN
- China
- Prior art keywords
- quantum
- game
- agent
- artificial
- paradox
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 29
- 230000004083 survival effect Effects 0.000 claims abstract description 26
- 230000034994 death Effects 0.000 claims abstract description 23
- 231100000517 death Toxicity 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 239000003795 chemical substances by application Substances 0.000 claims description 146
- 239000002096 quantum dot Substances 0.000 claims description 82
- 238000005457 optimization Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 9
- 230000006907 apoptotic process Effects 0.000 claims description 8
- 239000007943 implant Substances 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 238000002513 implantation Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 16
- 230000003287 optical effect Effects 0.000 description 12
- 238000005040 ion trap Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000005283 ground state Effects 0.000 description 6
- 150000002500 ions Chemical class 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000005684 electric field Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000004812 paul trap Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 239000003242 anti bacterial agent Substances 0.000 description 2
- 229940088710 antibiotic agent Drugs 0.000 description 2
- 230000008094 contradictory effect Effects 0.000 description 2
- 231100000676 disease causative agent Toxicity 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005281 excited state Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000004150 penning trap Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 229930091051 Arenine Natural products 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003115 biocidal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000005610 quantum mechanics Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- 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
- Superconductor Devices And Manufacturing Methods Thereof (AREA)
- Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)
Abstract
本发明公开的基于博弈悖论的量子人工智能体优化方法、装置、设备，涉及量子计算及人工智能技术领域，其中，基于博弈悖论的量子人工智能体优化方法包括基于量子神经网络结构，创建包括N个子电路的量子电路，将量子电路作用于N个量子比特，得到全纠缠量子电路，将全纠缠量子电路转换为量子人工智能体，将预设的存亡定律植入量子人工智能体，得到具备生存和死亡规律的量子人工智能体，将博弈悖论植入量子人工智能体，得到具备量子博弈特性的量子人工智能体，实现了对量子人工智能体进行优化，提高了人工智能体的智能化程度，增强了人工智能体的自适应能力。
Description
技术领域
本发明涉及量子计算及人工智能技术领域，尤其涉及一种基于博弈悖论的量子人工智能体优化方法、装置、设备及介质。
背景技术
如今，随着信息技术的飞速发展，人工智能也取得了飞速发展，广泛应用于图像识别、语音识别及自然语言处理等领域。当前的人工智能体主要基于深度学习算法，通过输入大量训练数据对人工智能体进行训练使得人工智能体能够帮助人类解决众多实际问题并对人工智能体进行优化。当前的人工智能体存在的缺陷主要存在于以下几个方面：
（1）主要依赖于预先设定的算法逻辑去解决问题，当遇到新的、复杂的问题时，便无法有效解决，智能化程度较低，自适应能力较弱；
（2）主要依赖于训练数据来做决策，而不是真正的策略思考，在面对复杂博弈的情况下，如个体与集体利益之间的冲突时，往往缺乏足够的策略深度和适应性，可能导致无法做出非最优选择。
发明内容
有鉴于此，本发明实施例提供一种基于博弈悖论的量子人工智能体优化方法、装置、设备及介质，用于使得量子人工智能体具备量子博弈特性，以部分解决现有技术存在的问题。
第一方面，本发明实施例提供的基于博弈悖论的量子人工智能体优化方法包括：
基于量子神经网络结构，创建包括N个子电路的量子电路，其中，一个子电路作用于一个量子比特，N为自然数且N不小于4。
将所述量子电路作用于N个量子比特，得到全纠缠量子电路。
将所述全纠缠量子电路转换为量子人工智能体。
将预设的存亡定律植入所述量子人工智能体，得到具备生存和死亡规律的量子人工智能体。
将博弈悖论植入所述量子人工智能体，得到具备量子博弈特性的量子人工智能体。
基于博弈悖论，具备量子博弈特性的所述量子人工智能体进行自我优化。
在一些示例中，基于博弈悖论，具备量子博弈特性的量子人工智能体进行自我优化包括：
基于公式D=E1-E2，所述量子人工智能体判断选择合作模式还是不合作模式，其中，E1为具备量子博弈特性的量子人工智能体选择合作模式的情况下捕获的量子比特的数量，E2为具备量子博弈特性的量子人工智能体选择不合作模式的情况下捕获的量子比特的数量，D为E1与E2的差。
在一些示例中，基于公式D=E1-E2，具备量子博弈特性的所述量子人工智能体判断选择合作模式还是不合作模式包括：
若D大于零，则具备量子博弈特性的所述量子人工智能体选择合作模式；
若D小于零，则具备量子博弈特性的所述量子人工智能体选择不合作模式。
在一些示例中，将所述全纠缠量子电路转换为量子人工智能体包括：
分别为所述全纠缠量子电路输出的各个纠缠态量子比特随机分配一个三维坐标，得到三维坐标集合；
基于所述三维坐标集合，分别将各个纠缠态量子比特投影至三维坐标系中，得到三维的量子人工智能体。
在一些示例中，所述量子电路包括N个量子H门、 N（N-1）/2个CONT门、N个量子Rx门、N个量子Ry门及N个量子Rz门。
在一些示例中，N个所述子电路均包括量子Rx门、量子Ry门及量子Rz门。
在一些示例中，在基于博弈悖论，具备量子博弈特性的所述量子人工智能体进行自我优化之后，所述方法包括：
实时动态显示所述量子人工智能体的博弈过程。
第二方面，本发明实施例提供的基于博弈悖论的量子人工智能体优化装置包括：
创建模块，被配置为基于量子神经网络结构，创建包括N个子电路的量子电路，其中，一个子电路作用于一个量子比特，N为自然数且N不小于4。
作用模块，被配置为将所述量子电路作用于N个量子比特，得到全纠缠量子电路。
转换模块，被配置为将所述全纠缠量子电路转换为量子人工智能体；
植入模块，被配置为将预设的存亡定律植入所述量子人工智能体，得到具备生存和死亡规律的量子人工智能体。
所述植入模块，还被配置为将博弈悖论植入具备生存和死亡规律的所述量子人工智能体，得到具备量子博弈特性的量子人工智能体。
优化模块，被配置为基于博弈悖论，具备量子博弈特性的所述量子人工智能体进行自我优化。
在一些示例中，基于博弈悖论的量子人工智能体优化装置还包括：
判断模块，被配置为采用公式D=E1-E2，判断选择合作模式还是不合作模式，其中，E1为具备量子博弈特性的量子人工智能体选择合作模式的情况下捕获的量子比特的数量，E2为具备量子博弈特性的量子人工智能体选择不合作模式的情况下捕获的量子比特的数量，D为E1与E2的差。
第三方面，本发明实施例提供了一种计算设备，该计算设备包括上述实施例中公开的基于博弈悖论的人工智能体优化装置。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机指令，当所述计算机指令被处理器执行时实现前述的基于博弈悖论的量子人工智能体优化方法。
与现有技术相比，本发明实施例提供的基于博弈悖论的量子人工智能体优化方法、装置、设备及介质具有以下有益效果：
（1）基于量子神经网络结构，得到全纠缠量子电路并将该全纠缠量子电路转换为量子人工智能体，在量子人工智能体中依次植入存亡定律及博弈悖论，生成具备量子博弈特性的量子人工智能体，基于量子神经网络的特性（量子叠加和量子纠缠），无须输入大量训练数据即可实现对得量子人工智能体的优化，能够有效解决新的、复杂的问题，提高了人工智能体的智能化程度，增强了人工智能体的自适应能力；
（2）保证了个体利益最大化的同时，也能够保证整体利益的最大化，实现了面对复杂博弈的情况下能够做出最优选择；
（3）通过可视化工具将博弈的过程实时动态显示出来，有助于确定纳什均衡点，便于在更高维度上对量子人工智能体进行调整。
附图说明
为了更清楚地说明本发明实施例的技术方案，以下对本发明实施例中的附图作简单介绍。
图1为本发明实施例提供的基于博弈悖论的量子人工智能体优化方法流程示意图。
图2为本发明实施例提供的基于博弈悖论的量子人工智能体优化方法所采用的全纠缠量子电路结构示意图。
图3为采用本发明实施例提供的基于博弈悖论的量子人工智能体优化方法得到的量子人工智能体结构示意图。
图4为本发明实施例提供的基于博弈悖论的量子人工智能体优化装置结构意图。
图5a为两个都未植入博弈悖论的量子人工智能体生存时间对比示意图。
图5b为两个都未植入博弈悖论的量子人工智能体死亡次数对比示意图。
图6a为植入博弈悖论的量子人工智能体与未植入博弈悖论的量子人工智能体生存时间对比示意图。
图6b为植入博弈悖论的量子人工智能体与未植入博弈悖论的量子人工智能体死亡次数对比示意图。
图7a为两个都植入博弈悖论的量子人工智能体生存时间对比示意图。
图7b为两个都植入博弈悖论的量子人工智能体死亡次数对比示意图。
图8a为两个都植入博弈悖论的量子人工智能体博弈前的结构及形态示意图。
图8b为图8a所示的两个量子人工智能体博弈后的结构及形态示意图。
图9为本发明实施例提供的基于博弈悖论的量子人工智能体优化装置的计算设备的硬件结构原理示意图。
图10是根据本发明一个实施例的作为经典计算设备的电子设备的原理框图。
具体实施方式
以下将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，提供这些实施方式的目的是为了使本发明的原理和精神更加清楚和透彻，使本领域技术人员能够更好地理解进而实现本发明的原理和精神。本文中提供的示例性实施方式仅是本发明的一部分实施方式，而不是全部的实施方式。基于本文中的实施方式，本领域普通技术人员在不付出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
在本文中，诸如第一、第二、第三之类的用语，仅用来将一个实体（或操作）与另一个实体（或操作）区分开来，而不在于要求或暗示这些实体（或操作）之间存在任何顺序或关联。
以下对本发明实施例中可能涉及的概念和技术术语等相关内容进行简要描述。
在经典计算中，信息的基本单元为比特(Bit)，一个Bit只有两个值：“0”或“1”。而在量子计算中，信息的基本单位是量子比特(Qubit)。基于量子力学定律，量子比特存在两个基本状态：和/>，一个Qubit可以是两个基态的线性组合，常被称为叠加态(Superposition)，在数学上表示为：/>。其中，/>为量子态，a和b是两个复数，满足|a|2+|b|2＝1，因此也被称为概率幅。在经典计算中，通常使用电路来实现计算，电路中包括逻辑门。对应地，量子计算中采用量子电路和量子门来控制量子信息实现量子计算，任意一个量子门都可以采用一个酉矩阵表示。
量子计算中常用的量子门包括单Qubit门和多Qubit门。其中，单Qubit门例如有量子Rx门、量子Ry门、量子Rz门、量子H门等。其中，量子Rx门全称Rotation x-axis门，是围绕 x轴旋转任意一个角度 θ（弧度）的单Qubit操作；量子Ry门全称Rotation y-axis门，是围绕y 轴旋转任意一个角度 θ（弧度）的单Qubit操作；量子Rz门全称Rotation z-axis门，是围绕 z 轴旋转任意一个角度 θ（弧度）的单Qubit操作量子；H门全称Hadamard门，能把基态向量映射到/>，把基态/>向量映射到/>，从而创建两个基态的相等叠加。量子电路中，量子H门的矩阵表示为：
；CNOT门的矩阵表示为：/>。
多Qubit门例如有CNOT门。CNOT门全称Control NOT门，是一个双Qubit操作，其中，第一个Qubit通常称为控制Qubit，第二个Qubit称为目标Qubit。 以基态表示CNOT 门：当控制Qubit处于状态时，保持控制Qubit不变并对目标Qubit执行 X 门操作；当控制Qubit处于状态 />时，目标Qubit保持不变。使用CNOT 门可以使得两个量子比特之间产生纠缠。
博弈悖论，包括博弈论和悖论。其中，博弈论是数学的一个分支，主要研究多方参与者在某种情况或“博弈”中如何做出理性决策。博弈论研究的是在具有相互依赖的决策环境中，各方如何选择策略以最大化自己的利益。博弈论广泛应用多个领域，是研究竞争和合作的基础理论。悖论是一个逻辑或概念上的矛盾或似乎违反直觉的情况，它通常涉及一种表面上合理的推理，但导致了意料之外或自相矛盾的结果，一个经典的例子是“这句话是假的”。如果这句话是真的，那么它就是假的；但如果它是假的，那么它就是真的。这导致了一个无法解决的矛盾。博弈悖论是博弈论与悖论交叉的概念，通常涉及博弈情境，博弈悖论是博弈论研究的结果之一。对博弈论的研究有助于发现博弈悖论，而博弈悖论的发现又可以促进对博弈论的研究。
例如，“囚徒困境”是一个著名的博弈论。在囚徒因境中，每个因犯都有两个选择：坦白或沉默。如果两个因犯都坦白，他们都会被判处十年监禁；如果两个囚犯都沉默，他们都会被释放，如果一个囚犯坦白而另一个囚犯沉默，坦白的囚犯将被判处一年监禁，沉默的囚犯将被判处二十年监禁。根据博弈论的分析，在囚徒困境中，每个囚犯都觉得应该选择坦白为对自己最有利的选择。然而，事实并非如此，如果两个囚犯都选择坦白，他们都会被判处十年监禁，都沉默才是每个囚犯最有利的选择，这样他们都会被释放。然而除非两个囚犯在相互极端信任的情况下，才会选择都沉默。实际上，在不清楚别的囚犯是否一定会沉默的情况下，为了保证自己的利益，肯定至少会有一个囚犯会坦白，这样既未实现个体利益的最大化，也未实现整体利益的最大化。另外，类似这样个体利益最大化与整体利益最大化不一致这样的博弈悖论案例还有很多。例如，过度捕鱼导致鱼类资源减少，该情况下，只是暂时实现了个体利益的最大化，但从长远来看，由于资源最终会被耗尽，整体利益肯定是受损的，不能实现整体利益的最大化；还有抗生素过度使用：每个人生病时，都希望通过使用抗生素迅速恢复健康，但如果每个人都过度使用抗生素，虽然实现了个体利益的最大化，但可能会导致个体耐药性增强，从而影响整体健康，不能实现整体利益的最大化。可知，博弈论存在的缺点是在实现个体利益的最大化的同时，不能同时保证整体利益的最大化。
图1是根据本发明一个实施例的基于博弈悖论的量子人工智能体优化方法流程示意图。如图1所示，本实施例中的基于博弈悖论的量子人工智能体优化方法包括以下步骤：
S101，基于量子神经网络结构，创建包括N个子电路的量子电路，其中，一个子电路作用于一个量子比特，N为自然数且N不小于4。
在一些示例中，该量子电路包括N个量子H门、N（N-1）/2个CONT门、N个量子Rx门、N个量子Ry门及N个量子Rz门。
在一些示例中，该量子电路的各个子电路均包括量子Rx门、量子Ry门及量子Rz门。
具体地，当量子Rx门、量子Ry门和量子Rz门依次作用于量子比特后，该量子比特由基态转变为激发态，使得量子比特具备能量，由多个量子比特构成的量子人工智能体也就具备能量。
S102，将该量子电路作用于N个量子比特，得到全纠缠量子电路。
具体地，如图2所示，该量子电路包括第一至九共九个子电路。其中，第一子电路包括作用于第一量子比特q0的第一量子H门、第一量子Rx门、第一量子Ry门及第一量子Rz门，第二子电路包括顺序作用于第二量子比特q1的第二量子H门、第一CNOT门、第二量子Rx门、第二量子Ry门及第二量子Rz门，第三子电路包括顺序作用于第三量子比特q2的第三量子H门、第二CNOT门、第三CNOT门、第三量子Rx门、第三量子Ry门及第三量子Rz门，第四子电路包括顺序作用于第四量子比特q3的第四量子H门、第四CNOT门、第五CNOT门、第六CNOT门、第四量子Rx门、第四量子Ry门及第四量子Rz门，第五子电路包括顺序作用于第五量子比特q4的第五量子H门、第七CNOT门、第八CNOT门、第九CNOT门、第十CNOT门、第五量子Rx门、第五量子Ry门及第五量子Rz门，第六子电路包括顺序作用于第六量子比特q5的第六量子H门、第十一CNOT门、第十二CNOT门、第十三CNOT门、第十四CNOT门、第十五CNOT门、第六量子Rx门、第六量子Ry门及第六量子Rz门，第七子电路包括顺序作用于第七量子比特q6的第七量子H门、第十六CNOT门、第十七CNOT门、第十八CNOT门、第十九CNOT门、第二十CNOT门、第二十一CNOT门、第七量子Rx门、第七量子Ry门及第七量子Rz门，第八子电路包括顺序作用于第八量子比特q7的第八量子H门、第二十二CNOT门、第二十三CNOT门、第二十四CNOT门、第二十五CNOT门、第二十六CNOT门、第二十七CNOT门、第二十八CNOT门、第八量子Rx门、第八量子Ry门及第八量子Rz门，第九子电路包括顺序作用于第九量子比特q8的第九量子H门、第二十九CNOT门、第三十CNOT门、第三十一CNOT门、第三十二CNOT门、第三十三CNOT门、第三十四CNOT门、第三十五CNOT门、第三十六CNOT门、第九量子Rx门、第九量子Ry门及第九量子Rz门。各个纠缠态的量子比特分别依次经过量子Rx门、量子Ry门及量子Rz门，由基态转变为激发态，产生能量相同或不相同的各个量子比特。其中，第一至九子电路之间形成量子神经网络结构，量子Rx门、量子Ry门和量子Rz门的组合是构建通用量子电路的基础，因为它们可以生成任意的单量子比特门。在量子人工智能体中，参数的调整是训练量子人工智能体的关键。通过对三个不同轴的旋转进行参数的调整，可以在训练过程中更好地控制量子比特的状态，从而有助于优化量子人工智能体的性能。因为在训练过程中，通过三个不同轴的旋转可以提供更大的优化空间，使得量子人工智能体能够在多维度上进行调整以达到更好的训练结果。如果仅使用一个旋转门，例如量子Rx门，那么只能围绕X轴旋转量子比特，这将严重限制了量子电路的表达能力和优化空间。而通过使用量子Rx门、量子Ry门和量子Rz门的组合，可以实现量子比特在三维空间中的任意旋转，极大地增强了量子人工智能体的功能和灵活性。其中，任意的两个量子比特经过CONT门执行操作后就生成一条边，该条边表示对应的两个量子比特之间存在纠缠关系。
具体地，首先通过量子H门将各个量子比特初始化至叠加态，然后通过CNOT门，在各个量子比特中任意两个量子比特之间建立纠缠关系。比如，为了实现如图2所示的全纠缠量子电路，首先将第一量子比特与第二至九量子比特之间分别建立纠缠关系，第二量子比特分别与第三至九量子比特之间建立纠缠关系，第三量子比特分别与第四至九量子比特之间建立纠缠关系，第四量子比特分别与第五至九量子比特之间建立纠缠关系，第五量子比特分别与第六至九量子比特之间建立纠缠关系，第六量子比特分别与第七至九量子比特之间建立纠缠关系，第七量子比特分别与第八至九量子比特之间建立纠缠关系，第八量子比特与第九量子比特之间建立纠缠关系，即任意两个量子比特之间均存在纠缠关系，得到了全纠缠量子电路。
S103，将所述全纠缠量子电路转换为量子人工智能体。
在一些示例中，步骤S103具体包括：
分别为所述全纠缠量子电路输出的各个纠缠态量子比特随机分配一个三维坐标，得到三维坐标集合；
基于所述三维坐标集合，分别将各个纠缠态量子比特投影至三维坐标系中，得到三维的量子人工智能体。
具体地，在量子比特的数量不小于4个的情况下，量子人工智能体即可在三维空间中表示，即量子人工智能体呈三维结构。但在实际应用中，为了保证量子人工智能体的生存时间，量子比特的数量一般不小于9个。其中，在量子比特的数量为9个的情况下，得到如图3所示的三维的量子人工智能体。
具体地，如图3所示，呈三维结构的量子人工智能体中顶点处（标识为圆形符号）的各个量子比特均为结构化量子比特，非顶点处且在量子智能体外围（标识为叉形符号）随机移动的各个量子比特均为非结构化量子比特，为各个结构化量子比特随机分配的三维坐标分别为(0，0，0)、 (1，0，0)、(0，1，0)、(0，0，1)、(1，1，0)、(1，0，1)、(0，1，1)、(1，1，1)、(2，0，0)。
S104，将预设的存亡定律植入量子人工智能体，得到具备生存和死亡规律的量子人工智能体。
在一些示例中，该存亡定律包括生成定律及死亡定律。其中，生成定律包括需要捕获非结构化量子比特以获取能量（各个非结构化量子比特的能量可以相同，也可以不同），每捕获一个非结构化量子比特（各个量子比特与被捕获的量子比特之间产生纠缠关系），量子人工智能体可以延长一定的生存时间（20秒），其中，被捕获的量子比特进入量子人工智能体后作为量子人工智能体新的顶点与其他顶点之间产生连接关系（即产生纠缠关系，能量增加）；死亡定律包括在量子人工智能体没有获取能量的情况下，每隔一段时间（10秒）会自然释放一个自身的量子比特（各个量子比特与被捕获的量子比特之间产生解纠缠，能量减少），当自身当前量子比特的总数小于自身初始量子比特总数的一半时，量子人工智能体就会死亡。通过为量子人工智能体植入生存定律及死亡定律，相当于将生物学中的“基因”植入量子人工智能体，实现了对量子人工智能体的初始化。当量子人工智能体顶点处的结构化量子比特与外围非结构化量子比特之间的距离S小于设定阈值（0.1cm）时，该量子人工智能体即可捕获该非结构化量子比特。其中，，（x1，y1，z1）为量子人工智能体各个顶点处的结构化量子比特的三维坐标，（x2，y2，z2）为量子人工智能体外围非结构化量子比特的三维坐标。
S105，将博弈悖论植入具备生存和死亡规律的量子人工智能体，得到具备生存及死亡规律的量子人工智能体。
S106，基于博弈悖论，具备量子博弈特性的量子人工智能体进行自我优化。
在一些示例中，步骤S105具体包括：
采用公式D=E1-E2，具备量子博弈特性的量子人工智能体判断选择合作模式还是不合作模式，其中，E1为具备量子博弈特性的量子人工智能体选择合作模式的情况下捕获的量子比特的数量，E2为具备量子博弈特性的量子人工智能体选择不合作模式的情况下捕获的量子比特的数量，D为E1与E2的差。其中，合作模式即为具备量子博弈特性的量子人工智能体与其他量子人工智能体之间共同分享量子比特的模式，不合作模式即为具备量子博弈特性的量子人工智能体与其他至少一个量子人工智能体之间处于竞争关系，会尝试捕获尽可能多的量子比特，以确保自身能生存得更久，而不考虑其他量子人工智能体。其中，其他量子人工智能体可能具备量子博弈特性，也可能不具备量子博弈特性。
具体地，E1=P1×Q/2；在其他量子人工智能体尝试捕获量子比特的情况下，E2=（1-P1）×Q×（1-P2）；在其他量子人工智能体未尝试捕获量子比特的情况下，E2=（1-P1）×Q，其中，P1为具备量子博弈特性的量子人工智能体认为待合作的量子人工智能体是否为具备量子博弈特性的概率，P2为其他量子人工智能体尝试获取非结构化量子比特的概率，Q为每轮投放的非结构化量子比特的数量。
在一些示例中，基于公式D=E1-E2，具备量子博弈特性的量子人工智能体判断选择合作模式还是不合作模式包括：
若D大于零，则具备量子博弈特性的量子人工智能体选择合作模式；
若D小于零，则具备量子博弈特性的量子人工智能体选择不合作模式。
具体地，当D大于零时，说明与其他量子人工智能体合作比不与其他量子人工智能体合作捕获的量子比特多，各个具备量子博弈特性的量子人工智能体选择与其他量子人工智能体合作，以获取更多的能量，能够最大程度延长生存时间，实现了个体利益最大化；当D大于零时，说明与其他量子人工智能体合作比不与其他量子人工智能体合作捕获的量子比特少，各个具备量子博弈特性的量子人工智能体选择不与其他量子人工智能体合作，以获取更多的能量，能够最大程度延长生存时间，实现了个体利益最大化，优化了量子人工智能体。其中，具备量子博弈特性的量子人工智能体会“本能”地捕获量子比特来补充能量，并了解自身的能量消耗特征。通过这些信息，具备量子博弈特性的量子人工智能体会制定一个策略，优先获取容易捕获的量子比特，同时避免消耗大量能量去获取较远的量子比特以实现自身生存时间的最大化；不具备量子博弈特性的量子人工智能体会随机地移动并获取量子比特，没有明确的策略和目标，它可能会尝试捕获量子比特，也可能不会。因此，不具备量子博弈特性的量子人工智能的生存时间会受到随机因素的影响，可能会很短，也可能会稍微长一些，但总体上会比具备量子博弈特性的量子人工智能体短。
如图5a-图7b及表1所示，针对处于统一环境中且结构完全相同的两个量子人工智能体（Agent1、Agent2），在每次投放的量子比特的数量有限的情况下，如果该两个量子人工智能体都具备量子博弈特性，那么两者均基于博弈悖论进行多次博弈后，两个量子人工智能体一般均会选择与对方合作（不排除不合作的情况），共同分享量子比特，这样两者的平均生存均增加且死亡次数均减少；如果其中一个量子人工智能体具备量子博弈特性，另一个量子人工智能体不具备量子博弈特性，那么具备量子博弈特性的量子人工智能体基于博弈悖论进行多次博弈后，确定不与另一个量子人工智能体合作，具备量子博弈特性的量子人工智能体会捕获尽可能多的量子比特，以确保自身能生存得更久，而不考虑另一个量子人工智能体，该情况下，具备量子博弈特性的量子人工智能体的平均生存时间增加、死亡次数减少且比不具备量子博弈特性的量子人工智能体平均平均生存时间长且死亡次数少；如果两个量子人工智能体都不具备量子博弈特性，由于两者都未基于博弈悖论进行博弈，均随机地捕获量子比特，该情况下，两个量子人工智能体的平均生存时间均较短且死亡次数均较多。可知，植入博弈悖论后的量子人工智能体的平均生存时间增加，死亡次数减少，表明量子人工智能体已经具备量子博弈特性，实现了对量子人工智能体的优化，所以说，基于量子神经网络的特性（量子叠加和量子纠缠），具备量子博弈特性的量子人工智能体更加智能化且无须输入大量训练数据即可实现对量子人工智能体的优化，能够有效解决新的、复杂的问题，自适应能力较强。在保证个体利益的最大化的同时，也能够实现整体利益的最大化，实现了面对复杂博弈的情况下能够做出最优选择。
表1
在一些示例中，在基于博弈悖论，具备量子博弈特性的量子人工智能体进行自我优化之后，本发明实施例提供的基于博弈悖论的人工智能体优化方法还包括：
实时动态显示所述量子人工智能体的博弈过程。
具体地，如图8a-图8b所示，即只有均植入博弈悖论后的两个量子人工智能体之间才能进行博弈，通过可视化工具（2D绘图库matplotlib），动态实时显示博弈过程，有利于确定纳什均衡点，便于在更高维度上对量子人工智能体进行调整。
如图4所示，本发明实施例提供的基于博弈悖论的量子人工智能体优化装置包括：
创建模块，被配置为基于量子神经网络结构，创建包括N个子电路的量子电路，其中，一个子电路作用于一个量子比特，N为自然数且N不小于4。
作用模块，被配置为将所述量子电路作用于N个量子比特，得到全纠缠量子电路。
转换模块，被配置为将所述全纠缠量子电路转换为量子人工智能体。
植入模块，被配置为将预设的存亡定律植入所述量子人工智能体，得到具备生存和死亡规律的量子人工智能体。
所述植入模块，还被配置为将博弈悖论植入具备生存和死亡规律的量子人工智能体，得到具备量子博弈特性的量子人工智能体。
优化模块，被配置为基于博弈悖论，具备量子博弈特性的所述量子人工智能体进行自我优化。
在一些示例中，本发明实施例提供的基于博弈悖论的量子人工智能体优化装置还包括：
判断模块，被配置为采用公式D=E1-E2，判断选择合作模式还是不合作模式，其中，E1为具备量子博弈特性的量子人工智能体选择合作模式的情况下捕获的量子比特的数量，E2为具备量子博弈特性的量子人工智能体选择不合作模式的情况下捕获的量子比特的数量，D为E1与E2的差。
如图9所示，计算设备20在硬件结构上包括量子数据平面21、控制和测量平面22和控制处理器平面23，其中，量子数据平面21为量子比特所在的位置，控制和测量平面22根据需要对量子比特进行操作和测量，控制处理器平面23中的算法确定所需的操作和测量顺序。基于实现的方式不同，前述的计算设备的硬件结构也各不相同。以离子阱量子计算机为例，量子数据平面21为离子阱，最常见的离子阱类型为Penning阱和Paul阱。在Penning阱中，通过静态电场对离子提供轴向维度的限制，通过平行的静态磁场对离子提供径向方向的限制，即由电场和磁场组合形成的电势实现离子的囚禁。而在Paul阱中，通过直流电信号和高频振荡信号在两个或三个维度上产生一个随时间快速振荡的周期势，在满足一定条件下，这样的势场能够将离子束缚在阱中，即Paul阱通过静态电场和振荡电场组合形成的电势实现离子的囚禁。离子阱中的一个离子可作为一个量子比特，离子阱主处理器（相当于控制处理器平面23）内存储有量子算法，根据量子算法控制激光器（相当于控制和测量平面22）对囚禁在离子阱中的进行操作和测量，从而实现量子计算。当本实施例采用离子阱量子计算机时，离子阱中囚禁九个离子分别作为第一量子比特、第二量子比特/>、第三量子比特/>、第四量子比特/>第五量子比特/>第六量子比特/>第六量子比特/>第七量子比特/>第八量子比特/>及第九量子比特/>，并由九台激光器实现九个子电路中的量子逻辑门操作。
其他类型的计算设备同样能够实现如图2所示的全纠缠量子电路。例如，光量子计算机包括单光子源、单光子控制开关线路、光学回路及光子探测器。其中，单光子源产生作为量子的光子，并通过单光子控制开关线路将光子发送到光学回路中。光学回路实现各种量子逻辑门，当光子依次经过光学回路中的各种量子逻辑门时完成相应的量子计算。当应用光量子计算机实现如图2所示的全纠缠量子电路时，单光子源的输出端共有九个，分别产生作为第一量子比特、第二量子比特/>、第三量子比特/>第四量子比特/>第五量子比特/>第六量子比特/>第六量子比特/>第七量子比特/>第八量子比特/>及第九量子比特/>的九个光子，光学回路及光子探测器共形成九个支路，分别对应于第一子电路、第二子电路、第三子电路、第四子电路、第五子电路、第六子电路、第七子电路、第八子电路及第九子电路，从而得到了如图2所示的全纠缠量子电路。其它类型的计算设备，如超导量子计算机、中性原子量子计算机等等同样能够实现如图2所示的全纠缠量子电路，在此不再赘述。
在本实施例中，基于博弈悖论的量子人工智能体优化装置中的判断模块可由经典计算设备实现。
用于实现判断模块的经典计算设备例如为能够提供用户界面、具有处理主机的任意一种电子设备，如经典的个人计算机、工业计算机、工作站等等。如图10所示，图10是根据本发明一个实施例的作为经典计算设备的电子设备的原理框图，该电子设备包括处理器601以及存储有计算机程序指令的存储器602。
具体地，上述处理器601可以包括中央处理器（CPU）、图形处理器（GPU）或者特定集成电路（Application Specific Integrated Circuit ，ASIC），或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器602可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器602可包括硬盘驱动器（Hard DisHamiltonian Drive，HDD）、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线（Universal Serial Bus，USB）驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器602可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器602可在综合网关容灾设备的内部或外部。在特定实施例中，存储器602是非易失性固态存储器。
存储器可包括只读存储器（ROM），随机存取存储器（RAM），磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器包括一个或多个编码有包括计算机可执行指令的软件的有形（非暂态）计算机可读存储介质（例如，存储器设备），并且当该软件被执行（例如，由一个或多个处理器）时，其可操作来执行参考根据上述实施例1公开的基于博弈悖论的量子人工智能体优化方法中所描述的操作。
处理器601通过读取并执行存储器602中存储的计算机程序指令，以实现上述实施例1中公开的基于博弈悖论的量子人工智能体优化方法。
在一个示例中，电子设备还可包括通信接口603和总线610。其中，如图10所示，处理器601、存储器602、通信接口603通过总线610连接并完成相互间的通信。本申请实施例中的电子设备可以是服务器或其他计算设备，也可以是云端服务器。
通信接口603，主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线610包括硬件、软件或两者，将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口（AGP）或其他图形总线、增强工业标准架构（EISA）总线、前端总线（FSB）、超传输（HT）互连、工业标准架构（ISA）总线、无限带宽互连、低引脚数（LPC）总线、存储器总线、微信道架构（MCA）总线、外围组件互连（PCI）总线、PCI-Express（PCI-X）总线、串行高级技术附件（SATA）总线、视频电子标准协会局部（VLB）总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线610可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
根据本发明的另一个方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机指令，当所述计算机指令被处理器执行时实现前述的基于博弈悖论的量子人工智能体优化方法。其中，所述的计算机可读存储介质例如为经典计算机可读存储介质，如只读存储器（ROM），随机存取存储器（RAM），磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备，也可以是用于存储量子信息、由量子计算机可读取的存储介质，如量子随机存取存储器（QRAM），QRAM中以看作经典计算机中RAM的量子版本，通过QRAM能够制造包含信息的量子叠加态，相比于RAM需要逐个读取，可以以叠加的地址读取叠加的数据。QRAM能够以光学、半导体量子点、超导线路、离子阱等等物理方式实现。
以上示例性地描述了本发明实施例的方法、装置、系统和计算机程序产品的流程图和/或框图，并描述了相关的各个方面。应当理解，流程图和/或框图中的每个方框或其组合，可以由计算机程序指令实现，也可以由执行指定功能或动作的专用硬件来实现，还可由专用硬件和计算机指令的组合来实现。例如，这些计算机程序指令可被提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，以形成一种机器可使得经由这种处理器执行的这些指令使能对流程图和/或框图中的每个方框或其组合中指定的功能/动作的实现。这种处理器可以是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。
本发明实施例的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路（ASIC）、适当的固件、插件、功能卡等等；当以软件方式实现时，是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在存储器中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
需说明，本发明并不局限于上文所描述或在图中示出的特定植入和处理。以上所述仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，所描述的系统、设备、模块或单元的具体工作过程，可以参考方法实施例中的对应过程，不需再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于博弈悖论的量子人工智能体优化方法，其特征在于，包括：
基于量子神经网络结构，创建包括N个子电路的量子电路，其中，一个子电路作用于一个量子比特，N为自然数且N不小于4；
将所述量子电路作用于N个量子比特，得到全纠缠量子电路；
将所述全纠缠量子电路转换为量子人工智能体；
将预设的存亡定律植入所述量子人工智能体，得到具备生存和死亡规律的量子人工智能体；
将博弈悖论植入所述量子人工智能体，得到具备量子博弈特性的量子人工智能体；
基于博弈悖论，具备量子博弈特性的所述量子人工智能体进行自我优化。
2.根据权利要求1所述的基于博弈悖论的量子人工智能体优化方法，其特征在于，基于博弈悖论，具备量子博弈特性的量子人工智能体进行自我优化包括：
基于公式D=E1-E2，所述量子人工智能体判断选择合作模式还是不合作模式，其中，E1为具备量子博弈特性的量子人工智能体选择合作模式的情况下捕获的量子比特的数量，E2为具备量子博弈特性的量子人工智能体选择不合作模式的情况下捕获的量子比特的数量，D为E1与E2的差。
3.根据权利要求2所述的基于博弈悖论的量子人工智能体优化方法，其特征在于，在基于博弈悖论，具备量子博弈特性的所述量子人工智能体进行自我优化之后，所述方法包括：
实时动态显示所述量子人工智能体的博弈过程。
4.根据权利要求1所述的基于博弈悖论的量子人工智能体优化方法，其特征在于，将所述全纠缠量子电路转换为量子人工智能体包括：
分别为所述全纠缠量子电路输出的各个纠缠态量子比特随机分配一个三维坐标，得到三维坐标集合；
基于所述三维坐标集合，分别将各个纠缠态量子比特投影至三维坐标系中，得到三维的量子人工智能体。
5.根据权利要求1所述的基于博弈悖论的量子人工智能体优化方法，其特征在于，所述量子电路包括N个量子H门、 N（N-1）/2个CONT门、N个量子Rx门、N个量子Ry门及N个量子Rz门。
6.根据权利要求1所述的基于博弈悖论的量子人工智能体优化方法，其特征在于，N个所述子电路均包括量子Rx门、量子Ry门及量子Rz门。
7.一种基于博弈悖论的量子人工智能体优化装置，其特征在于，包括：
创建模块，被配置为基于量子神经网络结构，创建包括N个子电路的量子电路，其中，一个子电路作用于一个量子比特，N为自然数且N不小于4；
作用模块，被配置为将所述量子电路作用于N个量子比特，得到全纠缠量子电路；
转换模块，被配置为将所述全纠缠量子电路转换为量子人工智能体；
植入模块，被配置为将预设的存亡定律植入所述量子人工智能体，得到具备生存和死亡规律的量子人工智能体；
所述植入模块，还被配置为将博弈悖论植入具备生存和死亡规律的所述量子人工智能体，得到具备量子博弈特性的量子人工智能体；
优化模块，被配置为基于博弈悖论，具备量子博弈特性的所述量子人工智能体进行自我优化。
8.一种基于博弈悖论的量子人工智能体优化装置，其特征在于，还包括：
判断模块，被配置为基于公式D=E1-E2，判断选择合作模式还是不合作模式，其中，E1为具备量子博弈特性的量子人工智能体选择合作模式的情况下捕获的量子比特的数量，E2为具备量子博弈特性的量子人工智能体选择不合作模式的情况下捕获的量子比特的数量，D为E1与E2的差。
9.一种计算设备，其特征在于，包括权利要求7或8所述的基于博弈悖论的量子人工智能体优化装置。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机指令，当所述计算机指令被处理器执行时实现权利要求1-6中任一所述的基于博弈悖论的量子人工智能体优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311526636.5A CN117236371B (zh) | 2023-11-16 | 2023-11-16 | 基于博弈悖论的量子人工智能体优化方法、装置、设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311526636.5A CN117236371B (zh) | 2023-11-16 | 2023-11-16 | 基于博弈悖论的量子人工智能体优化方法、装置、设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117236371A true CN117236371A (zh) | 2023-12-15 |
| CN117236371B CN117236371B (zh) | 2024-03-26 |
Family
ID=89083014
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311526636.5A Active CN117236371B (zh) | 2023-11-16 | 2023-11-16 | 基于博弈悖论的量子人工智能体优化方法、装置、设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117236371B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102955948A (zh) * | 2011-08-22 | 2013-03-06 | 南通大学 | 一种基于多智能体的分布式模式识别方法 |
| CN104616498A (zh) * | 2015-02-02 | 2015-05-13 | 同济大学 | 基于马尔可夫链和神经网络的交通拥挤状态组合预测方法 |
| US20170221032A1 (en) * | 2007-09-06 | 2017-08-03 | Mohammad A. Mazed | System and method for machine learning based user application |
| US20190392684A1 (en) * | 2018-06-25 | 2019-12-26 | Brett Dwain McDonald | System and Method for Using Artificial Intelligence to Create Live, Mobile, Betting System Offering Time-Sensitive, Curated and Player-Restricted Bets on Sub-Outcomes of Sports and Esport Events |
| CN111294242A (zh) * | 2020-02-16 | 2020-06-16 | 湖南大学 | 一种提高多智能体系统合作水平的多跳学习方法 |
| CN111510158A (zh) * | 2020-04-15 | 2020-08-07 | 腾讯科技（深圳）有限公司 | 量子电路的容错纠错解码方法、装置及芯片 |
| CN111768003A (zh) * | 2020-07-02 | 2020-10-13 | 贵州民族大学 | 基于量子博弈和pi演算的心智行为预测方法 |
| CN113316796A (zh) * | 2018-11-13 | 2021-08-27 | 原子计算公司 | 可扩展的基于中性原子的量子计算 |
| US20220284338A1 (en) * | 2020-12-15 | 2022-09-08 | Institute of Oceanographic Instrumentation, Shandong Academy of Sciences | Heterogeneous Agent Formation Control Method Based on Cloud-Model-Based Quantum Genetic Algorithm |
| CN116224799A (zh) * | 2023-03-16 | 2023-06-06 | 中国电子科技集团公司电子科学研究院 | 一种多智能体博弈的控制策略优化方法及装置 |
-
2023
- 2023-11-16 CN CN202311526636.5A patent/CN117236371B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170221032A1 (en) * | 2007-09-06 | 2017-08-03 | Mohammad A. Mazed | System and method for machine learning based user application |
| CN102955948A (zh) * | 2011-08-22 | 2013-03-06 | 南通大学 | 一种基于多智能体的分布式模式识别方法 |
| CN104616498A (zh) * | 2015-02-02 | 2015-05-13 | 同济大学 | 基于马尔可夫链和神经网络的交通拥挤状态组合预测方法 |
| US20190392684A1 (en) * | 2018-06-25 | 2019-12-26 | Brett Dwain McDonald | System and Method for Using Artificial Intelligence to Create Live, Mobile, Betting System Offering Time-Sensitive, Curated and Player-Restricted Bets on Sub-Outcomes of Sports and Esport Events |
| CN113316796A (zh) * | 2018-11-13 | 2021-08-27 | 原子计算公司 | 可扩展的基于中性原子的量子计算 |
| CN111294242A (zh) * | 2020-02-16 | 2020-06-16 | 湖南大学 | 一种提高多智能体系统合作水平的多跳学习方法 |
| CN111510158A (zh) * | 2020-04-15 | 2020-08-07 | 腾讯科技（深圳）有限公司 | 量子电路的容错纠错解码方法、装置及芯片 |
| CN111768003A (zh) * | 2020-07-02 | 2020-10-13 | 贵州民族大学 | 基于量子博弈和pi演算的心智行为预测方法 |
| US20220284338A1 (en) * | 2020-12-15 | 2022-09-08 | Institute of Oceanographic Instrumentation, Shandong Academy of Sciences | Heterogeneous Agent Formation Control Method Based on Cloud-Model-Based Quantum Genetic Algorithm |
| CN116224799A (zh) * | 2023-03-16 | 2023-06-06 | 中国电子科技集团公司电子科学研究院 | 一种多智能体博弈的控制策略优化方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| SAMUEL YEN-CHI CHEN等: "Variational Quantum Circuits for Deep Reinforcement Learning", 《DIGITAL OBJECT IDENTIFIER》, vol. 8, pages 141007 - 141024, XP011802106, DOI: 10.1109/ACCESS.2020.3010470 * |
| 张辉;李蕾;窦猛汉;方圆;: "量子计算与人工智能", 自然杂志, no. 04, pages 49 - 58 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117236371B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11652497B2 (en) | Neural network-based quantum error correction decoding method and apparatus, and chip | |
| Gao et al. | Object tracking using firefly algorithm | |
| Barratt et al. | Transitions in the learnability of global charges from local measurements | |
| Rahnamayan et al. | Solving large scale optimization problems by opposition-based differential evolution (ODE) | |
| KR20210008858A (ko) | 순환 인공 신경 네트워크 내 활동 특성화 그리고 정보 인코딩 및 디코딩 | |
| Sheta et al. | Genetic algorithms: a tool for image segmentation | |
| Rybacki et al. | Experiments with single core, multi-core, and GPU based computation of cellular automata | |
| EP4147414A1 (en) | Quantum computing machine learning for security threats | |
| Khadiev et al. | Quantum online algorithms with respect to space and advice complexity | |
| CN115170906A (zh) | 量子图像生成模型训练方法、图像生成方法及相关装置 | |
| De Anda-Suarez et al. | A novel metaheuristic framework based on the generalized boltzmann distribution for COVID-19 spread characterization | |
| Ouarda et al. | A comparison of evolutionary algorithms: PSO, DE and GA for fuzzy c-partition | |
| Rostami et al. | Deep learning with persistent homology for orbital angular momentum (OAM) decoding | |
| CN117236371B (zh) | 基于博弈悖论的量子人工智能体优化方法、装置、设备 | |
| Nathan et al. | Skeletonnetv2: A dense channel attention blocks for skeleton extraction | |
| Djemame et al. | Combining cellular automata and particle swarm optimization for edge detection | |
| Nguyen et al. | Federated pca on grassmann manifold for iot anomaly detection | |
| Tikhonov et al. | Improvement of Information Protection and Data Transmission Methods in the Power Industry Using Neural Networks and a System of Residual Classes | |
| Qadir et al. | Quantum-dot cellular automata: theory and application | |
| Dogan et al. | Multi‐view pose estimation with mixtures of parts and adaptive viewpoint selection | |
| Yu et al. | Dynamic granularity matrix space based adaptive edge detection method for structured light stripes | |
| CN116758212A (zh) | 基于自适应去噪算法的3d重建方法、装置、设备及介质 | |
| Palla et al. | Fully Convolutional Denoising Autoencoder for 3D Scene Reconstruction from a single depth image | |
| Kheradmand et al. | Accelerating Neural Field Training via Soft Mining | |
| CN115659677B (zh) | 一种基于量子计算的动力学模拟方法及装置 |
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 |