CN117610671A - 用于生成量子态的模型训练方法、装置、设备和介质 - Google Patents
用于生成量子态的模型训练方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN117610671A CN117610671A CN202311607735.6A CN202311607735A CN117610671A CN 117610671 A CN117610671 A CN 117610671A CN 202311607735 A CN202311607735 A CN 202311607735A CN 117610671 A CN117610671 A CN 117610671A
- Authority
- CN
- China
- Prior art keywords
- quantum
- data
- sample
- training
- neural network
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000005259 measurement Methods 0.000 claims abstract description 114
- 238000013528 artificial neural network Methods 0.000 claims abstract description 98
- 239000002096 quantum dot Substances 0.000 claims description 78
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 17
- 238000010586 diagram Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000009792 diffusion process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000005283 ground state Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005610 quantum mechanics Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect 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
- G06N10/20—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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种生成模型的训练方法,涉及人工智能技术领域,尤其涉及生成式人工智能以及量子计算技术领域。具体实现方案为:根据量子态样本数据,得到样本测量结果,其中,样本测量结果被添加至第一训练样本集合,第一训练样本集合用于训练第一生成模型;根据样本测量结果,得到参数数据;利用参数数据调整第二生成模型的量子神经网络,得到调整后的量子神经网络;利用调整后的量子神经网络,生成量子态输出数据;根据量子态样本数据和量子态输出数据,训练第二生成模型。本公开还提供了一种数据生成方法、装置、电子设备和存储介质。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及生成式人工智能(AIGC)以及量子计算技术领域,可应用于自动写作、语音合成、图像生成场景下。更具体地,本公开提供了一种生成模型的训练方法、数据生成方法、装置、电子设备和存储介质。
背景技术
随着人工智能以及量子计算技术的发展,可以将量子计算技术引入人工智能任务中,以提高人工智能任务的执行效率;也可以利用人工智能技术来拓展量子计算的应用场景。
发明内容
本公开提供了一种生成模型的训练方法、数据生成方法、装置、设备以及存储介质。
根据本公开的一方面,提供了一种生成模型的训练方法,该方法包括:根据量子态样本数据,得到样本测量结果,其中,样本测量结果被添加至第一训练样本集合,第一训练样本集合用于训练第一生成模型;根据样本测量结果,得到参数数据;利用参数数据调整第二生成模型的量子神经网络,得到调整后的量子神经网络;利用调整后的量子神经网络,生成量子态输出数据;根据量子态样本数据和量子态输出数据,训练第二生成模型。
根据本公开的另一方面,提供了一种数据生成方法,该方法包括:将输入数据输入第一生成模型,得到测量结果;根据测量结果,得到参数数据;根据参数数据,利用第二生成模型的量子神经网络生成量子态输出数据;根据量子态输出数据,确定目标数据,其中,第一生成模型和第二生成模型是利用本公开提供的方法训练的。
根据本公开的另一方面,提供了一种生成模型的训练装置,该装置包括:第一获得模块,用于根据量子态样本数据,得到样本测量结果,其中,样本测量结果被添加至第一训练样本集合,第一训练样本集合用于训练第一生成模型;第二获得模块,用于根据样本测量结果,得到参数数据;调整模块,用于利用参数数据调整第二生成模型的量子神经网络,得到调整后的量子神经网络;第一生成模块,用于利用调整后的量子神经网络,生成量子态输出数据;第一训练模块,用于根据量子态样本数据和量子态输出数据,训练第二生成模型。
根据本公开的另一方面,提供了一种数据生成装置,该装置包括:第四获得模块,用于将输入数据输入第一生成模型,得到测量结果;第五获得模块,用于根据测量结果,得到参数数据;第二生成模块,用于根据参数数据,利用第二生成模型的量子神经网络生成量子态输出数据;确定模块,用于根据量子态输出数据,确定目标数据,其中,第一生成模型和第二生成模型是利用本公开提供的装置训练的。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行根据本公开提供的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行根据本公开提供的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现根据本公开提供的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开的一个实施例的生成模型的训练方法的示意流程图;
图2是根据本公开的一个实施例的编码模型的示意图;
图3是根据本公开的一个实施例的第一生成模型和第二生成模型的示意图;
图4是根据本公开的另一个实施例的第二生成模型的量子神经网络的示意图;
图5是根据本公开的一个实施例的数据生成方法的示意流程图;
图6是根据本公开的一个实施例的数据生成方法的原理图;
图7是根据本公开的一个实施例的生成模型的训练装置的框图;
图8是根据本公开的一个实施例的数据生成装置的框图;以及
图9是根据本公开的一个实施例的可以应用生成模型的训练方法和/或数据生成方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
生成式人工智能代表了一种新的机器学习方法,可以将机器从被动的信息处理设备转变为能够生成新内容的创造设备。通过利用大量的已有文本、图像、音频等数据,生成式人工智能技术可以学习并生成新的、与原始数据相似的内容。这种技术的典型应用包括自动写作、语音合成、图像生成等场景。生成式人工智能在内容创作场景中存在巨大潜力。
量子计算是一种新兴的计算方式,利用量子力学的原理进行计算,可以比传统计算机更高效。量子计算利用量子比特(qubit)作为计算基本单位。量子比特可以同时处于0和1的叠加态,以便实现并行计算。此外,量子比特之间还可以形成纠缠态,使得量子计算能够处理和存储更复杂的信息。
生成式人工智能技术和量子计算都是重要的研究方向,但将二者结合起来的研究相对较少。例如,利用量子计算生成新内容的方式较少。
利用量子计算的优势,可以更好地处理和解决一些复杂的优化问题,从而为生成式人工智能技术提供更加精准和高效的算法支持。此外,生成式人工智能技术还可以为量子计算领域带来新的应用。例如,基于生成式人工智能技术,可以生成哈密顿量(hamiltonian)的基态或者生成满足一些特定要求的量子态。
基于此,本公开提供了一种生成模型的训练方法,下面将进行说明。
图1是根据本公开的一个实施例的生成模型的训练方法的流程图。
如图1所示,该方法200可以包括操作S110至操作S150。
在操作S110,根据量子态样本数据,得到样本测量结果。
在本公开实施例中,量子态样本数据可以对应具有目标风格的数据。多个量子态样本数据可以对应具有相同目标风格的数据。
在本公开实施例中,可以利用各种参数化量子电路(PQC)处理量子态样本数据,得到至少一个样本测量结果。
在本公开实施例中,样本测量结果被添加至第一训练样本集合。第一训练样本集合用于训练第一生成模型。例如,第一生成模型可以包括扩散模型(Diffusion Model)。可以将与量子态样本数据对应的至少一个样本测量结果添加至第一训练样本集合,以训练第一生成模型。
在操作S120,根据样本测量结果,得到参数数据。
在本公开实施例中,可以利用各种方式得到参数数据。例如,按照预设的映射关系,将样本测量结果转换为参数数据。又例如,可以利用一全连接网络处理样本测量结果,得到参数数据。
在操作S130,利用参数数据调整第二生成模型的量子神经网络,得到调整后的量子神经网络。
在本公开实施例中,第二生成模型可以包括量子神经网络。量子神经网络可以对应一定数目的量子比特。参数数据的数目可以为量子比特的数目的整数倍。
在本公开实施例中,第二生成模型的量子神经网络包括多个量子解码层。例如,以多个量子比特配置了相同数目的量子逻辑门为例,多个量子比特各自的第1个量子逻辑门可以构成一量子解码层。多个量子比特各自的第2个量子逻辑门可以构成一量子解码层。多个量子比特各自的最后一个量子逻辑门可以构成另一量子解码层。可以理解,多个量子比特也可以配置不同数目的量子逻辑门,本公开对此不进行限制。
在本公开实施例中,多个量子解码层包括至少一个待训练量子解码层。例如,多个量子比特各自的第2个量子逻辑门构成的量子解码层可以作为待训练量子解码层。
在操作S140,利用调整后的量子神经网络,生成量子态输出数据。
例如,可以将任意量子态数据输入调整后的量子神经网络,以生成量子态输出数据。
在操作S150,根据量子态样本数据和量子态输出数据,训练第二生成模型。
在本公开实施例中,可以根据量子态样本数据和量子态输出数据之间的差异,训练第二生成模型。例如,可以调整上述待训练量子解码层的参数,以训练第二生成模型。
通过本公开实施例,利用样本测量结果训练第一生成模型,可以使得第一生成模型生成与样本测量结果相似的样本生成结果。根据由样本测量测量得到的参数数据,调整了量子神经网络,可以充分利用量子态样本数据的信息。由此,第一生成模型和第二生成模型联合训练之后,充分提升了两个生成模型的准确性,可以高效生成与量子态样本数据的风格相似度更高的量子态,提升用户体验。
此外,通过本公开实施例,经训练的生成模型的量子神经网络可以实现量子计算的仿真。基于经训练的生成模型的量子神经网络的参数,可以提高量子计算设备的数据生成效率和精度。
可以理解,上文结合第一生成模型和第二生成模型,对本公开的训练方法进行了说明。但本公开不限于此,在模型训练过程中,也可以训练一编码模型,以便根据量子态样本数据,得到样本测量结果,下面将进行说明。
在一些实施例中,根据量子态样本数据,得到样本测量结果包括:将量子态样本数据输入编码模型,得到样本测量结果。
在本公开实施例中,编码模型可以包括量子神经网络,下面将结合图2对编码模型进行说明。
图2是根据本公开的一个实施例的编码模型的示意图。
如图2所示,编码模型E20可以包括量子神经网络QNN21。
在本公开实施例中,编码模型的量子神经网络可以为N量子比特的量子神经网络。N可以为大于1的整数。如图2所示,量子神经网络QNN21例如可以为4量子比特的量子神经网络。量子神经网络QNN21对应的4个量子比特可以包括第一量子比特、第二量子比特、第三量子比特和第四量子比特。第一量子比特可以配置单比特旋转门Ry(θ1,1)、单比特旋转门Rz(θ1,5)、单比特旋转门Ry(θ1,9)和单比特旋转门Rz(θ1,13)。第二量子比特可以配置单比特旋转门Ry(θ1,2)、单比特旋转门Rz(θ1,6)、单比特旋转门Ry(θ1,10)和单比特旋转门Rz(θ1,14)。第三量子比特可以配置单比特旋转门Ry(θ1,3)、单比特旋转门Rz(θ1,7)、单比特旋转门Ry(θ1,11)和单比特旋转门Rz(θ1,15)。第四量子比特可以配置单比特旋转门Ry(θ1,4)、单比特旋转门Rz(θ1,8)、单比特旋转门Ry(θ1,12)和单比特旋转门Rz(θ1,16)。在任一量子比特的两个单比特旋转门之间,可以配置受控非门(CNOT)。可以理解,N也可以为其他整数,本公开对此不进行限制。
在本公开实施例中,编码模型的量子神经网络可以包括多个量子编码层。量子编码层可以包括多个量子比特各自的单比特旋转门。如图2所示,量子编码层E21可以包括第一量子比特的单比特旋转门Ry(θ1,1)、第二量子比特的单比特旋转门Ry(θ1,2)、第三量子比特的单比特旋转门Ry(θ1,3)、第四量子比特的单比特旋转门Ry(θ1,4)。量子编码层E22可以包括第一量子比特的单比特旋转门Ry(θ1,5)、第二量子比特的单比特旋转门Ry(θ1,6)、第三量子比特的单比特旋转门Ry(θ1,7)、第四量子比特的单比特旋转门Ry(θ1,8)。量子编码层E23可以包括第一量子比特的单比特旋转门Ry(θ1,9)、第二量子比特的单比特旋转门Ry(θ1,10)、第三量子比特的单比特旋转门Ry(θ1,11)、第四量子比特的单比特旋转门Ry(θ1,12)。量子编码层E24可以包括第一量子比特的单比特旋转门Ry(θ1,13)、第二量子比特的单比特旋转门Ry(θ1,14)、第三量子比特的单比特旋转门Ry(θ1,15)、第四量子比特的单比特旋转门Ry(θ1,16)。
可以理解,除了首个量子编码层E21,量子编码层与多个量子比特各自的受控非门可以实现各种处理(例如卷积处理)。例如,量子编码层E22结合量子编码层E21与量子编码层E22之间的多个受控非门,可以实现卷积处理。
在本公开实施例中,将量子态样本数据输入编码模型的量子神经网络,可以得到样本测量结果。
例如,量子态样本数据可以为向量。如图2所示,量子态样本数据|x>可以为16×1的向量。以该量子态样本数据是基于图像样本数据得到的为示例,可以将例如4×4的图像拉伸为16×1的初始向量,并将其编码为量子态,得到量子态样本数据|x>。
例如,将量子态样本数据输入编码模型的量子神经网络,可以得到输出结果。对输出结果进行测量,可以得样本测量结果。样本测量结果可以为一个多个。可以利用泡利Z算符(Pauli-Z)进行测量,得到至少一个样本测量结果。如图2所示,多个样本测量结果例如包括样本测量结果M21、样本测量结果M22、样本测量结果M23和样本测量结果M24。通过本公开实施例,获得了与量子样本数据对应的一个或多个样本测量结果,避免了对量子态样本数据的简单重构,有助于实现量子态的生成。
可以理解,上文对获得样本测量结果的一些方式进行了说明,下面将对样本测量结果的处理方式进行说明。
图3是根据本公开的一个实施例的第一生成模型和第二生成模型的示意图。
如图3所示,将量子态样本数据输入编码模型E30的量子神经网络QNN31,可以得到样本测量结果M31、样本测量结果M32、样本测量结果M33和样本测量结果M34。可以理解,关于编码模型E30的说明,与上述编码模型E20相同或类似,本公开在此不再赘述。
在一些实施例中,第二生成模型可以包括全连接网络和量子神经网络。如图3所示,第二生成模型G32可以包括全连接网络NN32和量子神经网络QNN32,下面将对全连接网络NN32进行说明。
在本公开实施例中,根据样本测量结果,得到参数数据包括:将样本测量结果输入第二生成模型的全连接网络,得到参数数据。参数数据可以为一个或多个。参数数据的数目可以大于或等于样本测量结果的数目。例如,将测量结果M31、测量结果M32、测量结果M33和测量结果M34输入全连接网络N32,可以得到参数数据y1至参数数据y8。
在本公开实施例中,参数数据可以包括第一参数数据和第二参数数据。在参数数据为多个的情况下,第一参数数据可以为至少一个,第二参数数据也可以为至少一个。例如,参数数据y1至参数数据y4可以作为4个第一参数数据。参数数据y5至参数数据y8可以作为4个第二参数数据。可以理解,上文对本公开第二生成模型的全连接网络进行了说明,下面将对第二生成模型的量子神经网络进行说明。
在本公开实施例中,第二生成模型的量子神经网络对应至少一个量子比特。如图3所示,量子神经网络QNN32可以对应4个量子比特。4个量子比特可以包括第五量子比特、第六量子比特、第七量子比特以及第八量子比特。可以理解,第二生成模型的量子神经网络的量子比特数目可以与编码模型的量子神经网络的量子比特数目相同,也可以不同,本公开对此不进行限制。
在一些实施例中,利用参数数据调整第二生成模型的量子神经网络,得到调整后的量子神经网络可以包括:利用参数数据调整第二生成模型的量子神经网络的目标量子解码层,得到调整后的量子神经网络。通过本公开实施例,利用参数数据调整了待训练量子解码层之后的解码层的参数,可以充分利用量子态样本数据的信息,也可以提升量子神经网络的准确性,可以更准确、高效地将量子态样本数据的风格添加到量子态输出数据,使得生成模型可以生成与量子态样本数据风格相似的量子态数据。
在本公开实施例中,第二生成模型的量子神经网络可以包括多个量子解码层。多个量子解码层可以包括待训练量子解码层。量子解码层可以包括至少一个量子比特的单比特旋转门。例如,多个量子解码层可以包括量子解码层D31至量子解码层D33。量子解码层D32可以包括第五量子比特的单比特旋转门Rz(θ2,1)、第六量子比特的单比特旋转门Rz(θ2,2)、第七量子比特的单比特旋转门Rz(θ2,3)、第八量子比特的单比特旋转门Rz(θ2,4)。量子解码层D32可以作为待训练量子解码层。
在一些实施例中,利用参数数据调整生成模型的量子神经网络的目标量子解码层,得到调整后的量子神经网络可以包括:利用参数数据,调整目标量子解码层中量子比特的单比特旋转门的旋转角。
在本公开实施例中,目标量子解码层可以来自待训练量子解码层之后的至少一个量子解码层。待训练量子解码层之后的量子解码层的输入可以是根据待训练量子解码层的输出确定的。利用至少一个参数数据,可以调整目标量子解码层中至少一个量子比特的单比特旋转门的旋转角。如图3所示,量子解码层D33为量子解码层D32的在后量子解码层,可以作为目标量子解码层。可以利用参数数据y5至参数数据y8,调整量子解码层D33中多个量子比特各自的单比特旋转门的旋转角。例如,对于量子解码层D33,可以将参数数据y5作为第五量子比特的单比特旋转门的旋转角,可以将参数数据y6作为第六量子比特的单比特旋转门的旋转角,可以将参数数据y7作为第七量子比特的单比特旋转门的旋转角,可以将参数数据y8作为第八量子比特的单比特旋转门的旋转角。由此,调整后的量子解码层D33可以包括第五量子比特的单比特旋转门Ry(y5)、第六量子比特的单比特旋转门Ry(y6)、第七量子比特的单比特旋转门Ry(y7)和第八量子比特的单比特旋转门Ry(y8)。通过本公开实施例,目标量子解码层来自待训练量子解码层的在后量子解码层。由此,与利用参数数据调整待训练量子解码层的在前量子解码层相比,利用参数数据调整目标量子解码层,可以充分利用量子态样本数据的有效信息,也可以充分提高生成模型的准确性,有助于生成与量子态样本数据风格更相似的量子态输出数据。可以理解,除了将参数数据作为单比特旋转门的旋转角,也可以利用其他方式调整旋转角。例如,可以利用参数数据与相应单比特旋转门的当前旋转角进行各种运算(例如相加等),以调整旋转角。
可以理解,上文利用第二参数数据调整了待训练量子解码层的在后量子解码层。但本公开不限于此,也可以调整待训练量子解码层的在前量子解码层,下面将进行说明。
在本公开实施例中,多个量子解码层还包括待训练量子解码层之前的量子解码层。待训练量子解码层的输入可以是根据待训练量子解码层的在前量子解码层确定的。待训练量子解码层之前的量子解码层可以为一个或多个。如图3所示,量子解码层D31可以为量子解码层D32的在前量子解码层。
在本公开实施例中,利用参数数据调整生成模型的量子神经网络的目标量子解码层还包括:利用第一参数数据,调整目标量子解码层之前的量子解码层。如图3所示,量子解码层D31可以为量子解码层D32的在前量子解码层。可以利用至少一个第一参数数据,调整在前量子解码层中至少一个量子比特的单比特旋转门的旋转角。例如,对于量子解码层D31,可以将参数数据y1作为第五量子比特的单比特旋转门的旋转角,可以将参数数据y2作为第六量子比特的单比特旋转门的旋转角,可以将参数数据y3作为第七量子比特的单比特旋转门的旋转角,可以将参数数据y4作为第八量子比特的单比特旋转门的旋转角。由此,调整后的量子解码层D31可以包括第五量子比特的单比特旋转门Ry(y1)、第六量子比特的单比特旋转门Ry(y2)、第七量子比特的单比特旋转门Ry(y3)和第八量子比特的单比特旋转门Ry(y4)。通过本公开实施例,目标量子解码层来自待训练量子解码层的在后量子解码层,在利用参数数据调整目标量子解码层的情况下,还利用参数数据调整待训练量子解码层的在前量子解码层,可以进一步利用量子态样本数据的有效信息,有助于降低训练复杂度,也可以更进一步地提高生成模型的准确性,有助于快速、高效生成与量子态样本数据风格更相似的量子态输出数据。
可以理解,在利用第一参数数据和第二参数数据分别调整待训练量子解码层的在前和在后的量子解码层的情况下,同一量子比特的不同单比特旋转门重载了来自量子态样本数据的不同信息。例如,第五量子比特的两个单比特旋转门分别加载了参数数据y1和参数数据y5。第六量子比特的两个单比特旋转门分别加载了参数数据y2和参数数据y6。第七量子比特的两个单比特旋转门分别加载了参数数据y3和参数数据y7。第八量子比特的两个单比特旋转门分别加载了参数数据y4和参数数据y8。由此,可以进一步利用量子态样本数据的有效信息。
可以理解,上文对调整目标量子解码层的一些方式进行了说明,下面将对生成量子态输出数据的一些方式进行说明。
在一些实施例中,利用调整后的量子神经网络,生成量子态输出数据包括:将量子态初始数据输入调整后的量子神经网络,可以得到量子态输出数据。
在本公开实施例中,量子态初始数据可以为任意量子态数据。例如,量子态初始数据可以为零态|0>。可以将零态|0>输入调整后的量子神经网络QNN32,得到量子态输出数据量子态输出数据/>也可以是16×1的向量。通过本公开实施例,可以降低生成量子态输出数据所需的资源开销。
可以理解,上文对生成量子态输出数据的一些方式进行了说明,下面将对训练第二生成模型的一些方式进行说明。
在一些实施例中,根据量子态样本数据和量子态输出数据,训练生成模型包括:根据量子态样本数据和量子态输出数据,可以训练第二生成模型和编码模型。
在本公开实施例中,根据量子态样本数据和量子态输出数据,训练生成模型和编码模型包括:根据量子态样本数据和量子态输出数据,可以确定重构损失。例如,可以根据量子态样本数据和量子态输出数据之间的保真度(Fidelity),确定重构损失。可以通过以下公式确定重构损失recons_loss:
可以表示量子态样本数据|x>和量子态输出数据/>之间的内积。通过本公开实施例,可以充分利用样本数据的信息,有助于高效地训练生成模型,提高生成模型的训练效率。
在本公开实施例中,根据损失,可以调整第二生成模型和编码模型的参数。例如,可以调整上述量子神经网络QNN31中各量子编码层的参数(旋转角θ1,1至旋转角θ1,16),也可以调整全连接网络NN31和全连接网络NN32的参数,也可以调整量子神经网络QNN32中待训练量子编码层的参数(旋转角θ2,1至旋转角θ2,4)。
可以理解,上文对训练第二生成模型和编码模型的一些方式进行了说明。接下来,可以利用量子态样本数据集中不同的量子态样本数据对第二生成模型和编码模型进行多次训练,直至满足预设终止条件。预设终止条件可以包括上述损失收敛或训练次数大于或等于预设训练次数阈值。量子态样本数据集中不同的量子态样本数据可以具有相同或类似的风格(style)。
可以理解,在对第二生成模型的训练过程中,获得了样本测量结果。在一些实施例中,样本测量结果可以作为第一训练样本数据。例如,第一训练样本数据可以对应上述量子态样本数据|x>。上述样本测量结果M31、样本测量结果M32、样本测量结果M33和样本测量结果M34可以作为第一训练样本数据,添加至第一训练样本集合。
在一些实施例中,第一训练样本数据可以被添加至第一训练样本集合。第一训练样本集合可以包括至少一个第一训练样本数据。
可以理解,在对第二生成模型的训练过程中,可以获得多个第一训练样本数据。在获得了一第一训练样本数据之后,可以立即训练第一生成模型。此外,也可以在第二生成模型的训练结束之后,利用多个第一训练样本数据训练第一生成模型,本公开对此不进行限制。下面将结合图3对训练第一生成模型的一些方式进行说明。
在一些实施例中,可以通过以下操作将第一训练样本集合用于训练第一生成模型:将第一训练样本数据的样本测量结果输入第一生成模型,得到样本生成结果。根据样本测量结果和样本生成结果,训练第一生成模型。
如图3所示,样本测量结果M31、样本测量结果M32、样本测量结果M33和样本测量结果M34可以作为第一训练样本数据。将样本测量结果M31、样本测量结果M32、样本测量结果M33和样本测量结果M34输入第一生成模型G31,可以得到样本生成结果M31’、样本生成结果M32’、样本生成结果M33’和样本生成结果M34’。接下来,根据样本测量结果M31至M34和样本生成结果M31’至样本生成结果M34’之间的差异,可以训练第一生成模型。可以理解,第一生成模型可以包括扩散单元和生成单元。扩散单元输入为样本测量结果。利用扩散单元逐步向样本测量结果加噪,将多个样本加噪结果输入至生成单元。生成单元执行拟扩展。可以逐步调整生成单元的参数,直到生成单元能够输出与原始未加噪样本测量结果最接近的样本生成结果。通过本公开实施例,可以充分利用测量结果的数据分布特性(大于或等于-1且小于或等于1),无需归一化就可以输入扩散模型。扩散模型也可以充分利用测量结果的隐含信息,准确高效地生成样本生成结果。
可以理解,上文以第二生成模型的量子神经网络包括一待训练量子解码层为示例,对本公开进行了说明。但本公开不限于此,生成模型的量子神经网络可以包括多个待训练量子解码层。目标量子解码层可以来自多个待训练量子解码层中至少一个待训练量子解码层之后的至少一个量子解码层,下面将进行说明。
图4是根据本公开的另一个实施例的生成模型的量子神经网络的示意图。
如图4所示,量子神经网络QNN42’可以包括量子解码层D41、量子解码层D42、量子解码层D43以及量子解码层D44。量子解码层D42和量子解码层D44可以作为待训练量子解码层。可以理解,上文关于量子解码层D31、量子解码层D33的说明,同样适用于量子解码层D41、量子解码层D43,本公开在此不再赘述。
量子解码层D42可以包括单比特旋转门Ry(θ2,1)、单比特旋转门Ry(θ2,2)和单比特旋转门Ry(θ2,3)和单比特旋转门Ry(θ2,4)。量子解码层D44可以包括单比特旋转门Ry(θ2,5)、单比特旋转门Ry(θ2,6)和单比特旋转门Ry(θ2,7)和单比特旋转门Ry(θ2,8)。
在本公开实施例中,量子解码层D43为量子解码层D42之后的量子解码层,可以作为目标量子解码层。可以理解,在对量子神经网络QNN42’进行调整之后,可以将最大量子叠加态数据作为量子态初始数据,输入调整后的量子神经网络QNN42’,以生成量子态输出数据。
可以理解,上文以量子态样本数据是基于图像样本数据得到的为示例,对本公开进行了说明。但本公开不限于此,量子态样本数据可以是基于第二训练样本数据得到的,第二训练样本数据来自第二训练样本集合。第二训练样本数据包括图像样本数据、文本样本数据以及音频样本数据中的至少一个。
例如,在训练样本数据包括文本样本数据的情况下,可以将文本样本数据多个字符转换为标记(token),得到多个标记。将多个标记编码为量子态,得到量子态样本数据。
又例如,在训练样本数据包括音频样本数据的情况下,可以将音频样本数据多个音素编码为量子态,得到量子态样本数据。
可以理解,上文以量子态样本数据是基于图像、文本以及音频样本数据得到的为示例,对本公开进行了说明。在一些实施例中,所述量子态样本数据可以包括哈密顿量基态样本数据,所述哈密顿量基态样本数据与化学分子的基态对应。例如,也可以利用哈密顿量基态样本数据训练的上述编码模型E30、第一生成模型G31以及第二生成模型G32。在训练完成之后,利用第一生成模型G31以及第二生成模型G32可以生成哈密顿量基态输出数据。化学分子例如可以为氢分子(H2)。
可以理解,在完成了对第一生成模型和第二生成模型的训练之后,可以利用第一生成模型和第二生成模型进行数据生成,下面将进行说明。
图5是根据本公开的另一个实施例的数据生成方法的流程图。
如图5所示,该方法500可以包括操作S510至操作S540。
在操作S510,将输入数据输入第一生成模型,得到测量结果。
在本公开实施例中,输入数据可以来自标准正态分布。输入数据可以为至少一个。测量结果可以为至少一个。
在操作S520,根据测量结果,得到参数数据。
在本公开实施例中,参数数据可以为至少一个。例如,可以基于预设的映射关系,将输入数据转换为参数数据。又例如,可以对输入数据进行全连接处理,得到参数数据。
在操作S530,根据参数数据,利用第二生成模型的量子神经网络生成量子态输出数据。
在本公开实施例中,可以利用参数数据调整第二生成模型的量子神经网络的目标量子解码层,得到调整后的量子神经网络。目标量子解码层可以为任一经训练量子解码层之后的量子解码层。例如,在对上述完成了对上述量子解码层D32的训练之后,量子解码层D32可以作为经训练量子解码层。
在本公开实施例中,第一生成模型和第二生成模型可以是根据上述方法100训练的。
在操作S540,根据量子态输出数据,确定目标数据。
在本公开实施例中,目标数据包括目标图像数据、目标文本数据以及目标音频数据中的至少一个。例如,可以将量子态输出数据转换为目标数据。目标数据例如可以为目标图像数据。
在本公开实施例中,第二生成模型还可以包括全连接网络。生成模型的全连接网络可以为经训练的上述全连接网络NN32。可以将至少一个测量结果输入第二生成模型的全连接网络,得到至少一个参数数据。下面将结合图6进行进一步说明。
图6是根据本公开的一个实施例的数据生成方法的原理图。
如图6所示,可以利用第一生成模型G61和第二生成模型G62进行数据生成。可以理解,关于第一生成模型G61和第二生成模型G62的说明,与上述第一生成模型G31和第二生成模型G32相同或类似,本公开在此不再赘述。
可以从标准正态分布中随机获取输入数据z1、输入数据z2、输入数据z3、输入数据z4。将输入数据z1、输入数据z2、输入数据z3、输入数据z4输入第一生成模型G61,可以得到测量结果Mo61、测量结果Mo62、测量结果Mo63、测量结果Mo64。将测量结果Mo61、测量结果Mo62、测量结果Mo63、测量结果Mo64输入第二生成模型G62的全连接网络NN62,可以得到参数数据y1’至参数数据y8’。
在本公开实施例中,参数数据可以包括第一参数数据和第二参数数据。例如,参数数据y1’至参数数据y4’可以分别作为4个第一参数数据。参数数据y5’至参数数据y8’可以作为4个第二参数数据。
在本公开实施例中,根据参数数据,利用第二生成模型的量子神经网络生成量子态输出数据可以包括:利用参数数据调整第二生成模型的量子神经网络的目标量子解码层,得到调整后的量子神经网络。利用调整后的量子神经网络,生成量子态输出数据。
在本公开实施例中,利用参数数据调整第二生成模型的量子神经网络的目标量子解码层包括:利用第一参数数据调整经训练量子解码层之前的量子解码层。利用第二参数数据调整目标量子解码层。
例如,量子解码层D61可以为量子解码层D62的在前量子解码层。可以利用至少一个第一参数数据,调整在前量子解码层中至少一个量子比特的单比特旋转门的旋转角。例如,对于量子解码层D61,可以将参数数据y1’作为第五量子比特的单比特旋转门的旋转角,可以将参数数据y2’作为第六量子比特的单比特旋转门的旋转角,可以将参数数据y3’作为第七量子比特的单比特旋转门的旋转角,可以将参数数据y4’作为第八量子比特的单比特旋转门的旋转角。由此,调整后的量子解码层D61可以包括第五量子比特的单比特旋转门Ry(y1')、第六量子比特的单比特旋转门Ry(y2')、第七量子比特的单比特旋转门Ry(y3′)和第八量子比特的单比特旋转门Ry(y4')。
又例如,量子解码层D63为量子解码层D62的在后量子解码层,可以作为目标量子解码层。可以利用至少一个第二参数数据,调整目标量子解码层中至少一个量子比特的单比特旋转门的旋转角。可以利用参数数据y5’至参数数据y8’,调整量子解码层D63中多个量子比特各自的单比特旋转门的旋转角。例如,对于量子解码层D63,可以将参数数据y5’作为第五量子比特的单比特旋转门的旋转角,可以将参数数据y6’作为第六量子比特的单比特旋转门的旋转角,可以将参数数据y7’作为第七量子比特的单比特旋转门的旋转角,可以将参数数据y8’作为第八量子比特的单比特旋转门的旋转角。由此,调整后的量子解码层D63可以包括第五量子比特的单比特旋转门Ry(y5')、第六量子比特的单比特旋转门Ry(y6')、第七量子比特的单比特旋转门Ry(y7′)和第八量子比特的单比特旋转门Ry(y8′)。
由此,获得的调整后的量子神经网络可以包括调整后的量子解码层D61、经训练的量子解码层D62以及调整后的量子解码层D63。
接下来,可以将量子态初始数据输入调整后的量子神经网络,得到量子态输出数据。例如,可以将零态|0>输入调整后量子神经网络QNN62,得到量子态输出数据可以根据量子态输出数据/>得到目标数据。
图7是根据本公开的一个实施例的生成模型的训练装置的框图。
如图7所示,该装置700可以包括第一获得模块710、第二获得模块720、调整模块730、第一生成模块740以及第一训练模块750。
第一获得模块710,用于根据量子态样本数据,得到样本测量结果。样本测量结果被添加至第一训练样本集合,第一训练样本集合用于训练第一生成模型。
第二获得模块720,用于根据样本测量结果,得到参数数据。
调整模块730,用于利用参数数据调整第二生成模型的量子神经网络,得到调整后的量子神经网络。
第一生成模块740,用于利用调整后的量子神经网络,生成量子态输出数据。
第一训练模块750,用于根据量子态样本数据和量子态输出数据,训练第二生成模型。
在一些实施例中,第一获得模块包括:第一获得子模块,用于将量子态样本数据输入编码模型,得到样本测量结果。
在一些实施例中,第一获得子模块包括:第一获得单元,用于将量子态样本数据输入编码模型的量子神经网络,得到样本输出结果。测量单元,用于对样本输出结果进行测量,得到样本测量结果。
在一些实施例中,样本测量结果作为第一训练样本数据被添加至第一训练样本集合。通过以下模块执行相应操作将第一训练样本集合用于训练第一生成模型:第三获得模块,用于将第一训练样本数据的样本测量结果输入第一生成模型,得到样本生成结果。第二训练模块,用于根据样本测量结果和样本生成结果,训练第一生成模型。
在一些实施例中,第二获得模块包括:第二获得子模块,用于将样本测量结果输入第二生成模型的全连接网络,得到参数数据。
在一些实施例中,调整模块包括:第一调整子模块,用于利用参数数据调整第二生成模型的量子神经网络的目标量子解码层,得到调整后的量子神经网络。第二生成模型的量子神经网络包括多个量子解码层,多个量子解码层包括待训练量子解码层,目标量子解码层为待训练量子解码层之后的量子解码层。
在一些实施例中,第一调整子模块包括:第一调整单元,用于利用参数数据,调整目标量子解码层中量子比特的单比特旋转门的旋转角。
在一些实施例中,参数数据包括第一参数数据和第二参数数据。第一调整子模块包括:第二调整单元,用于利用第一参数数据,调整待训练量子解码层之前的量子解码层。第三调整单元,用于利用第二参数数据,调整目标量子解码层。
在一些实施例中,第一生成模块还用于:将量子态初始数据输入调整后的量子神经网络,得到量子态输出数据。
在一些实施例中,第一训练模块包括:训练子模块,用于根据量子态样本数据和量子态输出数据,训练第二生成模型和编码模型。
在一些实施例中,第一训练模块包括:确定子模块,用于根据量子态样本数据和量子态输出数据,确定重构损失。第二调整子模块,用于根据重构损失,调整第二生成模型的参数。
在一些实施例中,量子态样本数据是基于第二训练样本数据得到的,第二训练样本数据包括图像样本数据、文本样本数据以及音频样本数据中的至少一个。
图8是根据本公开的另一个实施例的数据生成装置的框图。
如图8所示,该装置800可以包括第四获得模块810、第五获得模块820、第二生成模块830以及确定模块840。
第四获得模块810,用于将输入数据输入第一生成模型,得到测量结果。
第五获得模块820,用于根据测量结果,得到参数数据。
第二生成模块830,用于根据参数数据,利用第二生成模型的量子神经网络生成量子态输出数据。
确定模块840,用于根据量子态输出数据,确定目标数据。
例如,第一生成模型和第二生成模型是利用如上述装置700训练的。
在一些实施例中,目标数据包括目标图像数据、目标文本数据以及目标音频数据中的。
在一些实施例中,第五获得模块还用于:将测量结果输入第二生成模型的全连接网络,得到参数数据。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理,例如生成模型的训练方法和/或数据生成方法。例如,在一些实施例中,生成模型的训练方法和/或数据生成方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的生成模型的训练方法和/或数据生成方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行生成模型的训练方法和/或数据生成方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)显示器或者LCD(液晶显示器));以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (22)
1.一种生成模型的训练方法,包括:
根据量子态样本数据,得到样本测量结果,其中,所述样本测量结果被添加至第一训练样本集合,所述第一训练样本集合用于训练第一生成模型;
根据所述样本测量结果,得到参数数据;
利用所述参数数据调整第二生成模型的量子神经网络,得到调整后的量子神经网络;
利用所述调整后的量子神经网络,生成量子态输出数据;
根据所述量子态样本数据和所述量子态输出数据,训练所述第二生成模型。
2.根据权利要求1所述的方法,其中,所述根据量子态样本数据,得到样本测量结果包括:
将所述量子态样本数据输入编码模型,得到所述样本测量结果。
3.根据权利要求2所述的方法,其中,所述将所述量子态样本数据输入编码模型,得到所述样本测量结果包括:
将所述量子态样本数据输入所述编码模型的量子神经网络,得到所述样本输出结果;
对所述样本输出结果进行测量,得到所述样本测量结果。
4.根据权利要求1所述的方法,其中,所述样本测量结果作为第一训练样本数据被添加至第一训练样本集合,
通过以下操作将所述第一训练样本集合用于训练所述第一生成模型:
将所述第一训练样本数据的所述样本测量结果输入所述第一生成模型,得到样本生成结果;
根据所述样本测量结果和所述样本生成结果,训练所述第一生成模型。
5.根据权利要求1所述的方法,其中,所述根据所述样本测量结果,得到参数数据包括:
将所述样本测量结果输入所述第二生成模型的全连接网络,得到所述参数数据。
6.根据权利要求1所述的方法,其中,所述利用所述参数数据调整第二生成模型的量子神经网络,得到调整后的量子神经网络包括:
利用所述参数数据调整所述第二生成模型的量子神经网络的目标量子解码层,得到调整后的量子神经网络,其中,所述第二生成模型的量子神经网络包括多个量子解码层,多个所述量子解码层包括待训练量子解码层,所述目标量子解码层为所述待训练量子解码层之后的量子解码层。
7.根据权利要求6所述的方法,其中,所述利用所述参数数据调整所述第二生成模型的量子神经网络的目标量子解码层包括:
利用所述参数数据,调整所述目标量子解码层中所述量子比特的单比特旋转门的旋转角。
8.根据权利要求6所述的方法,其中,所述参数数据包括第一参数数据和第二参数数据;
所述利用所述参数数据调整所述第二生成模型的量子神经网络的目标量子解码层包括:
利用所述第一参数数据,调整所述待训练量子解码层之前的量子解码层;
利用所述第二参数数据,调整所述目标量子解码层。
9.根据权利要求1所述的方法,其中,所述利用所述调整后的量子神经网络,生成量子态输出数据包括:
将量子态初始数据输入所述调整后的量子神经网络,得到所述量子态输出数据。
10.根据权利要求2所述的方法,其中,所述根据所述量子态样本数据和所述量子态输出数据,训练所述第二生成模型包括:
根据所述量子态样本数据和所述量子态输出数据,训练所述第二生成模型和所述编码模型。
11.根据权利要求1所述的方法,其中,所述根据所述量子态样本数据和所述量子态输出数据,训练所述第二生成模型包括:
根据所述量子态样本数据和所述量子态输出数据,确定重构损失;
根据所述重构损失,调整所述第二生成模型的参数。
12.根据权利要求1所述的方法,其中,所述量子态样本数据是基于第二训练样本数据得到的,所述第二训练样本数据包括图像样本数据、文本样本数据以及音频样本数据中的至少一个。
13.一种数据生成方法,包括:
将输入数据输入第一生成模型,得到测量结果;
根据所述测量结果,得到参数数据;
根据所述参数数据,利用所述第二生成模型的量子神经网络生成量子态输出数据;
根据所述量子态输出数据,确定目标数据,
其中,所述第一生成模型和所述第二生成模型是利用如权利要求1至12任一项所述的方法训练的。
14.根据权利要求13所述的方法,其中,所述目标数据包括目标图像数据、目标文本数据以及目标音频数据中的至少一个。
15.根据权利要求13所述的方法,其中,所述根据所述测量结果,得到参数数据包括:
将所述测量结果输入所述第二生成模型的全连接网络,得到所述参数数据。
16.一种生成模型的训练装置,包括:
第一获得模块,用于根据量子态样本数据,得到样本测量结果,其中,所述样本测量结果被添加至第一训练样本集合,所述第一训练样本集合用于训练第一生成模型;
第二获得模块,用于根据所述样本测量结果,得到参数数据;
调整模块,用于利用所述参数数据调整第二生成模型的量子神经网络,得到调整后的量子神经网络;
第一生成模块,用于利用所述调整后的量子神经网络,生成量子态输出数据;
第一训练模块,用于根据所述量子态样本数据和所述量子态输出数据,训练所述第二生成模型。
17.根据权利要求16所述的装置,其中,所述量子态样本数据是基于第二训练样本数据得到的,所述第二训练样本数据包括图像样本数据、文本样本数据以及音频样本数据中的至少一个。
18.一种数据生成装置,包括:
第四获得模块,用于将输入数据输入第一生成模型,得到测量结果;
第五获得模块,用于根据所述测量结果,得到参数数据;
第二生成模块,用于根据所述参数数据,利用所述第二生成模型的量子神经网络生成量子态输出数据;
确定模块,用于根据所述量子态输出数据,确定目标数据,
其中,所述第一生成模型和所述第二生成模型是利用如权利要求16至17任一项所述的装置训练的。
19.根据权利要求18所述的装置,其中,所述目标数据包括目标图像数据、目标文本数据以及目标音频数据中的至少一个。
20.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至15中任一项所述的方法。
21.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1至15中任一项所述的方法。
22.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1至15中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311607735.6A CN117610671A (zh) | 2023-11-28 | 2023-11-28 | 用于生成量子态的模型训练方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311607735.6A CN117610671A (zh) | 2023-11-28 | 2023-11-28 | 用于生成量子态的模型训练方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117610671A true CN117610671A (zh) | 2024-02-27 |
Family
ID=89947711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311607735.6A Pending CN117610671A (zh) | 2023-11-28 | 2023-11-28 | 用于生成量子态的模型训练方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117610671A (zh) |
-
2023
- 2023-11-28 CN CN202311607735.6A patent/CN117610671A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3926623A1 (en) | Speech recognition method and apparatus, and neural network training method and apparatus | |
JP7291183B2 (ja) | モデルをトレーニングするための方法、装置、デバイス、媒体、およびプログラム製品 | |
JP7354320B2 (ja) | 量子デバイスのノイズ除去方法および装置、電子機器、コンピュータ可読記憶媒体並びにコンピュータプログラム | |
CN113140018B (zh) | 训练对抗网络模型的方法、建立字库的方法、装置和设备 | |
CN114580647B (zh) | 量子系统的模拟方法、计算设备、装置及存储介质 | |
CN113011593A (zh) | 消除量子测量噪声的方法及系统、电子设备和介质 | |
CN113098803B (zh) | 量子噪声信道的逆映射分解方法及装置、电子设备和介质 | |
KR20220034080A (ko) | 순환 생성 네트워크 모델의 훈련 방법, 글자 라이브러리의 구축 방법 및 장치, 전자 기기, 저장 매체, 컴퓨터 프로그램 | |
CN112037800A (zh) | 声纹核身模型训练方法、装置、介质及电子设备 | |
CN115828999B (zh) | 基于量子态振幅变换的量子卷积神经网络构建方法及系统 | |
JP2023001926A (ja) | 画像融合方法及び装置、画像融合モデルのトレーニング方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
CN113098802B (zh) | 量子噪声信道的逆映射分解方法及装置、电子设备和介质 | |
CN116778040B (zh) | 基于口型的人脸图像生成方法、模型的训练方法以及设备 | |
CN114023342A (zh) | 一种语音转换方法、装置、存储介质及电子设备 | |
CN113361717A (zh) | 量子态数据处理模型的训练方法、装置、电子设备及介质 | |
CN116306849A (zh) | 逆向神经网络模型的训练、光学处理器的确定方法及装置 | |
CN117610671A (zh) | 用于生成量子态的模型训练方法、装置、设备和介质 | |
CN114758130B (zh) | 图像处理及模型训练方法、装置、设备和存储介质 | |
CN115170919B (zh) | 图像处理模型训练及图像处理方法、装置、设备和存储介质 | |
CN115953651A (zh) | 一种基于跨域设备的模型训练方法、装置、设备及介质 | |
CN115577790A (zh) | 哈密顿量模拟方法、装置、设备及存储介质 | |
US20230038047A1 (en) | Method, device, and computer program product for image recognition | |
CN115906987A (zh) | 深度学习模型的训练方法、虚拟形象驱动方法和装置 | |
CN117634623A (zh) | 用于量子态生成的模型训练方法、装置、设备和介质 | |
CN115310618A (zh) | 量子操作中的量子噪声消除方法及装置、电子设备和介质 |
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 |