CN117709415A - 一种量子神经网络模型的优化方法及装置 - Google Patents
一种量子神经网络模型的优化方法及装置 Download PDFInfo
- Publication number
- CN117709415A CN117709415A CN202211068147.5A CN202211068147A CN117709415A CN 117709415 A CN117709415 A CN 117709415A CN 202211068147 A CN202211068147 A CN 202211068147A CN 117709415 A CN117709415 A CN 117709415A
- Authority
- CN
- China
- Prior art keywords
- quantum
- neural network
- network model
- quantum neural
- loss function
- 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
- 238000003062 neural network model Methods 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005457 optimization Methods 0.000 title claims description 34
- 230000006870 function Effects 0.000 claims description 82
- 239000002096 quantum dot Substances 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004088 simulation Methods 0.000 abstract description 14
- 238000004364 calculation method Methods 0.000 abstract description 9
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 20
- 239000011159 matrix material Substances 0.000 description 12
- 238000010276 construction Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000005610 quantum mechanics Effects 0.000 description 5
- 239000002245 particle Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000005283 ground state Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005381 potential energy Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种量子神经网络模型的优化方法及装置，方法包括：首先构建量子神经网络模型，并初始化量子神经网络模型的参数，选择一组标准正交基，并将量子神经网络模型分别作用于标准正交基上，获得标准正交基对应的最终量子态，根据最终量子态及预设权重，确定损失函数，基于损失函数，判断是否满足量子神经网络模型的优化终止条件，若否，更新量子神经网络模型的参数，直至满足优化终止条件，获得优化好的量子神经网络模型，它通过获取标准正交基对应的最终量子态，并引入权重构造损失函数，拓宽量子神经网络模型的应用范围，有利于利用量子神经网络模型进行高维复杂物理系统的量子计算模拟的实现。
Description
技术领域
本发明属于量子计算技术领域，特别是一种量子神经网络模型的优化方法及装置。
背景技术
随着大数据时代的到来以及摩尔定律走到了物理极限，量子神经网络方法孕育而生，量子神经网络(Quantum Neural Network，QNN)模型是基于量子力学原理的神经网络模型，可以以更大的信息容量和高效的并行计算能力，可以更好的解决目前遇到的瓶颈问题。
量子计算模拟是一个借助数值计算和计算机科学来仿真遵循量子力学规律的模拟计算，作为一个仿真程序，它依据量子力学的量子比特的基本定律，利用计算机的高速计算能力，刻画量子态的时空演化。利用量子计算模拟，可以获得一个矩阵的最小本征值和对应的本征向量，还可以获得封闭物理的哈密顿量的基态能量及其对应的量子态。
因量子神经网络在计算性能上的优势，目前研究利用量子神经网络实现量子计算模拟成为技术热点，但目前基于量子神经网络模型进行模拟所用的量子线路深度深、所需要的量子比特数大，且无法模拟高维复杂的物理系统，如何寻找更优化的量子神经网络模型，解决当前困境，成为一个亟待解决的问题。
发明内容
本发明的目的是提供一种量子神经网络模型的优化方法及装置，以解决现有技术中的不足，它通过获取标准正交基对应的最终量子态，并引入权重构造损失函数，拓宽量子神经网络模型的应用范围，并减少了量子线路的深度和量子比特数，有利于利用量子神经网络模型进行高维复杂物理系统的量子计算模拟的实现。
本申请的一个实施例提供了一种量子神经网络模型的优化方法，所述方法包括：
构建量子神经网络模型，并初始化所述量子神经网络模型的参数；
选择一组标准正交基，并将所述量子神经网络模型分别作用于所述标准正交基上，获得所述标准正交基对应的最终量子态，其中，所述最终量子态的个数与所述标准正交基所含基向量的个数相同；
根据所述最终量子态及预设权重，确定损失函数；
基于所述损失函数，判断是否满足所述量子神经网络模型的优化终止条件，其中，所述优化终止条件为所述损失函数的值收敛为固定值；
若否，更新所述量子神经网络模型的参数，直至满足所述优化终止条件，获得优化好的量子神经网络模型。
可选的，所述构建量子神经网络模型，包括：
根据待模拟系统和预设拟设线路，构建量子神经网络模型。
可选的，所述根据待模拟系统和预设拟设线路，构建量子神经网络模型，包括：
根据待模拟系统对应哈密顿量的张乘项数，确定构建量子神经网络模型的目标量子比特数；
根据预设拟设线路，构建包含所述目标量子比特数的量子神经网络模型。
可选的，所述预设拟设线路，包括：
第一拟设线路模块和第二拟设线路模块，其中，所述第一拟设线路模块由依次作用于后两个量子比特的RX门、RZ门和CNOT门组成，所述第二拟设线路模块由依次作用于每个量子比特的RX门、RZ门、以及作用于相邻量子比特的CNOT门组成。
可选的，所述初始化所述量子神经网络模型的参数，包括：
根据预设的概率密度函数，确定所述量子神经网络模型参数的初始值。
可选的，所述根据所述最终量子态及预设权重，确定损失函数，包括：
通过以下算式，确定损失函数：
其中，所述为损失函数，所述2n为标准正交基所含基向量的个数，所述ωk为标准正交基中第k个基向量对应的权重，所述ψk为标准正交基中第k个基向量对应的最终量子态，所述H为待模拟系统对应哈密顿量。
可选的，所述更新所述量子神经网络模型的参数，包括：
利用新生成的参数替换当前所述量子神经网络模型中的参数；或
利用新生成的参数，构造与所述预设拟设线路结构相同的量子线路，并插设在当前所述量子神经网络模型中。
本申请的又一实施例提供了一种量子神经网络模型的优化装置，所述装置包括：
构建模块，用于构建量子神经网络模型，并初始化所述量子神经网络模型的参数；
获得模块，用于选择一组标准正交基，并将所述量子神经网络模型分别作用于所述标准正交基上，获得所述标准正交基对应的最终量子态，其中，所述最终量子态的个数与所述标准正交基所含基向量的个数相同；
确定模块，用于根据所述最终量子态及预设权重，确定损失函数；
判断模块，用于基于所述损失函数，判断是否满足所述量子神经网络模型的优化终止条件，其中，所述优化终止条件为所述损失函数的值收敛为固定值；
更新模块，用于若否，更新所述量子神经网络模型的参数，直至满足所述优化终止条件，获得优化好的量子神经网络模型。
可选的，所述构建模块，包括：
构建单元，用于根据待模拟系统和预设拟设线路，构建量子神经网络模型。
可选的，所述构建单元，包括：
确定子单元，用于根据待模拟系统对应哈密顿量的张乘项数，确定构建量子神经网络模型的目标量子比特数；
构建子单元，用于根据预设拟设线路，构建包含所述目标量子比特数的量子神经网络模型。
可选的，所述构建模块，包括：
第一确定单元，用于根据预设的概率密度函数，确定所述量子神经网络模型参数的初始值。
可选的，所述确定模块，包括：
第二确定单元，用于通过以下算式，确定损失函数：
其中，所述为损失函数，所述2n为标准正交基所含基向量的个数，所述ωk为标准正交基中第k个基向量对应的权重，所述ψk为标准正交基中第k个基向量对应的最终量子态，所述H为待模拟系统对应哈密顿量。
可选的，所述更新模块，包括：
替换单元，用于利用新生成的参数替换当前所述量子神经网络模型中的参数；或
构造单元，用于利用新生成的参数，构造与所述预设拟设线路结构相同的量子线路，并插设在当前所述量子神经网络模型中。
本申请的又一实施例提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项中所述的方法。
本申请的又一实施例提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项中所述的方法。
与现有技术相比，本发明首先构建量子神经网络模型，并初始化量子神经网络模型的参数，选择一组标准正交基，并将量子神经网络模型分别作用于标准正交基上，获得标准正交基对应的最终量子态，根据最终量子态及预设权重，确定损失函数，基于损失函数，判断是否满足量子神经网络模型的优化终止条件，若否，更新量子神经网络模型的参数，直至满足优化终止条件，获得优化好的量子神经网络模型，它通过获取标准正交基对应的最终量子态，并引入权重构造损失函数，拓宽量子神经网络模型的应用范围，并减少了量子线路的深度和量子比特数，有利于利用量子神经网络模型进行高维复杂物理系统的量子计算模拟的实现。
附图说明
图1是本发明实施例提供的一种量子神经网络模型的优化方法的计算机终端的硬件结构框图；
图2是本发明实施例提供的一种量子神经网络模型的优化方法的流程示意图；
图3是本发明实施例提供的一种预设拟设线路示意图；
图4是本发明实施例提供的一种量子神经网络模型的优化装置的结构示意图。
具体实施方式
下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本发明实施例首先提供了一种量子神经网络模型的优化方法，该方法可以应用于电子设备，如计算机终端，具体如普通电脑、量子计算机等。
下面以运行在计算机终端上为例对其进行详细说明。图1为本发明实施例提供的一种量子神经网络模型的优化方法的计算机终端的硬件结构框图。如图1所示，计算机终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，可选地，上述计算机终端还可以包括用于通信功能的传输装置106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中的量子神经网络模型的优化方法对应的程序指令/模块，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
需要说明的是，真正的量子计算机是混合结构的，它包含两大部分：一部分是经典计算机，负责执行经典计算与控制；另一部分是量子设备，负责运行量子程序进而实现量子计算。而量子程序是由量子语言如QRunes语言编写的一串能够在量子计算机上运行的指令序列，实现了对量子逻辑门操作的支持，并最终实现量子计算。具体的说，量子程序就是一系列按照一定时序操作量子逻辑门的指令序列。
在实际应用中，因受限于量子设备硬件的发展，通常需要进行量子计算模拟以验证量子算法、量子应用等等。量子计算模拟即借助普通计算机的资源搭建的虚拟架构(即量子虚拟机)实现特定问题对应的量子程序的模拟运行的过程。通常，需要构建特定问题对应的量子程序。本发明实施例所指量子程序，即是经典语言编写的表征量子比特及其演化的程序，其中与量子计算相关的量子比特、量子逻辑门等等均有相应的经典代码表示。
量子线路作为量子程序的一种体现方式，也称量子逻辑电路，是最常用的通用量子计算模型，表示在抽象概念下对于量子比特进行操作的线路，其组成包括量子比特、线路(时间线)，以及各种量子逻辑门，最后常需要通过量子测量操作将结果读取出来。
不同于传统电路是用金属线所连接以传递电压信号或电流信号，在量子线路中，线路可看成是由时间所连接，亦即量子比特的状态随着时间自然演化，在这过程中按照哈密顿运算符的指示，一直到遇上逻辑门而被操作。
一个量子程序整体上对应有一条总的量子线路，本发明所述量子程序即指该条总的量子线路，其中，该总的量子线路中的量子比特总数与量子程序的量子比特总数相同。可以理解为：一个量子程序可以由量子线路、针对量子线路中量子比特的测量操作、保存测量结果的寄存器及控制流节点(跳转指令)组成，一条量子线路可以包含几十上百个甚至千上万个量子逻辑门操作。量子程序的执行过程，就是对所有的量子逻辑门按照一定时序执行的过程。需要说明的是，时序即单个量子逻辑门被执行的时间顺序。
需要说明的是，经典计算中，最基本的单元是比特，而最基本的控制模式是逻辑门，可以通过逻辑门的组合来达到控制电路的目的。类似地，处理量子比特的方式就是量子逻辑门。使用量子逻辑门，能够使量子态发生演化，量子逻辑门是构成量子线路的基础，量子逻辑门包括单比特量子逻辑门，如Hadamard门(H门，哈德玛门)、泡利－X门(X门)、泡利－Y门(Y门)、泡利－Z门(Z门)、RX门、RY门、RZ门等等；多比特量子逻辑门，如CNOT门、CR门、iSWAP门、Toffoli门等等。量子逻辑门一般使用酉矩阵表示，而酉矩阵不仅是矩阵形式，也是一种操作和变换。一般量子逻辑门在量子态上的作用是通过酉矩阵左乘以量子态右矢对应的矩阵进行计算的。
本领域技术人员可以理解的是，在经典计算机中，信息的基本单元是比特，一个比特有0和1两种状态，最常见的物理实现方式是通过电平的高低来表示这两种状态。在量子计算中，信息的基本单元是量子比特，一个量子比特也有0和1两种状态，记为|0>和|1>，但它可以处于0和1两种状态的叠加态，可表示为其中，a、b为表示|0>态、|1>态振幅(概率幅)的复数，这是经典比特不具备的。测量后，量子比特的状态会塌缩至一个确定的状态(本征态，此处为|0>态、|1>态)，其中，塌缩至|0>的概率是|a|2，塌缩至|1>的概率是|b|2，|a|2+|b|2＝1，|>为狄拉克符号。
量子态，即指量子比特的状态，一般需要使用一组正交完备的基向量描述，其通常使用的计算基在量子算法(或称量子程序)中用二进制表示。例如，一组量子比特为q0、q1、q2，表示第0位、第1位、第2位量子比特，从高位到低位排序为q2q1q0，该组量子比特的量子态为23个计算基的叠加态，8个计算基是指：|000>、|001>、|010>、|011>、|100>、|101>、|110>、|111>，每个计算基与量子比特位对应一致，如|000>态，000从高位到低位对应q2q1q0。简言之，量子态是各基向量组成的叠加态，当其他基的概率幅为0时，即处于其中一个确定的基向量。
在量子力学中，所有的可测量的力学量都可以用一个厄密矩阵来描述，厄密矩阵的定义是，该矩阵的转置共轭即是该矩阵本身，即有：这样的矩阵通常称之为测量算符，非零算符都会有至少一个不为0的本征值λ以及与之对应的本征态|ψ>，满足H|ψ>＝λ|ψ>，如果算符H的本征值对应的是某一个体系的能级分布，那么这样的算符也可以称其为哈密顿量(Hamiltonian)。
根据含时薛定谔方程，从一个态|ψ(t＝0)>开始演化到另一个态|ψ(t＝T)>是利用酉算符完成的，即U(0,T)|ψ(t＝0)>＝|ψ(t＝T)>，其中，哈密顿量和酉算符的关系是，如果一个量子态在某个系统下自然演化，描述该系统的能量即哈密顿量，则酉算符可以由哈密顿量写出：
当系统从时间0开始，且哈密顿量不随时间变化时，酉算符即U＝exp(-iHt)。在封闭系统的量子计算中，除测量外，所有的量子操作都可以用一个酉矩阵来描述，酉矩阵的定义是，该矩阵的转置共轭即是该矩阵的逆，即有：一般来说，酉算符在量子计算中也称之为量子逻辑门。
参见图2，图2为本发明实施例提供的一种量子神经网络模型的优化方法的流程示意图，可以包括如下步骤：
S201：构建量子神经网络模型，并初始化所述量子神经网络模型的参数。
具体的，构建量子神经网络模型，可以包括：根据待模拟系统和预设拟设线路，构建量子神经网络模型。
待模拟系统是需要利用量子神经网络进行量子计算模拟的系统，待模拟系统可以是方程，也可以是分子，还可以是其他系统。拟设是一种将制备好的初态演化到量子线路上的方法，拟设方式不同，量子神经网络的结构也可能不同，量子神经网络的结构随着待模拟系统和拟设方式不同可能有所不同。
在本发明的一些可能的实施方式中，根据待模拟系统和预设拟设线路，构建量子神经网络模型，可以包括：
1.根据待模拟系统对应哈密顿量的张乘项数，确定构建量子神经网络模型的目标量子比特数；
2.根据预设拟设线路，构建包含所述目标量子比特数的量子神经网络模型。
哈密顿量是所有粒子的动能的总和加上与系统相关的粒子的势能。对于不同的情况或数量的粒子，哈密顿量是不同的，因为它包括粒子的动能之和以及对应于这种情况的势能函数，一般用H表示。在量子力学中，经典力学的物理量变为相应的算符，哈密顿量对应的正是哈密顿算符通常来说，为了能在量子设备上处理量子计算模拟问题，哈密顿量会被表示为泡利算符{X，Y，Z，I}的加权求和形式，其中，张乘项数是目标量子比特数：
其中，ck为权重系数，σ为泡利算子，M为目标量子比特的数量。
在确定拟设方式后，将对应的量子逻辑门作为在量子比特上，将初态演化到量子神经网络中，具体的，量子神经网络中的量子比特数量可以为目标量子比特数。拟设方式可以根据不同的情况进行选择，示例性的，选择的拟设方式可以是酉耦合簇算符(UnitaryCoupled Cluster,UCC)，对应拟设公式为：
其中，量子线路对应的矩阵算子其中，即为拟设，Pi为生成元。
拟设方式还可以为ADAPT(adaptive derivative-assembled pseudo-Trotter)，可看作基于UCC的一种改进。当然，拟设方式还可以为HE(Hardware Efficient，硬件高效)、SP(Symmetry Preserved，对称保持)等等。在本发明实施例中，还未进行训练的量子神经网络中拟设方式的层数(拟设方式的深度)与目标量子比特数有关，具体的，初始层数可以为目标量子比特数量。更具体的，根据拟设方式构建的神经网络中可以包含纠缠量子线路，则拟设方式的深度可以是同构纠缠量子线路的数量。
在一种可选的实施方式中，参见图3，图3为本发明实施例提供的一种预设拟设线路示意图，所述预设拟设线路，可以包括：第一拟设线路模块和第二拟设线路模块，其中，所述第一拟设线路模块由依次作用于后两个量子比特的RX门、RZ门和CNOT门组成，所述第二拟设线路模块由依次作用于每个量子比特的RX门、RZ门、以及作用于相邻量子比特的CNOT门组成。
其中，初始化所述量子神经网络模型的参数，可以包括：根据预设的概率密度函数，确定所述量子神经网络模型参数的初始值。
具体的，在本发明实施例中，可以根据经验设置参数值，也可以根据算法选择数值作为参数的初始值。
在本发明一些可能的实施方式中，初始化所述量子神经网络的参数，可以包括：根据预设的概率密度函数，初始化所述参数。
需要说明的是，概率密度函数可以是根据实际情况选择，可以是根据概率密度函数和预设拟设方式之间的映射关系确定的。这里所说的参数可以不止一个，当参数不止一个时，可以分别初始化也可以同时初始化，在此不做限定。初始化的参数值可以从随机从概率密度函数的函数值中选择的数值，也可以按照一定的规则选择的数值。例如，概率密度函数可以是均匀分布的概率密度函数，根据均匀分布的概率密度函数的性质可知，参数的初始值为1/(b-a)，示例性的，b为2π，a为0，初始化的参数值为1/2π。
S202：选择一组标准正交基，并将所述量子神经网络模型分别作用于所述标准正交基上，获得所述标准正交基对应的最终量子态，其中，所述最终量子态的个数与所述标准正交基所含基向量的个数相同。
具体的，通过作用量子神经网络在一组正交的初始态上(可以取标准正交基|0><0|、|0><1|、|1><0|、|1><1|)，将得到标准正交基对应的最终量子态|ψ1(θ)>、|ψ2(θ)>、|ψ3(θ)>、|ψ4(θ)>。
S203：根据所述最终量子态及预设权重，确定损失函数。
具体的，在量子神经网络模型中的损失函数一般由每个输出量子态|ψk(θ)>关于哈密顿量H的能量期望值(expectation value)的加权求和给出。可以默认权重向量
其中，通过以下算式，确定损失函数：
其中，所述为损失函数，所述2n为标准正交基所含基向量的个数，所述ωk为标准正交基中第k个基向量对应的权重，所述ψk为标准正交基中第k个基向量对应的最终量子态，所述H为待模拟系统对应哈密顿量。
S204：基于所述损失函数，判断是否满足所述量子神经网络模型的优化终止条件，其中，所述优化终止条件为所述损失函数的值收敛为固定值。
具体的，基于损失函数，判断是否满足量子神经网络模型的优化终止条件其实是判断量子神经网络是否已经训练好，当损失函数满足的值收敛为固定值时，例如损失函数的值收敛为零或者其他数值，就会得到训练好的量子神经网络模型，即基于量子神经网络的VQE(Variational QuantumEigensolver，变分量子本征求解器)模型。
在一种可选的实施方式中，也可以判断当前损失函数的值与前一次得到的损失函数的值的差值是否满足预设的精度。随着量子神经网络模型的优化，损失函数的值会越来越小，即当前损失函数的值与前一次损失函数的值的差值也会越来越小，优化的目的是使损失函数的值收敛为固定值。当前损失函数的值和前一次损失函数的值差值在预设范围内，说明损失函数的值已经近似等于待模拟系统的基态能量，基于此对后续的研究与基于基态能量进行后续的研究差别不大，为了减少计算资源的浪费，则终止优化，此时量子神经网络模型就优化好了。这里所说的预设的精度可以由优化想要达到的精度确定的，比如精度为10-5，则预设范围可以为(0，10-5)。
S205：若否，更新所述量子神经网络模型的参数，直至满足所述优化终止条件，获得优化好的量子神经网络模型。
具体的，当损失函数的值未收敛为固定值，说明此时量子神经网络模型还没优化好，还需要继续优化，此时需要更新参数，进入到新一轮的优化。
其中，更新量子神经网络模型参数的方法有很多，只要使得损失函数的值收敛即可，例如，可以设置一个定值，将当前参数值与定值的差或和作为新的参数值；也可以通过当前损失函数的值与前一次损失函数的值，确定参数值减少的权重，基于减少权重，更新参数值。
在一种可选的实施方式中，利用损失函数和所选择的优化器，获得新的参数值，并基于新的参数值，更新参数。
具体的，优化器在深度学习反向传播过程中，指引损失函数的参数往正确的方向更新合适的大小，使得更新后的参数让损失函数值不断逼近全局最小。
利用损失函数和所选择的优化器，计算参数下降的梯度，具体的计算方法与优化器的类型有关，然后，在获得梯度之后，利用优化器对应的参数更新算式，获得新的参数值，示例性的，参数更新算式可以为：θi+1＝θi-αgt，其中，θi为当前参数，θi+1为新的参数值，α为学习速率，gt为当前参数的梯度，α可以是在配置量子神经网络时设置的。
在另一种可选的实施方式中，更新所述量子神经网络模型的参数，可以包括：
利用新生成的参数替换当前所述量子神经网络模型中的参数；或
利用新生成的参数，构造与所述预设拟设线路结构相同的量子线路，并插设在当前所述量子神经网络模型中。
具体的，更新参数的方式有两种：一种是直接更新，另一种是现有的量子神经网络中的参数不变，在当前神经网络中与拟设方式同构的量子线路，即增加的量子神经网络的层数，所增加的量子线路在当前拟设方式结构之后，新的参数值是构造的量子线路中的参数。
可见，本发明首先构建量子神经网络模型，并初始化量子神经网络模型的参数，选择一组标准正交基，并将量子神经网络模型分别作用于标准正交基上，获得标准正交基对应的最终量子态，根据最终量子态及预设权重，确定损失函数，基于损失函数，判断是否满足量子神经网络模型的优化终止条件，若否，更新量子神经网络模型的参数，直至满足优化终止条件，获得优化好的量子神经网络模型，它通过获取标准正交基对应的最终量子态，并引入权重构造损失函数，拓宽量子神经网络模型的应用范围，并减少了量子线路的深度和量子比特数，有利于利用量子神经网络模型进行高维复杂物理系统的量子计算模拟的实现。
参见图4，图4为本发明实施例提供的一种量子神经网络模型的优化装置的结构示意图，与图2所示的流程相对应，可以包括：
构建模块401，用于构建量子神经网络模型，并初始化所述量子神经网络模型的参数；
获得模块402，用于选择一组标准正交基，并将所述量子神经网络模型分别作用于所述标准正交基上，获得所述标准正交基对应的最终量子态，其中，所述最终量子态的个数与所述标准正交基所含基向量的个数相同；
确定模块403，用于根据所述最终量子态及预设权重，确定损失函数；
判断模块404，用于基于所述损失函数，判断是否满足所述量子神经网络模型的优化终止条件，其中，所述优化终止条件为所述损失函数的值收敛为固定值；
更新模块405，用于若否，更新所述量子神经网络模型的参数，直至满足所述优化终止条件，获得优化好的量子神经网络模型。
具体的，所述构建模块，包括：
构建单元，用于根据待模拟系统和预设拟设线路，构建量子神经网络模型。
具体的，所述构建单元，包括：
确定子单元，用于根据待模拟系统对应哈密顿量的张乘项数，确定构建量子神经网络模型的目标量子比特数；
构建子单元，用于根据预设拟设线路，构建包含所述目标量子比特数的量子神经网络模型。
具体的，所述构建模块，包括：
第一确定单元，用于根据预设的概率密度函数，确定所述量子神经网络模型参数的初始值。
具体的，所述确定模块，包括：
第二确定单元，用于通过以下算式，确定损失函数：
其中，所述为损失函数，所述2n为标准正交基所含基向量的个数，所述ωk为标准正交基中第k个基向量对应的权重，所述ψk为标准正交基中第k个基向量对应的最终量子态，所述H为待模拟系统对应哈密顿量。
具体的，所述更新模块，包括：
替换单元，用于利用新生成的参数替换当前所述量子神经网络模型中的参数；或
构造单元，用于利用新生成的参数，构造与所述预设拟设线路结构相同的量子线路，并插设在当前所述量子神经网络模型中。
与现有技术相比，本发明首先构建量子神经网络模型，并初始化量子神经网络模型的参数，选择一组标准正交基，并将量子神经网络模型分别作用于标准正交基上，获得标准正交基对应的最终量子态，根据最终量子态及预设权重，确定损失函数，基于损失函数，判断是否满足量子神经网络模型的优化终止条件，若否，更新量子神经网络模型的参数，直至满足优化终止条件，获得优化好的量子神经网络模型，它通过获取标准正交基对应的最终量子态，并引入权重构造损失函数，拓宽量子神经网络模型的应用范围，并减少了量子线路的深度和量子比特数，有利于利用量子神经网络模型进行高维复杂物理系统的量子计算模拟的实现。
本发明实施例还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项中方法实施例中的步骤。
具体的，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S201：构建量子神经网络模型，并初始化所述量子神经网络模型的参数；
S202：选择一组标准正交基，并将所述量子神经网络模型分别作用于所述标准正交基上，获得所述标准正交基对应的最终量子态，其中，所述最终量子态的个数与所述标准正交基所含基向量的个数相同；
S203：根据所述最终量子态及预设权重，确定损失函数；
S204：基于所述损失函数，判断是否满足所述量子神经网络模型的优化终止条件，其中，所述优化终止条件为所述损失函数的值收敛为固定值；
S205：若否，更新所述量子神经网络模型的参数，直至满足所述优化终止条件，获得优化好的量子神经网络模型。
具体的，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明实施例还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项中方法实施例中的步骤。
具体的，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
具体的，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S201：构建量子神经网络模型，并初始化所述量子神经网络模型的参数；
S202：选择一组标准正交基，并将所述量子神经网络模型分别作用于所述标准正交基上，获得所述标准正交基对应的最终量子态，其中，所述最终量子态的个数与所述标准正交基所含基向量的个数相同；
S203：根据所述最终量子态及预设权重，确定损失函数；
S204：基于所述损失函数，判断是否满足所述量子神经网络模型的优化终止条件，其中，所述优化终止条件为所述损失函数的值收敛为固定值；
S205：若否，更新所述量子神经网络模型的参数，直至满足所述优化终止条件，获得优化好的量子神经网络模型。
以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果，以上所述仅为本发明的较佳实施例，但本发明不以图面所示限定实施范围，凡是依照本发明的构想所作的改变，或修改为等同变化的等效实施例，仍未超出说明书与图示所涵盖的精神时，均应在本发明的保护范围内。
Claims (10)
1.一种量子神经网络模型的优化方法，其特征在于，所述方法包括：
构建量子神经网络模型，并初始化所述量子神经网络模型的参数；
选择一组标准正交基，并将所述量子神经网络模型分别作用于所述标准正交基上，获得所述标准正交基对应的最终量子态，其中，所述最终量子态的个数与所述标准正交基所含基向量的个数相同；
根据所述最终量子态及预设权重，确定损失函数；
基于所述损失函数，判断是否满足所述量子神经网络模型的优化终止条件，其中，所述优化终止条件为所述损失函数的值收敛为固定值；
若否，更新所述量子神经网络模型的参数，直至满足所述优化终止条件，获得优化好的量子神经网络模型。
2.根据权利要求1所述的方法，其特征在于，所述构建量子神经网络模型，包括：
根据待模拟系统和预设拟设线路，构建量子神经网络模型。
3.根据权利要求2所述的方法，其特征在于，所述根据待模拟系统和预设拟设线路，构建量子神经网络模型，包括：
根据待模拟系统对应哈密顿量的张乘项数，确定构建量子神经网络模型的目标量子比特数；
根据预设拟设线路，构建包含所述目标量子比特数的量子神经网络模型。
4.根据权利要求2所述的方法，其特征在于，所述预设拟设线路，包括：
第一拟设线路模块和第二拟设线路模块，其中，所述第一拟设线路模块由依次作用于后两个量子比特的RX门、RZ门和CNOT门组成，所述第二拟设线路模块由依次作用于每个量子比特的RX门、RZ门、以及作用于相邻量子比特的CNOT门组成。
5.根据权利要求1所述的方法，其特征在于，所述初始化所述量子神经网络模型的参数，包括：
根据预设的概率密度函数，确定所述量子神经网络模型参数的初始值。
6.根据权利要求1所述的方法，其特征在于，所述根据所述最终量子态及预设权重，确定损失函数，包括：
通过以下算式，确定损失函数：
其中，所述为损失函数，所述2n为标准正交基所含基向量的个数，所述ωk为标准正交基中第k个基向量对应的权重，所述ψk为标准正交基中第k个基向量对应的最终量子态，所述H为待模拟系统对应哈密顿量。
7.根据权利要求1所述的方法，其特征在于，所述更新所述量子神经网络模型的参数，包括：
利用新生成的参数替换当前所述量子神经网络模型中的参数；或
利用新生成的参数，构造与所述预设拟设线路结构相同的量子线路，并插设在当前所述量子神经网络模型中。
8.一种量子神经网络模型的优化装置，其特征在于，所述装置包括：
构建模块，用于构建量子神经网络模型，并初始化所述量子神经网络模型的参数；
获得模块，用于选择一组标准正交基，并将所述量子神经网络模型分别作用于所述标准正交基上，获得所述标准正交基对应的最终量子态，其中，所述最终量子态的个数与所述标准正交基所含基向量的个数相同；
确定模块，用于根据所述最终量子态及预设权重，确定损失函数；
判断模块，用于基于所述损失函数，判断是否满足所述量子神经网络模型的优化终止条件，其中，所述优化终止条件为所述损失函数的值收敛为固定值；
更新模块，用于若否，更新所述量子神经网络模型的参数，直至满足所述优化终止条件，获得优化好的量子神经网络模型。
9.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的方法。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至7任一项中所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211068147.5A CN117709415A (zh) | 2022-08-31 | 2022-08-31 | 一种量子神经网络模型的优化方法及装置 |
| PCT/CN2023/113488 WO2024046136A1 (zh) | 2022-08-31 | 2023-08-17 | 量子神经网络的训练方法及训练装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211068147.5A CN117709415A (zh) | 2022-08-31 | 2022-08-31 | 一种量子神经网络模型的优化方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117709415A true CN117709415A (zh) | 2024-03-15 |
Family
ID=90162966
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211068147.5A Pending CN117709415A (zh) | 2022-08-31 | 2022-08-31 | 一种量子神经网络模型的优化方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117709415A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118014092A (zh) * | 2024-04-08 | 2024-05-10 | 国开启科量子技术(安徽)有限公司 | 确定函数分类的量子计算方法、量子线路、设备及介质 |
| CN118014092B (zh) * | 2024-04-08 | 2024-06-28 | 国开启科量子技术(安徽)有限公司 | 确定函数分类的量子计算方法、量子线路、设备及介质 |
-
2022
- 2022-08-31 CN CN202211068147.5A patent/CN117709415A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118014092A (zh) * | 2024-04-08 | 2024-05-10 | 国开启科量子技术(安徽)有限公司 | 确定函数分类的量子计算方法、量子线路、设备及介质 |
| CN118014092B (zh) * | 2024-04-08 | 2024-06-28 | 国开启科量子技术(安徽)有限公司 | 确定函数分类的量子计算方法、量子线路、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111461335A (zh) | 基于mpi多进程的含噪声单量子逻辑门实现方法及装置 | |
| CN114358317A (zh) | 基于机器学习框架的数据分类方法及相关设备 | |
| CN114819163B (zh) | 量子生成对抗网络的训练方法、装置、介质及电子装置 | |
| CN114511094B (zh) | 一种量子算法的优化方法、装置、存储介质与电子装置 | |
| CN114372539B (zh) | 基于机器学习框架的分类方法及相关设备 | |
| CN115879562B (zh) | 一种量子程序初始映射的确定方法、装置及量子计算机 | |
| CN117709415A (zh) | 一种量子神经网络模型的优化方法及装置 | |
| WO2024046136A1 (zh) | 量子神经网络的训练方法及训练装置 | |
| CN117709391A (zh) | 一种量子神经网络训练方法、装置、存储介质及电子装置 | |
| CN115700572B (zh) | 一种网格方程与物理方程迭代的量子求解方法及装置 | |
| CN114819169B (zh) | 一种矩阵条件数的量子估计方法及装置 | |
| CN116738128B (zh) | 一种利用量子线路求解含时偏微分方程的方法及装置 | |
| CN115879560B (zh) | 一种量子数据与经典数据的等值关系判断方法及装置 | |
| CN114692879B (zh) | 一种基于稀疏线性系统的量子预处理方法及装置 | |
| CN114819167B (zh) | 一种稀疏线性系统的稀疏近似逆量子预处理方法及装置 | |
| CN115618663B (zh) | 一种网格方程与物理方程耦合的量子求解方法及装置 | |
| CN114764618B (zh) | 一种针对线性系统的量子预处理方法及装置 | |
| CN115879558B (zh) | 一种多个量子态之间的大小比较方法及装置 | |
| WO2024007919A1 (zh) | 基于lbm的量子流动模拟方法、装置、介质及设备 | |
| CN116050528B (zh) | 振幅放大线路的构建方法、装置、介质及电子装置 | |
| CN117669757A (zh) | 一种哈密顿量的构造方法及装置 | |
| CN117877611A (zh) | 一种预测分子性质的方法及装置 | |
| CN117852660A (zh) | 一种变分量子线路的构造方法、装置、介质及电子装置 | |
| CN116187489A (zh) | 一种qaoa算法的优化方法、装置、终端及存储介质 | |
| CN117669758A (zh) | 基于分布式vqe的量子模拟方法、装置及存储介质 |
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 |