JP2021193615A

JP2021193615A - 量子データの処理方法、量子デバイス、コンピューティングデバイス、記憶媒体、及びプログラム

Info

Publication number: JP2021193615A
Application number: JP2021153717A
Authority: JP
Inventors: ワン，シン; Xin Wang; ソン，ツーシン; Zhixin Song; リー，グァンシー; Guangxi Li
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Priority date: 2020-11-18
Filing date: 2021-09-22
Publication date: 2021-12-23
Also published as: AU2021245165B2; AU2021245165A1; CN112418387A; US20220036231A1

Abstract

【課題】量子機械学習での、古典機械学習と類似するように量子データセットのデータ型を効率的に識別する量子データの処理方法、デバイス及びプログラムを提供する。【解決手段】量子データの処理方法は、量子データセット及び量子データセットのデータ型を特徴付ける種別情報を決定することと、パラメータ化された量子回路に含まれる複数の量子ビットから一部の量子ビットを選出して得られたローカル量子回路を、量子データセットに含まれる量子データ点に作用することと、測定により得られた、量子データ点に作用された後のローカル量子回路の中の量子ビットの状態情報を取得し、状態情報及び種別情報を、古典ニューラルネットワークをトレーニングするためのトレーニングデータとすることと、を含み、トレーニング完成後の古典ニューラルネットワークを用いて処理待ちの量子データセットのデータ型を識別することができる。【選択図】図１

Description

本開示は、データ処理分野に関し、特に、量子コンピューティング分野に関する。

量子コンピュータは、規模化と実用化へ進んでおり、量子機械学習（ＱｕａｎｔｕｍＭａｃｈｉｎｅＬｅａｒｎｉｎｇ）が量子コンピューティングの最前線の方向であり、古典機械学習と類似するように、量子データセットを効率的に分類して識別することが非常に重要な問題である。よって、量子データセットを如何に分類するかは、量子機械学習で解決すべき緊急の課題になっている。

本開示は、量子データの処理方法、量子デバイス、コンピューティングデバイス、記憶媒体、及びプログラムを提供する。

本開示の１つの側面では、量子データセット及び量子データセットのデータ型を特徴付ける種別情報を決定することと、パラメータ化された量子回路に含まれる複数の量子ビットから一部の量子ビットを選出して得られたローカル量子回路を、前記量子データセットに含まれる量子データ点に作用することと、測定により得られた、前記量子データ点に作用された後の前記ローカル量子回路の中の量子ビットの状態情報を取得し、前記状態情報及び前記種別情報を、古典ニューラルネットワークをトレーニングするためのトレーニングデータとすることとを含む量子データの処理方法が提供される。ここで、トレーニング完成後の前記古典ニューラルネットワークを用いて処理待ちの量子データセットのデータ型を識別することができる。

本開示のもう１つの側面では、量子データセット及び量子データセットのデータ型を特徴付ける種別情報を決定することと、パラメータ化された量子回路に含まれる複数の量子ビットから一部の量子ビットを選出して得られたローカル量子回路を、前記量子データセットに含まれる量子データ点に作用することと、測定により得られた前記量子データ点に作用された後の前記ローカル量子回路の中の量子ビットの状態情報を取得し、前記状態情報及び前記種別情報を、古典ニューラルネットワークをトレーニングするためのトレーニングデータとすることと、前記トレーニングデータを前記古典ニューラルネットワークに入力し、前記古典ニューラルネットワークをトレーニングすることと、を含む量子データの処理方法が提供される。ここで、トレーニング完成後の前記古典ニューラルネットワークを用いて処理待ちの量子データセットのデータ型を識別することができる。

本開示のもう１つの側面では、量子データセット及び量子データセットのデータ型を特徴付ける種別情報を決定する情報決定ユニットと、パラメータ化された量子回路に含まれる複数の量子ビットから一部の量子ビットを選出して得られたローカル量子回路を、前記量子データセットに含まれる量子データ点に作用する回路処理ユニットと、測定により得られた、前記量子データ点に作用された後の前記ローカル量子回路の中の量子ビットの状態情報を取得し、前記状態情報及び前記種別情報を、古典ニューラルネットワークをトレーニングするためのトレーニングデータとする測定ユニットとを備える量子デバイスが提供される。ここで、トレーニング完成後の前記古典ニューラルネットワークを用いて処理待ちの量子データセットのデータ型を識別することができる。

本開示のもう１つの側面では、量子データセット及び量子データセットのデータ型を特徴付ける種別情報を決定し、パラメータ化された量子回路に含まれる複数の量子ビットから一部の量子ビットを選出して得られたローカル量子回路を、前記量子データセットに含まれる量子データ点に作用する量子データ処理ユニットと、測定により得られた前記量子データ点に作用された後の前記ローカル量子回路の中の量子ビットの状態情報を取得し、前記状態情報及び前記種別情報を、古典ニューラルネットワークをトレーニングするためのトレーニングデータとする量子回路測定ユニットと、前記トレーニングデータを前記古典ニューラルネットワークに入力し、前記古典ニューラルネットワークをトレーニングする古典データ処理ユニットとを備える量子データ処理に用いるコンピューティングデバイスが提供される。ここで、トレーニング完成後の前記古典ニューラルネットワークを用いて処理待ちの量子データセットのデータ型を識別することができる。

本開示の技術は、量子コンピューティング及び古典ニューラルネットワーク技術を組み合わせることにより、量子データセットのデータ型を効率的に識別する基礎を築くことができる。

ここに記載されている内容は、本開示の実施形態の主要なまたは重要な特徴を限定することを意図したものではなく、本開示の範囲を限定するものでもないことが理解されるべきである。本開示のその他の特徴は、以下の明細書でより理解しやすくなる。

添付の図面は、本実施形態をより良く理解するために使用され、本開示に対する限定を構成するものではない。
本開示の実施形態による量子データの処理方法を実現するためのフローチャート模式図その１である。本開示の実施形態による量子データの処理方法を実現するためのフローチャート模式図その２である。本開示の実施形態による１つの具体的なシナリオにおけるローカルパラメータ化された量子回路の模式図である。本開示の実施形態による１つの具体的なシナリオにおけるグローバルパラメータ化された量子回路の模式図である。本開示の実施形態による、１つの具体的なシナリオにおいて実現するフローチャート模式図である。本開示の実施形態による量子デバイスの構造模式図である。本開示の実施形態による量子データ処理のためのコンピューティングデバイスの構造模式図である。

以下、図面を参照し、本開示の例示的な実施形態を説明し、理解を助けるために本開示の実施形態の様々な詳細を含んでいるが、これらは、単に例示的なものとみなされるべきである。したがって、当業者は、本開示の範囲および要旨から逸脱することなく、本明細書に記載の実施形態に様々な変更および修正を加えることができることを認識すべきである。以下の説明では、明瞭で簡潔にするために、周知の機能と構造の説明を省略している。

本開示の実施形態は、量子デバイスにおいて実行される量子データの処理方法を提供する。具体的には、図１に示すように、当該方法は、ステップＳ１０１、ステップＳ１０２及びステップＳ１０３を含む。

ステップＳ１０１においては、量子データセット及び量子データセットのデータ型を特徴付ける種別情報を決定する。

ステップＳ１０２においては、パラメータ化された量子回路に含まれる複数の量子ビットから一部の量子ビットを選出して得られたローカル量子回路を、前記量子データセットに含まれる量子データ点に作用する。

ステップＳ１０３においては、測定により得られた、前記量子データ点に作用された後の前記ローカル量子回路の中の量子ビットの状態情報を取得し、前記状態情報及び前記種別情報を、古典ニューラルネットワークをトレーニングするためのトレーニングデータとする。ここで、トレーニング完成後の前記古典ニューラルネットワークを用いて処理待ちの量子データセットのデータ型を識別することができる。

本開示の前記ローカル量子回路は、パラメータ化された量子回路の中の一部の量子回路であり、即ち、量子データ点に作用する量子回路（即ち、ローカル量子回路）は、前記パラメータ化された量子回路の中の全ての量子ビットを含むのではなく、前記パラメータ化された量子回路の中の一部の量子ビットのみを含む。図３に示すように、パラメータ化された量子回路は、４つの量子ビットを含み、この時、量子ビットｑ_０及びｑ_１を含む量子回路を、本開示に記載のローカル量子回路とし、当該量子ビットｑ_０及びｑ_１が含まれるローカル量子回路を、入力した量子データ点に作用することができ、ｑ_２及びｑ_３がローカル量子回路に含まれておらず、よって、グローバル化のパラメータ化された量子回路（図４に示すように、全ての量子ビットを含み、即ち、量子ビットｑ_０、ｑ_１、ｑ_２及びｑ_３を含むグローバル量子回路を、入力された量子データ点に作用する）に比べ、本開示の技術案に係る量子ビット又は量子ゲートの数を大幅に減らすことができ、後続するトレーニングプロセスにおけるシステムノイズを大幅に低減し、識別の精度を高める基礎を築くことができる。

本開示においては、前記古典ニューラルネットワークは、古典コンピュータにおいて実行することができる従来の任意のニューラルネットワークであっても良く、本開示は、これに対して制限しない。

これにより、本開示は、量子コンピューティングと古典ニューラルネットワーク技術を組み合わせることにより、量子データセットのデータ型を効率的に識別する基礎を築くことができる。

本開示の１つの具体例においては、以下の方式を用いてローカル量子回路を取得することができる。具体的には、前記パラメータ化された量子回路を決定し、前記パラメータ化された量子回路に含まれる複数の量子ビットから一部の量子ビットを選出し、選出された前記一部の量子ビットが含まれている量子回路を前記ローカル量子回路とする。実際の応用においては、ローカル量子回路は、パラメータ化された量子回路に基づいて得られ、パラメータ化された量子回路の一部に属し、さらに、選出された量子ビットを調整することにより、複数の前記状態情報を取得することができ、さらに、複数の前記状態情報をトレーニングデータとすることができるので、後続する古典ニューラルネットワークをトレーニングするためのデータの基礎を築き、量子データセットのデータ型を効率的に識別する基礎を築くことができる。

本開示の１つの具体例においては、前記量子デバイスは、以下の方式を用いて当該ローカル量子回路のパラメータを調整することもできるので、古典ニューラルネットワークをトレーニングするための基礎を築き、量子データセットのデータ型を効率的に識別する基礎を築くことができる。具体的には、前記トレーニングデータが前記古典ニューラルネットワークに入力された後、即ち、前記量子デバイスは、前記トレーニングデータを古典デバイス（例えば、古典コンピュータ等）に送信し、古典デバイスにより、前記トレーニングデータを前記古典ニューラルネットワークに入力した後、前記量子デバイスは、前記量子データセットの中の全ての量子データ点に対応する予測情報と前記種別情報の間の合計相違度を取得する。ここで、前記予測情報は、前記古典ニューラルネットワークから出力され、前記量子データ点のデータ種別を特徴付けることに用いられる。前記合計相違度は、前記量子データセットの中の各前記量子データ点に対応する予測情報と前記種別情報の間の相違度に基づいて決定される。更に、前記合計相違度に基づいて前記ローカル量子回路のパラメータを調整することにより、トレーニングデータとする前記状態情報を調整する。即ち、前記量子デバイスは、前記古典デバイスのフィートバック情報に基づき、ローカル量子回路のパラメータを調整し、さらに、トレーニングデータを調整するので、後続する古典ニューラルネットワークをトレーニングするための基礎を築き、量子データセットのデータ型を効率的に識別する基礎を築くことができる。

このように、量子コンピューティングと古典ニューラルネットワーク技術を組み合わせることにより、量子データセットのデータ型を効率的に識別する基礎を築くことができる。

本開示は、量子データの処理方法を更に提供する。具体的には、図２に示すように、当該方法は、ステップＳ２０１、ステップＳ２０２、ステップＳ２０３及びステップＳ２０４を含む。

ステップＳ２０１においては、量子データセット及び量子データセットのデータ型を特徴付ける種別情報を決定する。

ステップＳ２０２においては、パラメータ化された量子回路に含まれる複数の量子ビットから一部の量子ビットを選出して得られたローカル量子回路を、前記量子データセットに含まれる量子データ点に作用する。

ステップＳ２０３においては、測定により得られた前記量子データ点に作用された後の前記ローカル量子回路の中の量子ビットの状態情報を取得し、前記状態情報及び前記種別情報を、古典ニューラルネットワークをトレーニングするためのトレーニングデータとする。

ステップＳ２０４においては、前記トレーニングデータを前記古典ニューラルネットワークに入力し、前記古典ニューラルネットワークをトレーニングする。ここで、トレーニング完成後の前記古典ニューラルネットワークを用いて処理待ちの量子データセットのデータ型を識別することができる。

なお、実際の応用においては、本示例は、量子デバイスと古典デバイスを組み合わせることにより実現することができ、例えば、量子コンピューティングに係るステップは、量子デバイスで実行され、古典ニューラルネットワークのトレーニングに係るステップは、古典デバイスで実行される。具体的には、量子デバイスは、量子データセット及び前記量子データセットのデータ型を特徴付ける種別情報を決定し、ローカル量子回路を、前記量子データセットに含まれる量子データ点に作用し、ここで、前記ローカル量子回路は、パラメータ化された量子回路に含まれる複数の量子ビットから一部の量子ビットを選出して得られた。古典デバイスは、測定により得られた、前記量子データ点に作用された後の前記ローカル量子回路の中の量子ビットの状態情報を取得し、前記状態情報及び前記種別情報を、古典ニューラルネットワークをトレーニングするためのトレーニングデータとし、前記トレーニングデータを前記古典ニューラルネットワークに入力して前記古典ニューラルネットワークをトレーニングする。１つの例においては、当該状態情報は、測定デバイスにより測定により得られ、前記古典デバイスは、測定デバイスから当該状態情報を取得すれば良い。

前記ステップＳ２０３は、量子デバイスで実行されても良く、古典デバイスで実行されても良い。例えば、量子デバイスで実行される場合、量子デバイスは、当該状態情報を取得した後、状態情報を古典デバイスに送信することにより、後続するトレーニングのためのデータ準備を行い、又は、当該状態情報は、古典デバイスにより直接に取得され、後続するトレーニングに直接に用いられる。

本開示の前記ローカル量子回路は、パラメータ化された量子回路の中の一部の量子回路であり、即ち、量子データ点に作用する量子回路（即ち、ローカル量子回路）は、前記パラメータ化された量子回路の中の全ての量子ビットを含むのではなく、前記パラメータ化された量子回路の中の一部の量子ビットのみを含む。図３に示すように、パラメータ化された量子回路は、４つの量子ビットを含み、この時、量子ビットｑ_０及びｑ_１を含む量子回路を、本開示に記載のローカル量子回路とし、当該量子ビットｑ_０及びｑ_１が含まれるローカル量子回路を、入力した量子データ点に作用することができ、ｑ_２及びｑ_３がローカル量子回路に含まれておらず、よって、グローバル化のパラメータ化された量子回路（図４に示すように、全ての量子ビットを含み、即ち、量子ビットｑ_０、ｑ_１、ｑ_２及びｑ_３を含むグローバル量子回路を、入力された量子データ点に作用する）に比べ、本開示に係る量子ビット又は量子ゲートの数を大幅に減らすことができ、後続するトレーニングプロセスにおけるシステムノイズを大幅に低減し、識別の精度を高める基礎を築くことができる。

このように、本開示は、量子コンピューティングと古典ニューラルネットワーク技術を組み合わせることにより、量子データセットの分類問題を解決し、即ち、トレーニング完成後の古典ニューラルネットワークを利用して処理待ちの量子データセットのデータ型を識別し、分類結果を取得することができる。よって、分類処理を効率的に且つ高精度で実現することができる。

本開示の１つの具体例においては、前記状態情報が前記古典ニューラルネットワークに入力された後、前記量子データ点のデータ種別を特徴付ける予測情報を出力し、さらに、前記量子データセットの中の全ての量子データ点に対応する予測情報を取得する。実際の応用においては、本開示の実施方式に従って量子データセットに含まれる各量子データ点に対応する状態情報の全てを、前記古典ニューラルネットワークに入力すると、前記量子データセットの中の全ての量子データ点に対応する予測情報を取得することができる。更に、前記古典デバイスは、各前記量子データ点に対応する予測情報と前記種別情報の間の相違度に基づき、合計相違度を取得し、前記合計相違度に基づいて損失関数を決定する。更に、前記古典デバイスは、前記損失関数に基づいて前記古典ニューラルネットワークのパラメータを調整し、前記量子デバイスは、前記損失関数に基づいて前記ローカル量子回路のパラメータを調整し、トレーニングデータとする状態情報を調整することにより、前記古典ニューラルネットワークに対するトレーニングを完成させる。即ち、前記量子デバイス及び古典デバイスは、何れも前記古典デバイスのフィートバック情報に基づき、ローカル量子回路のパラメータ及び古典ニューラルネットワークのパラメータを相応的に調整することにより、トレーニングプロセスを完成させることができる。量子データセットのデータ型を効率的に識別する基礎を築くことができる。

本開示の１つの具体例においては、以下の方式を用いて相違度を取得することもできる。即ち、前記量子データ点に対応する予測情報と前記種別情報の間のクロスエントロピーを計算し、計算により得られたクロスエントロピーを、前記量子データ点に対応する予測情報と前記種別情報の間の相違度とする。例えば、前記古典デバイスは、前記量子データ点に対応する予測情報と前記種別情報の間のクロスエントロピーを計算し、計算により得られたクロスエントロピーを、前記量子データ点に対応する予測情報と前記種別情報の間の相違度とし、さらに、クロスエントロピーに基づいて特徴付ける損失関数を取得する。よって、トレーニングを効率的に行う基礎を築き、量子データセットのデータ型を効率的に識別する基礎を築くことができる。

本開示の１つの具体例においては、前記古典ニューラルネットワークのトレーニングが完了され、ローカル量子回路に基づいてパラメータが調整された後、当該古典ニューラルネットワーク及びローカル量子回路を利用して未知のデータ型の量子データに対して分類処理を行うことができる。具体的には、処理待ちの量子データセットを取得し、パラメータの調整の完成後の前記ローカル量子回路を前記処理待ちの量子データセットに作用し、測定により得られた、前記処理待ちの量子データセットの中の量子データ点に作用された後の前記ローカル量子回路の中の量子ビットの状態情報を取得し、前記ローカル量子回路の中の量子ビットの状態情報を、トレーニング完成後の前記古典ニューラルネットワークに入力し、前記処理待ちの量子データセットのデータ型を特徴付ける予測情報を取得する。例えば、量子デバイスは、処理待ちの量子データセットを取得し、パラメータの調整の完成後の前記ローカル量子回路を前記処理待ちの量子データセットの量子データ点に作用し、次に、測定デバイスは、前記処理待ちの量子データセットの中の量子データ点に作用する前記ローカル量子回路の中の量子ビットの状態情報を測定し、前記古典デバイスは、当該状態情報を取得し、当該ローカル量子回路の中の量子ビットの状態情報を、トレーニング完成後の前記古典ニューラルネットワークに入力し、前記処理待ちの量子データセットのデータ型を特徴付ける予測情報を取得する。よって、量子データセットのデータ型を効率的に識別することができる。

実際の応用においては、量子データセットにおける１つの量子データ点のみに対して取得された予測情報を、当該量子データセットの分類結果とすることができ、又は、量子データセットにおける全ての量子データ点に対応する予測情報に基づき、当該量子データセットの分類結果を決定することができる。本開示は、これに対して制限しない。ここで、古典ニューラルネットワークの予測結果の正確率は、一定の程度に達すれば、１つの量子データ点のみに対して取得された予測情報を、当該量子データセットの分類結果とすることができる。

なお、実際の応用においては、ローカル量子回路のパラメータを調整することは、具体的には、パラメータ化された量子回路から選出された量子ビットを調整することであっても良く、更に、ローカル量子回路に対応する回転角度等を調整することによって、最終的に、パラメータ化された量子回路から指定された量子ビットを選出することを実現する。ここで、当該指定された量子ビットは、パラメータ化された量子回路の中の１つの量子ビットに対応しても良く、複数の量子ビットに対応しても良いが、当該パラメータ化された量子回路の中の一部の量子ビットのみに対応し、全ての量子ビットに対応するものではない。

以下、具体例を参照しながら、本開示の技術案を更に詳しく説明する。具体的には、本例は、量子デバイスが提供するローカルパラメータ化された量子回路（即ち、ローカル量子回路）（Ｌｏｃａｌｑｕａｎｔｕｍｃｉｒｃｕｉｔ、量子回路において選出された量子ビットのみに作用する）を利用し、古典ニューラルネットワークのデータ処理能力と合わせて測定量子システムが出力する中間情報に対して後加工処理（ｐｏｓｔ−ｐｒｏｃｅｓｓｉｎｇ）を行うことにより、量子データセットを分類する分類結果を最適化する。ここで、本例に使用されるローカルパラメータ化された量子回路の構造は、事前に量子ハードウェアデバイスの制限に従って設計することができ、最近の量子デバイスにより適用できる。よく使われる従来のグローバル化量子回路に比べ、本例に係る量子ビット又は量子ゲートの数を大幅に減らし、トレーニングプロセスにおけるシステムノイズを更に低減することができる。同時に、本例は、複数の量子データセットを分類するマルチ分類問題に簡単に対応することができる。

また、本例は、古典ニューラルネットワークに類似する活性化関数を更に設定し、例えば、Ｓｏｆｔｍａｘ関数であり、実際のラベル（即ち、量子データセットの実際の種別情報）と古典ニューラルネットワークにより出力された当該量子データセットの予測ラベルとの間のクロスエントロピー（ｃｒｏｓｓｅｎｔｒｏｐｙ）を損失関数とし、当該損失関数に基づいてローカルパラメータ化された量子回路及び／又は古典ニューラルネットワークのパラメータを最適化し、分類結果の正確性の向上を実現する。

なお、ローカルパラメータ化された量子回路は、パラメータ化された量子回路の中の一部の量子ビットを指す。図３に示すように、パラメータ化された量子回路は、４つの量子ビットを含み、この時、量子ビットｑ_０及びｑ_１を含む量子回路を、本開示に記載のローカル量子回路とし、当該量子ビットｑ_０及びｑ_１が含まれるローカル量子回路を、入力した量子データ点に作用することができ、ｑ_２及びｑ_３がローカル量子回路に含まれていない。対応的に、グローバルパラメータ化された量子回路は、当該パラメータ化された量子回路の中の全ての量子ビットを含む。図４に示すように、パラメータ化された量子回路は、４つの量子ビットを含み、この時、全ての量子ビットを含み、即ち、量子ビットｑ_０、ｑ_１、ｑ_２及びｑ_３を含むグローバル量子回路は、入力された量子データ点に作用する。

図５に示すように、具体的な実現フローチャートは、次の通りである。

ここで、ｉは、通常、経験値であり、実際のシナリオ又は実際に処理する必要のある量子ビットセットにより決定することができ、本開示は、これについて制限しない。

なお、実際の応用においては、量子データに係る処理プロセスは、量子デバイスで実行され、古典ニューラルネットワークに係る処理プロセスは、古典デバイスで実行され、例えば、古典コンピュータである。このように、量子コンピューティングと古典ニューラルネットワーク技術を組み合わせることにより、量子データセットのデータ型を効率的に識別することができる。

なお、上述した方式で取得された分類器による手書き数字認識の２分類タスクの精度は、９９．５％以上に達することができる。

本開示は、最近の量子デバイスが提供するパラメータ化された量子回路を十分に利用することができ、ローカル化のパラメータ化された量子回路の量子データ特徴を効率的に抽出する能力と古典ニューラルネットワークのデータ処理能力を組み合わせることにより、量子データセットの分類問題を処理する。また、設計された、最近の量子デバイスで効率よく計算することが可能な損失関数に基づき、分類処理を効率的に且つ高精度で行うことを実現することができる。また、本開示に用いられるローカル量子回路のパラメータは、非常に少なくても良いので、分類処理を行う際のノイズを低減でき、分類結果の精度を高めるための基礎を築くことができる。

本開示は、量子デバイスを提供する。図６に示すように、当該量子デバイスは、情報決定ユニット６０１、回路処理ユニット６０２及び測定ユニット６０３を備える。

情報決定ユニット６０１は、量子データセット及び量子データセットのデータ型を特徴付ける種別情報を決定することに用いられる。

回路処理ユニット６０２は、パラメータ化された量子回路に含まれる複数の量子ビットから一部の量子ビットを選出して得られたローカル量子回路を、前記量子データセットに含まれる量子データ点に作用することに用いられる。

測定ユニット６０３は、測定により得られた前記量子データ点に作用された後の前記ローカル量子回路の中の量子ビットの状態情報を取得し、前記状態情報及び前記種別情報を、古典ニューラルネットワークをトレーニングするためのトレーニングデータとすることに用いられる。ここで、トレーニング完成後の前記古典ニューラルネットワークを用いて処理待ちの量子データセットのデータ型を識別することができる。

本開示の１つの具体例においては、選出ユニットを更に備える。

前記選出ユニットは、前記パラメータ化された量子回路を決定し、前記パラメータ化された量子回路に含まれる複数の量子ビットから一部の量子ビットを選出し、選出された前記一部の量子ビットが含まれている量子回路を前記ローカル量子回路とすることに用いられる。ここで、選出された量子ビットを調整することで複数の前記状態情報を取得することができる。

本開示の１つの具体例においては、相違度取得ユニット及びパラメータ調整ユニットを更に備える。

前記相違度取得ユニットは、前記量子データセットの中の全ての量子データ点に対応する予測情報と前記種別情報の間の合計相違度を取得することに用いられる。ここで、前記予測情報は、前記古典ニューラルネットワークから出力され、前記量子データ点のデータ種別を特徴付けることに用いられ、前記合計相違度は、前記量子データセットの中の各前記量子データ点に対応する予測情報と前記種別情報の間の相違度に基づいて決定される。

前記パラメータ調整ユニットは、前記合計相違度に基づいて前記ローカル量子回路のパラメータを調整することにより、トレーニングデータとする前記状態情報を調整することに用いられる。

本開示は、量子データ処理のためのコンピューティングデバイスを更に提供する。図７に示すように、当該コンピューティングデバイスは、量子データ処理ユニット７０１、量子回路測定ユニット７０２及び古典データ処理ユニット７０３を備える。

量子データ処理ユニット７０１は、量子データセット及び量子データセットのデータ型を特徴付ける種別情報を決定し、パラメータ化された量子回路に含まれる複数の量子ビットから一部の量子ビットを選出して得られたローカル量子回路を、前記量子データセットに含まれる量子データ点に作用することに用いられる。

量子回路測定ユニット７０２は、測定により得られた前記量子データ点に作用された後の前記ローカル量子回路の中の量子ビットの状態情報を取得し、前記状態情報及び前記種別情報を、古典ニューラルネットワークをトレーニングするためのトレーニングデータとすることに用いられる。

古典データ処理ユニット７０３は、前記トレーニングデータを前記古典ニューラルネットワークに入力し、前記古典ニューラルネットワークをトレーニングすることに用いられる。ここで、トレーニング完成後の前記古典ニューラルネットワークを用いて処理待ちの量子データセットのデータ型を識別することができる。

本開示の１つの具体例においては、前記量子データ処理ユニット７０１は、前記パラメータ化された量子回路を決定し、前記パラメータ化された量子回路に含まれる複数の量子ビットから一部の量子ビットを選出し、選出された前記一部の量子ビットが含まれている量子回路を前記ローカル量子回路とすることに更に用いられる。ここで、選出された量子ビットを調整することで複数の前記状態情報を取得することができる。

本開示の１つの具体例においては、前記古典データ処理ユニット７０３は、前記トレーニングデータが前記古典ニューラルネットワークに入力された後、前記量子データ点のデータ種別を特徴付ける予測情報を出力することにより、前記量子データセットの中の全ての量子データ点に対応する予測情報を取得し、各前記量子データ点に対応する予測情報と前記種別情報の間の相違度に基づいて合計相違度を取得し、前記合計相違度に基づいて損失関数を決定することにより、前記損失関数に基づいて前記古典ニューラルネットワークのパラメータを調整し、前記古典ニューラルネットワークに対するトレーニングを完成させることに更に用いられる。

前記量子データ処理ユニットは、前記損失関数に基づいて前記ローカル量子回路のパラメータを調整することにより、前記古典ニューラルネットワークに対するトレーニングを完成させることに更に用いられる。

本開示の１つの具体例においては、前記古典データ処理ユニット７０３は、前記量子データ点に対応する予測情報と前記種別情報の間のクロスエントロピーを計算し、計算により得られたクロスエントロピーを、前記量子データ点に対応する予測情報と前記種別情報の間の相違度とすることに更に用いられる。

本開示の１つの具体例においては、前記量子データ処理ユニット７０１は、処理待ちの量子データセットを取得し、パラメータの調整が完了した後の前記ローカル量子回路を、前記処理待ちの量子データセットに作用することに更に用いられる。

前記量子回路測定ユニット７０２は、測定により得られた、前記処理待ちの量子データセットの中の量子データ点に作用した後の前記ローカル量子回路の中の量子ビットの状態情報を取得することに更に用いられる。

前記古典データ処理ユニット７０３は、前記ローカル量子回路の中の量子ビットの状態情報を、トレーニング完成後の前記古典ニューラルネットワークに入力することにより、前記処理待ちの量子データセットのデータ型を特徴付ける予測情報を取得することに更に用いられる。

なお、実際の応用においては、当該量子データ処理ユニット７０１は、量子デバイスであっても良く、当該量子回路測定ユニット７０２は、具体的には、測定デバイスであっても良く、古典データ処理ユニット７０３は、古典デバイスであっても良く、例えば、古典コンピュータ等である。

本開示によれば、量子コンピューティングと古典ニューラルネットワーク技術を組み合わせることにより、量子データセットの分類問題を解決し、即ち、トレーニング完成後の古典ニューラルネットワークを利用して処理待ちの量子データセットのデータ型を識別し、分類結果を取得することができる。よって、分類処理を効率的に且つ高精度で実現することができる。

上述した様々な形式のプロセスを用いて、順序を変えたり、ステップを追加または削除したりすることができることが理解されるべきである。例えば、本開示に記載の各ステップは、並行して実行されてもよく、順次実行されてもよく、異なる順序で実行されてもよく、本開示に開示された技術案の所望の結果が達成される限り、限定はしない。

上記の具体的な実施形態は、本開示の保護範囲の制限を構成するものではない。設計要件及び他の要因に応じて、様々な変更、組み合わせ、サブ組み合わせ及び置換が行われ得ることは、当業者によって理解されるべきである。本開示の要旨及び原則の範囲内で行われる如何なる修正、同等の代替、改良等は、全て本開示の保護範囲に含まれる。

Claims

量子データセット及び前記量子データセットのデータ型を特徴付ける種別情報を決定することと、
パラメータ化された量子回路に含まれる複数の量子ビットから一部の量子ビットを選出して得られたローカル量子回路を、前記量子データセットに含まれる量子データ点に作用することと、
測定により得られた、前記量子データ点に作用された後の前記ローカル量子回路の中の量子ビットの状態情報を取得し、前記状態情報及び前記種別情報を、古典ニューラルネットワークをトレーニングするためのトレーニングデータとすることと、
を含み、
トレーニング完成後の前記古典ニューラルネットワークを用いて処理待ちの量子データセットのデータ型を識別することができる、
ことを特徴とする量子データの処理方法。
前記パラメータ化された量子回路を決定し、前記パラメータ化された量子回路に含まれる複数の量子ビットから一部の量子ビットを選出し、選出された前記一部の量子ビットが含まれている量子回路を前記ローカル量子回路とすることをさらに含み、
選出された量子ビットを調整することで複数の前記状態情報を取得することができる、
ことを特徴とする請求項１に記載の量子データの処理方法。
前記量子データセットの中の全ての量子データ点に対応する予測情報と前記種別情報の間の合計相違度を取得することと、
前記合計相違度に基づいて前記ローカル量子回路のパラメータを調整することにより、トレーニングデータとする前記状態情報を調整することと、
をさらに含み、
前記予測情報は、前記古典ニューラルネットワークから出力され、前記量子データ点のデータ種別を特徴付けることに用いられ、
前記合計相違度は、前記量子データセットの中の各前記量子データ点に対応する予測情報と前記種別情報の間の相違度に基づいて決定される、
ことを特徴とする請求項１又は２に記載の量子データの処理方法。
量子データセット及び前記量子データセットのデータ型を特徴付ける種別情報を決定することと、
パラメータ化された量子回路に含まれる複数の量子ビットから一部の量子ビットを選出して得られたローカル量子回路を、前記量子データセットに含まれる量子データ点に作用することと、
測定により得られた前記量子データ点に作用された後の前記ローカル量子回路の中の量子ビットの状態情報を取得し、前記状態情報及び前記種別情報を、古典ニューラルネットワークをトレーニングするためのトレーニングデータとすることと、
前記トレーニングデータを前記古典ニューラルネットワークに入力し、前記古典ニューラルネットワークをトレーニングすることと、
を含み、
トレーニング完成後の前記古典ニューラルネットワークを用いて処理待ちの量子データセットのデータ型を識別することができる、
ことを特徴とする量子データの処理方法。
前記パラメータ化された量子回路を決定し、前記パラメータ化された量子回路に含まれる複数の量子ビットから一部の量子ビットを選出し、選出された前記一部の量子ビットが含まれている量子回路を前記ローカル量子回路とすることをさらに含み、
選出された量子ビットを調整することで複数の前記状態情報を取得することができる、
ことを特徴とする請求項４に記載の量子データの処理方法。
前記トレーニングデータが前記古典ニューラルネットワークに入力された後、前記量子データ点のデータ種別を特徴付ける予測情報を出力することにより、前記量子データセットの中の全ての量子データ点に対応する予測情報を取得することと、
各前記量子データ点に対応する予測情報と前記種別情報の間の相違度に基づいて合計相違度を取得することと、
前記合計相違度に基づいて損失関数を決定し、前記損失関数に基づいて前記古典ニューラルネットワークのパラメータ及び前記ローカル量子回路のパラメータを調整することにより、前記古典ニューラルネットワークに対するトレーニングを完成させることと、
をさらに含む、
ことを特徴とする請求項４又は５に記載の量子データの処理方法。
前記量子データ点に対応する予測情報と前記種別情報の間のクロスエントロピーを計算し、計算により得られたクロスエントロピーを、前記量子データ点に対応する予測情報と前記種別情報の間の相違度とすることをさらに含む、
とを特徴とする請求項６に記載の量子データの処理方法。
処理待ちの量子データセットを取得することと、
パラメータの調整が完了した後の前記ローカル量子回路を、前記処理待ちの量子データセットに作用することと、
測定により得られた、前記処理待ちの量子データセットの中の量子データ点に作用した後の前記ローカル量子回路の中の量子ビットの状態情報を取得することと、
前記ローカル量子回路の中の量子ビットの状態情報を、トレーニング完成後の前記古典ニューラルネットワークに入力することにより、前記処理待ちの量子データセットのデータ型を特徴付ける予測情報を取得することと、
をさらに含む、
ことを特徴とする請求項４に記載の量子データの処理方法。
量子データセット及び前記量子データセットのデータ型を特徴付ける種別情報を決定する情報決定ユニットと、
パラメータ化された量子回路に含まれる複数の量子ビットから一部の量子ビットを選出して得られたローカル量子回路を、前記量子データセットに含まれる量子データ点に作用する回路処理ユニットと、
測定により得られた、前記量子データ点に作用された後の前記ローカル量子回路の中の量子ビットの状態情報を取得し、前記状態情報及び前記種別情報を、古典ニューラルネットワークをトレーニングするためのトレーニングデータとする測定ユニットと、
を備え、
トレーニング完成後の前記古典ニューラルネットワークを用いて処理待ちの量子データセットのデータ型を識別することができる、
ことを特徴とする量子デバイス。
前記パラメータ化された量子回路を決定し、前記パラメータ化された量子回路に含まれる複数の量子ビットから一部の量子ビットを選出し、選出された前記一部の量子ビットが含まれている量子回路を前記ローカル量子回路とする選出ユニットをさらに備え、
選出された量子ビットを調整することで複数の前記状態情報を取得することができる、
ことを特徴とする請求項９に記載の量子デバイス。
前記量子データセットの中の全ての量子データ点に対応する予測情報と前記種別情報の間の合計相違度を取得する相違度取得ユニットと、
前記合計相違度に基づいて前記ローカル量子回路のパラメータを調整することにより、トレーニングデータとする前記状態情報を調整するパラメータ調整ユニットと、
をさらに備え、
前記予測情報は、前記古典ニューラルネットワークから出力され、前記量子データ点のデータ種別を特徴付けることに用いられ、
前記合計相違度は、前記量子データセットの中の各前記量子データ点に対応する予測情報と前記種別情報の間の相違度に基づいて決定される、
ことを特徴とする請求項９又は１０に記載の量子デバイス。
量子データセット及び前記量子データセットのデータ型を特徴付ける種別情報を決定し、パラメータ化された量子回路に含まれる複数の量子ビットから一部の量子ビットを選出して得られたローカル量子回路を、前記量子データセットに含まれる量子データ点に作用する量子データ処理ユニットと、
測定により得られた、前記量子データ点に作用された後の前記ローカル量子回路の中の量子ビットの状態情報を取得し、前記状態情報及び前記種別情報を、古典ニューラルネットワークをトレーニングするためのトレーニングデータとする量子回路測定ユニットと、
前記トレーニングデータを前記古典ニューラルネットワークに入力し、前記古典ニューラルネットワークをトレーニングする古典データ処理ユニットと、
を備え、
トレーニング完成後の前記古典ニューラルネットワークを用いて処理待ちの量子データセットのデータ型を識別することができる、
ことを特徴とする量子データ処理に用いるコンピューティングデバイス。
前記量子データ処理ユニットは、前記パラメータ化された量子回路を決定し、前記パラメータ化された量子回路に含まれる複数の量子ビットから一部の量子ビットを選出し、選出された前記一部の量子ビットが含まれている量子回路を前記ローカル量子回路とすることにさらに用いられ、
選出された量子ビットを調整することで複数の前記状態情報を取得することができる、
ことを特徴とする請求項１２に記載の量子データ処理に用いるコンピューティングデバイス。
前記古典データ処理ユニットは、前記トレーニングデータが前記古典ニューラルネットワークに入力された後、前記量子データ点のデータ種別を特徴付ける予測情報を出力することにより、前記量子データセットの中の全ての量子データ点に対応する予測情報を取得し、各前記量子データ点に対応する予測情報と前記種別情報の間の相違度に基づいて合計相違度を取得し、前記合計相違度に基づいて損失関数を決定し、前記損失関数に基づいて前記古典ニューラルネットワークのパラメータを調整することにより、前記古典ニューラルネットワークに対するトレーニングを完成させることにさらに用いられ、
前記量子データ処理ユニットは、前記損失関数に基づいて前記ローカル量子回路のパラメータを調整することにより、前記古典ニューラルネットワークに対するトレーニングを完成させることにさらに用いられる、
ことを特徴とする請求項１２又は１３に記載の量子データ処理に用いるコンピューティングデバイス。
前記古典データ処理ユニットは、前記量子データ点に対応する予測情報と前記種別情報の間のクロスエントロピーを計算し、計算により得られたクロスエントロピーを、前記量子データ点に対応する予測情報と前記種別情報の間の相違度とすることにさらに用いられる、
ことを特徴とする請求項１４に記載の量子データ処理に用いるコンピューティングデバイス。
前記量子データ処理ユニットは、処理待ちの量子データセットを取得し、パラメータの調整が完了した後の前記ローカル量子回路を、前記処理待ちの量子データセットに作用することにさらに用いられ、
前記量子回路測定ユニットは、測定により得られた、前記処理待ちの量子データセットの中の量子データ点に作用した後の前記ローカル量子回路の中の量子ビットの状態情報を取得することにさらに用いられ、
前記古典データ処理ユニットは、前記ローカル量子回路の中の量子ビットの状態情報を、トレーニング完成後の前記古典ニューラルネットワークに入力することにより、前記処理待ちの量子データセットのデータ型を特徴付ける予測情報を取得することにさらに用いられる、
ことを特徴とする請求項１４に記載の量子データ処理に用いるコンピューティングデバイス。
前記コンピュータに請求項１〜９のいずれか一項に記載の量子データの処理方法を実行させるための命令が記憶されている非一時的なコンピュータ可読記憶媒体。
コンピュータにおいて、プロセッサにより実行される場合、請求項１〜９のいずれか一項に記載の量子データの処理方法を実現することを特徴とするプログラム。