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 - Google Patents
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 Download PDFInfo
- Publication number
- JP2021193615A JP2021193615A JP2021153717A JP2021153717A JP2021193615A JP 2021193615 A JP2021193615 A JP 2021193615A JP 2021153717 A JP2021153717 A JP 2021153717A JP 2021153717 A JP2021153717 A JP 2021153717A JP 2021193615 A JP2021193615 A JP 2021193615A
- Authority
- JP
- Japan
- Prior art keywords
- quantum
- data
- circuit
- qubits
- 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
- 238000003672 processing method Methods 0.000 title abstract 3
- 238000013528 artificial neural network Methods 0.000 claims abstract description 95
- 238000012549 training Methods 0.000 claims abstract description 85
- 238000005259 measurement Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims description 67
- 238000000034 method Methods 0.000 claims description 45
- 239000002096 quantum dot Substances 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
- G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- 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
-
- 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
-
- 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
Abstract
Description
Claims (18)
- 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。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011297757.3A CN112418387A (zh) | 2020-11-18 | 2020-11-18 | 量子数据处理方法及设备 |
CN202011297757.3 | 2020-11-18 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021193615A true JP2021193615A (ja) | 2021-12-23 |
Family
ID=74774536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021153717A Pending JP2021193615A (ja) | 2020-11-18 | 2021-09-22 | 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 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220036231A1 (ja) |
JP (1) | JP2021193615A (ja) |
CN (1) | CN112418387A (ja) |
AU (1) | AU2021245165B2 (ja) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011593B (zh) * | 2021-03-15 | 2021-11-02 | 北京百度网讯科技有限公司 | 消除量子测量噪声的方法及系统、电子设备和介质 |
CN113449778B (zh) * | 2021-06-10 | 2023-04-21 | 北京百度网讯科技有限公司 | 用于量子数据分类的模型训练方法以及量子数据分类方法 |
CN113379059B (zh) * | 2021-06-10 | 2022-09-23 | 北京百度网讯科技有限公司 | 用于量子数据分类的模型训练方法以及量子数据分类方法 |
WO2023125857A1 (zh) * | 2021-12-30 | 2023-07-06 | 本源量子计算科技(合肥)股份有限公司 | 基于机器学习框架系统的模型训练方法及相关设备 |
CN116227607B (zh) * | 2023-02-20 | 2023-09-26 | 北京百度网讯科技有限公司 | 量子电路的分类方法、装置、电子设备、介质和产品 |
CN116502726B (zh) * | 2023-06-28 | 2023-09-19 | 深圳市爱云信息科技有限公司 | 基于量子芯片的数据存储系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019143680A1 (en) * | 2018-01-18 | 2019-07-25 | Google Llc | Classification using quantum neural networks |
JP2019526096A (ja) * | 2016-06-07 | 2019-09-12 | ディー−ウェイブ システムズ インコーポレイテッド | 量子プロセッサトポロジ用のシステム及び方法 |
US20200342293A1 (en) * | 2019-04-23 | 2020-10-29 | International Business Machines Corporation | Quantum computational method and device |
US20200349050A1 (en) * | 2019-05-02 | 2020-11-05 | 1Qb Information Technologies Inc. | Method and system for estimating trace operator for a machine learning task |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103840936B (zh) * | 2014-02-28 | 2018-02-09 | 山东量子科学技术研究院有限公司 | 量子密码网络可靠加密传输系统及方法 |
US10977546B2 (en) * | 2017-11-29 | 2021-04-13 | International Business Machines Corporation | Short depth circuits as quantum classifiers |
TW202007091A (zh) * | 2018-07-02 | 2020-02-01 | 美商札帕塔運算股份有限公司 | 藉由量子自動編碼器進行之壓縮的無監督量子態準備 |
US11244231B2 (en) * | 2018-09-05 | 2022-02-08 | Siemens Aktiengesellschaft | Quantum-machine training of knowledge graphs |
WO2020263301A1 (en) * | 2019-06-28 | 2020-12-30 | Google Llc | Parallel cross entropy benchmarking |
CN110674921A (zh) * | 2019-07-11 | 2020-01-10 | 中国科学技术大学 | 构建基于经典训练的量子前馈神经网络的方法 |
-
2020
- 2020-11-18 CN CN202011297757.3A patent/CN112418387A/zh active Pending
-
2021
- 2021-09-22 JP JP2021153717A patent/JP2021193615A/ja active Pending
- 2021-10-07 AU AU2021245165A patent/AU2021245165B2/en active Active
- 2021-10-14 US US17/501,764 patent/US20220036231A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019526096A (ja) * | 2016-06-07 | 2019-09-12 | ディー−ウェイブ システムズ インコーポレイテッド | 量子プロセッサトポロジ用のシステム及び方法 |
WO2019143680A1 (en) * | 2018-01-18 | 2019-07-25 | Google Llc | Classification using quantum neural networks |
US20200342293A1 (en) * | 2019-04-23 | 2020-10-29 | International Business Machines Corporation | Quantum computational method and device |
US20200349050A1 (en) * | 2019-05-02 | 2020-11-05 | 1Qb Information Technologies Inc. | Method and system for estimating trace operator for a machine learning task |
Non-Patent Citations (2)
Title |
---|
MAXWELL HENDERSON: "Quanvolutional Neural Networks: Powering Image Recognition with Quantum Circuits", ARXIV, JPN6022044177, 9 April 2019 (2019-04-09), pages 1 - 7, ISSN: 0005064294 * |
SUKIN SIM ET AL.: "Expressibility and entangling capability of parameterized quantum circuits for hybrid quantum-classi", ARXIV, JPN6023020713, 26 May 2019 (2019-05-26), pages 1 - 18, ISSN: 0005064295 * |
Also Published As
Publication number | Publication date |
---|---|
AU2021245165B2 (en) | 2023-10-05 |
AU2021245165A1 (en) | 2021-10-21 |
CN112418387A (zh) | 2021-02-26 |
US20220036231A1 (en) | 2022-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021193615A (ja) | 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 | |
US11720822B2 (en) | Gradient-based auto-tuning for machine learning and deep learning models | |
JP6182242B1 (ja) | データのラベリングモデルに係る機械学習方法、コンピュータおよびプログラム | |
US11741361B2 (en) | Machine learning-based network model building method and apparatus | |
WO2019218748A1 (zh) | 一种保险业务风险预测的处理方法、装置及处理设备 | |
US20190279088A1 (en) | Training method, apparatus, chip, and system for neural network model | |
CN109558945A (zh) | 对人工神经网络及浮点神经网络进行量化的方法及装置 | |
US20180365557A1 (en) | Information processing method and information processing apparatus | |
WO2020154830A1 (en) | Techniques to detect fusible operators with machine learning | |
CN109583561B (zh) | 一种深度神经网络的激活量量化方法及装置 | |
Le et al. | Dual space gradient descent for online learning | |
US20210004727A1 (en) | Hyper-parameter tuning method for machine learning algorithms using pattern recognition and reduced search space approach | |
CN113379059B (zh) | 用于量子数据分类的模型训练方法以及量子数据分类方法 | |
JP2016105232A (ja) | 言語モデル作成装置、言語モデル作成方法、プログラム、および記録媒体 | |
CN111242158A (zh) | 神经网络训练方法、图像处理方法及装置 | |
CN110705889A (zh) | 一种企业筛选方法、装置、设备及存储介质 | |
CN113449778B (zh) | 用于量子数据分类的模型训练方法以及量子数据分类方法 | |
CN114611609A (zh) | 一种图网络模型节点分类方法、装置、设备及存储介质 | |
JP2017538226A (ja) | スケーラブルなウェブデータの抽出 | |
CN108921216B (zh) | 一种图像分类模型的处理方法、装置及存储介质 | |
CN108573059B (zh) | 一种基于特征采样的时间序列分类方法及装置 | |
CN111507195A (zh) | 虹膜分割神经网络模型的训练方法、虹膜分割方法及装置 | |
WO2022198477A1 (zh) | 分类模型增量学习实现方法、装置、电子设备及介质 | |
CN116611001B (zh) | 基于多维自适应增量图的近红外光谱数据分类方法 | |
Zafar et al. | An Optimization Approach for Convolutional Neural Network Using Non-Dominated Sorted Genetic Algorithm-II. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210922 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220930 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221021 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230123 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230523 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20231213 |