JP2022171732A - 信号サンプリング品質の判定方法および装置、サンプリング品質分類モデルのトレーニング方法および装置、電子機器、記憶媒体並びにコンピュータプログラム - Google Patents
信号サンプリング品質の判定方法および装置、サンプリング品質分類モデルのトレーニング方法および装置、電子機器、記憶媒体並びにコンピュータプログラム Download PDFInfo
- Publication number
- JP2022171732A JP2022171732A JP2022139947A JP2022139947A JP2022171732A JP 2022171732 A JP2022171732 A JP 2022171732A JP 2022139947 A JP2022139947 A JP 2022139947A JP 2022139947 A JP2022139947 A JP 2022139947A JP 2022171732 A JP2022171732 A JP 2022171732A
- Authority
- JP
- Japan
- Prior art keywords
- sampling
- classification
- feature extraction
- quality
- sampling quality
- 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
- 238000005070 sampling Methods 0.000 title claims abstract description 365
- 238000000034 method Methods 0.000 title claims abstract description 149
- 238000012549 training Methods 0.000 title claims description 87
- 238000013145 classification model Methods 0.000 title claims description 51
- 238000004590 computer program Methods 0.000 title claims description 11
- 238000000605 extraction Methods 0.000 claims abstract description 104
- 230000006870 function Effects 0.000 claims description 48
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 10
- 238000005311 autocorrelation function Methods 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 28
- 238000011156 evaluation Methods 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 29
- 238000004422 calculation algorithm Methods 0.000 description 27
- 238000010586 diagram Methods 0.000 description 20
- 238000002474 experimental method Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 230000010355 oscillation Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000002679 ablation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 239000002096 quantum dot Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000699666 Mus <mouse, genus> Species 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005314 correlation function Methods 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
- 230000007423 decrease Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction 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
- 230000005610 quantum mechanics Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N10/20—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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Complex Calculations (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
Description
第1のサンプリングパラメータに基づいて量子チップの第1の出力信号をサンプリングして第1のサンプリングデータを得るステップと、
当該第1のサンプリングデータに対して特徴抽出を行い、第1の特徴抽出結果を得るステップと、
当該第1の特徴抽出結果をクラスタリングしてサンプリング品質分類結果を確定するステップと、を含む信号サンプリング品質の判定方法を提供する。
複数の第2のサンプリングパラメータに基づいて量子チップの複数の第2の出力信号をそれぞれサンプリングし、複数組の第2のサンプリングデータを得るステップと、
当該複数組の第2のサンプリングデータのそれぞれに対して特徴抽出を行い、対応する複数の第2の特徴抽出結果を得るステップと、
当該複数の第2の特徴抽出結果を用いてクラスタリングモデルをトレーニングすることによりサンプリング品質分類モデルを得るステップと、を含み、
当該サンプリング品質分類モデルは、サンプリング品質分類結果を確定するために用いられる、サンプリング品質分類モデルのトレーニング方法を提供する。
第1のサンプリングパラメータに基づいて量子チップの第1の出力信号をサンプリングして第1のサンプリングデータを得るように構成される第1のサンプリングモジュールと、
当該第1のサンプリングデータに対して特徴抽出を行い、第1の特徴抽出結果を得るように構成される第1の抽出モジュールと、
当該第1の特徴抽出結果をクラスタリングしてサンプリング品質分類結果を確定するように構成される分類モジュールと、
を備える信号サンプリング品質の判定装置を提供する。
複数の第2のサンプリングパラメータに基づいて量子チップの複数の第2の出力信号をそれぞれサンプリングし、複数組の第2のサンプリングデータを得るように構成される第2のサンプリングモジュールと、
当該複数組の第2のサンプリングデータのそれぞれに対して特徴抽出を行い、対応する複数の第2の特徴抽出結果を得るように構成される第2の抽出モジュールと、
当該複数の第2の特徴抽出結果を用いてクラスタリングモデルをトレーニングすることによりサンプリング品質分類モデルを得るように構成されるトレーニングモジュールと、を備え、
当該サンプリング品質分類モデルは、サンプリング品質分類結果を確定するために用いられる、サンプリング品質分類モデルのトレーニング装置を提供する。
少なくとも1つのプロセッサと、
少なくとも1つのプロセッサと通信可能に接続されるメモリとを備える電子機器であって、
当該メモリには、当該少なくとも1つのプロセッサによって実行可能な指令が格納され、当該指令が当該少なくとも1つのプロセッサによって実行されると、当該少なくとも1つのプロセッサに本開示の第1の態様または第2の態様のいずれかの実施形態に記載の方法を実行させる電子機器を提供する。
このような方法では、実験者は実験に必要な制御パルスを自分で設定してキャリブレーションし、返されたデータを解析する必要がある。スキャンパラメータが適切でない場合、実験者は経験に基づいて原因を判断して、パラメータ範囲を調整して、再度実験設定を行う必要がある。
一の従来の技術方案では、チップのトポロジ構造と接続性に基づいて、物理ビットをグループ化して、独立して最適化することにより、最適化プロセスにおける高次元パラメータ空間の次元削減を実現し、最適化の時間複雑性(time complexity)を低減した。関連技術では、この方案を54個の量子ビットの量子チップに適用して、0.97%の|0〉状態のエラー率と4.5%の|1〉状態のエラー率の中間値を実現した。
関連技術には、機械学習におけるアブレーション学習(ablation study)に基づく方法がある。そのコアとなる考えは、高次元のパラメータ空間に対して、複数回の方向付きの1次元検索を行い、最適値が存在する超曲面(hyper-surface)を描くことである。そのうち、アルゴリズムにアブレーション学習を適用する方法は余分な検索空間を除去した。上記の方法はランダム検索による最適パラメータよりも速度が180倍程度向上した。
i番目のトレーニングサンプルDiの近似誤差(fitting error)は、次式を用いて算出する。
この種の特徴は、オリジナルデータの最大値、最小値および中間値である。
まず、オリジナルデータの自己相関関数について、この方法はデータの周期性を計算するために用いることができ、フーリエ変換に比べて、データ周期が小さい場合に計算結果の精度が良いという利点がある。自己相関関数は、系列と自己との畳み込みに相当する。
当該第1のサンプリングデータに対して特徴抽出を行い、第1の特徴抽出結果を得るように構成される第1の抽出モジュール1002と、
当該第1の特徴抽出結果をクラスタリングしてサンプリング品質分類結果を確定するように構成される分類モジュール1003と、を備える。
複数の第2のサンプリングパラメータに基づいて量子チップの複数の第2の出力信号をそれぞれサンプリングし、複数組の第2のサンプリングデータを得るように構成される第2のサンプリングモジュール1301と、
当該複数組の第2のサンプリングデータのそれぞれに対して特徴抽出を行い、対応する複数の第2の特徴抽出結果を得るように構成される第2の抽出モジュール1302と、
当該複数の第2の特徴抽出結果を用いてクラスタリングモデルをトレーニングすることによりサンプリング品質分類モデルを得るように構成されるトレーニングモジュール1303と、を備える。
Claims (23)
- 第1のサンプリングパラメータに基づいて量子チップの第1の出力信号をサンプリングして第1のサンプリングデータを得るステップと、
前記第1のサンプリングデータに対して特徴抽出を行い、第1の特徴抽出結果を得るステップと、
前記第1の特徴抽出結果をクラスタリングしてサンプリング品質分類結果を確定するステップと、
を含む信号サンプリング品質の判定方法。 - 前記第1のサンプリングデータに対して特徴抽出を行い、第1の特徴抽出結果を得るステップは、
信号生成関数および/または前記量子チップの構造に基づいて近似関数を生成するステップと、
前記近似関数を用いて前記第1のサンプリングデータを近似して近似曲線を得るステップと、
前記第1のサンプリングデータと前記近似曲線に基づいて、前記第1の特徴抽出結果を得るステップと、
を含む請求項1に記載の信号サンプリング品質の判定方法。 - 実験閾値と前記信号生成関数に基づいて制御信号を生成するステップと、
前記制御信号を前記量子チップの入力として、前記第1の出力信号を得るステップと、
を含む請求項2に記載の信号サンプリング品質の判定方法。 - 前記第1のサンプリングデータは、量子状態の異なるエネルギー準位におけるポピュレーションを含み、
前記第1のサンプリングパラメータはスキャン区間とサンプリング回数とを含み、
前記第1のサンプリングパラメータに基づいて量子チップの第1の出力信号をサンプリングして第1のサンプリングデータを得るステップは、
前記スキャン区間内において、前記サンプリング回数に基づいて前記第1の出力信号に対してサンプリングを行い、前記量子状態の異なるエネルギー準位におけるポピュレーションを得るステップを含む、
請求項1に記載の信号サンプリング品質の判定方法。 - 前記第1の特徴抽出結果は、近似誤差、共分散・相関係数、サンプリングデータの特徴、自己相関関数、周期サンプル点の特徴のうちの少なくとも1種を含む請求項1に記載の信号サンプリング品質の判定方法。
- 前記サンプリング品質分類結果は、予め設定された品質基準に合致しない第1の分類結果と、予め設定された品質基準に合致する第2の分類結果とを含み、
前記サンプリング品質分類結果が前記第1の分類結果である場合、前記第1の分類結果に対応するサンプリングパラメータ調整方法により、前記第1のサンプリングパラメータを調整するステップをさらに含む、
請求項1~5のいずれか1項に記載の信号サンプリング品質の判定方法。 - 前記第1の特徴抽出結果をクラスタリングしてサンプリング品質分類結果を確定するステップは、
前記第1の特徴抽出結果をサンプリング品質分類モデルに入力して前記サンプリング品質分類結果を得るステップを含み、
前記サンプリング品質分類モデルは、クラスタリングモデルをトレーニングすることにより得られる、
請求項1~5のいずれか1項に記載の信号サンプリング品質の判定方法。 - 複数の第2のサンプリングパラメータに基づいて量子チップの複数の第2の出力信号をそれぞれサンプリングし、複数組の第2のサンプリングデータを得るステップと、
前記複数組の第2のサンプリングデータに対してそれぞれ特徴抽出を行い、対応する複数の第2の特徴抽出結果を得るステップと、
前記複数の第2の特徴抽出結果を用いてクラスタリングモデルをトレーニングすることによりサンプリング品質分類モデルを得るステップと、を含み、
前記サンプリング品質分類モデルは、サンプリング品質分類結果を確定するために用いられる、
サンプリング品質分類モデルのトレーニング方法。 - 前記複数の第2の特徴抽出結果を用いてクラスタリングモデルをトレーニングすることによりサンプリング品質分類モデルを得るステップは、
複数の第2の出力信号に対応する複数の第2の特徴抽出結果を前記クラスタリングモデルに入力して初期分類結果を得るステップと、
前記初期分類結果と予め設定された分類結果との差に基づいて、前記クラスタリングモデルのモデルパラメータを調整して、前記サンプリング品質分類モデルを得るステップと、
を含む請求項8に記載のサンプリング品質分類モデルのトレーニング方法。 - 前記予め設定された分類結果は、第1の分類結果と第2の分類結果とを含み、
前記複数の第2の特徴抽出結果を用いてクラスタリングモデルをトレーニングすることによりサンプリング品質分類モデルを得るステップは、
複数の前記第1の分類結果と複数の前記第2の分類結果とを予め設定するステップと、
複数の前記第1の分類結果のそれぞれに対応するサンプリングパラメータ調整方法を予め設定するステップと、
をさらに含む
請求項9に記載のサンプリング品質分類モデルのトレーニング方法。 - 第1のサンプリングパラメータに基づいて量子チップの第1の出力信号をサンプリングして第1のサンプリングデータを得るように構成される第1のサンプリングモジュールと、
前記第1のサンプリングデータに対して特徴抽出を行い、第1の特徴抽出結果を得るように構成される第1の抽出モジュールと、
前記第1の特徴抽出結果をクラスタリングしてサンプリング品質分類結果を確定するように構成される分類モジュールと、
を備える信号サンプリング品質の判定装置。 - 前記第1の抽出モジュールは、
信号生成関数および/または前記量子チップの構造に基づいて近似関数を生成し、
前記近似関数を用いて前記第1のサンプリングデータを近似して近似曲線を取得し、
前記第1のサンプリングデータと前記近似曲線に基づいて、前記第1の特徴抽出結果を取得するように構成される、
請求項11に記載の信号サンプリング品質の判定装置。 - 実験閾値と信号生成関数に基づいて制御信号を生成するように構成される生成モジュールと、
前記制御信号を前記量子チップの入力として、前記第1の出力信号を取得するように構成される入力モジュールと、
をさらに備える請求項12に記載の信号サンプリング品質の判定装置。 - 前記第1のサンプリングデータは、量子状態の異なるエネルギー準位におけるポピュレーションを含み、
前記第1のサンプリングパラメータは、スキャン区間およびサンプリング回数を含み、
前記第1のサンプリングモジュールは、前記スキャン区間内において、前記サンプリング回数に基づいて前記第1の出力信号に対してサンプリングを行い、前記量子状態の異なるエネルギー準位におけるポピュレーションを得るように構成される、
請求項11に記載の信号サンプリング品質の判定装置。 - 前記第1の特徴抽出結果は、近似誤差、共分散・相関係数、サンプリングデータの特徴、自己相関関数、周期サンプル点の特徴のうちの少なくとも1種を含む、請求項11に記載の信号サンプリング品質の判定装置。
- 前記サンプリング品質分類結果は、予め設定された品質基準に合致しない第1の分類結果と、予め設定された品質基準に合致する第2の分類結果とを含み、
前記サンプリング品質分類結果が前記第1の分類結果である場合、前記第1の分類結果に対応するサンプリングパラメータ調整方法により、前記第1のサンプリングパラメータを調整するように構成される調整モジュールをさらに備える、
請求項11~15のいずれか1項に記載の信号サンプリング品質の判定装置。 - 前記分類モジュールは、
前記第1の特徴抽出結果をサンプリング品質分類モデルに入力して前記サンプリング品質分類結果を得るように構成され、
前記サンプリング品質分類モデルは、クラスタリングモデルをトレーニングすることにより得られる、
請求項11~15のいずれか1項に記載の信号サンプリング品質の判定装置。 - 複数の第2のサンプリングパラメータに基づいて量子チップの複数の第2の出力信号をそれぞれサンプリングし、複数組の第2のサンプリングデータを得るように構成される第2のサンプリングモジュールと、
前記複数組の第2のサンプリングデータのそれぞれに対して特徴抽出を行い、対応する複数の第2の特徴抽出結果を得るように構成される第2の抽出モジュールと、
前記複数の第2の特徴抽出結果を用いてクラスタリングモデルをトレーニングすることにより、サンプリング品質分類結果を確定するためのサンプリング品質分類モデルを得るように構成されるトレーニングモジュールと、
を備える、サンプリング品質分類モデルのトレーニング装置。 - 前記トレーニングモジュールは、
複数の第2の出力信号に対応する複数の第2の特徴抽出結果を前記クラスタリングモデルに入力して初期分類結果を取得し、
前記初期分類結果と予め設定された分類結果との差に基づいて、前記クラスタリングモデルのモデルパラメータを調整して、前記サンプリング品質分類モデルを取得するように構成される、
請求項18に記載のサンプリング品質分類モデルのトレーニング装置。 - 前記予め設定された分類結果は、第1の分類結果と第2の分類結果とを含み、
前記トレーニングモジュールはさらに、
複数の前記第1の分類結果と複数の前記第2の分類結果とを予め設定し、
複数の前記第1の分類結果のそれぞれに対応するサンプリングパラメータ調整方法を予め設定するように構成される、
請求項19に記載のサンプリング品質分類モデルのトレーニング装置。 - 少なくとも1つのプロセッサと、
前記少なくとも1つのプロセッサと通信可能に接続されるメモリとを備える電子機器であって、
前記メモリには、前記少なくとも1つのプロセッサによって実行可能な指令が格納され、前記指令が前記少なくとも1つのプロセッサによって実行されると、前記少なくとも1つのプロセッサに請求項1~7のいずれか1項に記載の信号サンプリング品質の判定方法または請求項8~10のいずれか1項に記載のサンプリング品質分類モデルのトレーニング方法を実行させる、電子機器。 - コンピュータ指令が格納されている非一時的コンピュータ可読記憶媒体であって、
前記コンピュータ指令はコンピュータに請求項1~5のいずれか1項に記載の信号サンプリング品質の判定方法または請求項8~10のいずれか1項に記載のサンプリング品質分類モデルのトレーニング方法を実行させるために用いられる非一時的コンピュータ可読記憶媒体。 - プロセッサによって実行されると、請求項1~5のいずれか1項に記載の信号サンプリング品質の判定方法または請求項8~10のいずれか1項に記載のサンプリング品質分類モデルのトレーニング方法が実現されるコンピュータプログラム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210345361.4 | 2022-03-31 | ||
CN202210345361.4A CN114757225B (zh) | 2022-03-31 | 2022-03-31 | 信号采样质量的确定方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022171732A true JP2022171732A (ja) | 2022-11-11 |
JP7346685B2 JP7346685B2 (ja) | 2023-09-19 |
Family
ID=82329276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022139947A Active JP7346685B2 (ja) | 2022-03-31 | 2022-09-02 | 信号サンプリング品質の判定方法および装置、サンプリング品質分類モデルのトレーニング方法および装置、電子機器、記憶媒体並びにコンピュータプログラム |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230084865A1 (ja) |
JP (1) | JP7346685B2 (ja) |
CN (1) | CN114757225B (ja) |
AU (1) | AU2022235559A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117454998B (zh) * | 2023-11-07 | 2024-09-13 | 北京百度网讯科技有限公司 | 量子数据保真度确定方法及装置、电子设备和介质 |
CN117649668B (zh) * | 2023-12-22 | 2024-06-14 | 南京天溯自动化控制系统有限公司 | 一种医疗设备计量证书识别和分析方法 |
CN117571742B (zh) * | 2024-01-12 | 2024-04-05 | 贵州大学 | 基于人工智能实现芯片质检的方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019521433A (ja) * | 2016-06-09 | 2019-07-25 | グーグル エルエルシー | 自動量子ビット校正 |
US20200285986A1 (en) * | 2019-03-09 | 2020-09-10 | International Business Machines Corporation | Validating and estimating runtime for quantum algorithms |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103236065B (zh) * | 2013-05-09 | 2015-11-04 | 中南大学 | 基于主动轮廓模型和细胞神经网络的生物芯片分析方法 |
CN106546846B (zh) * | 2016-10-18 | 2019-12-10 | 天津大学 | 基于压缩感知盲源信号分离技术的电能质量信号检测装置 |
CN109308453A (zh) * | 2018-08-10 | 2019-02-05 | 天津大学 | 基于模式聚类与谱校正的欠采样信号频率估计方法及装置 |
CN109086546B (zh) * | 2018-08-22 | 2021-10-29 | 郑州云海信息技术有限公司 | 信号链路信号质量评估方法、装置、设备及可读存储介质 |
US11675926B2 (en) * | 2018-12-31 | 2023-06-13 | Dathena Science Pte Ltd | Systems and methods for subset selection and optimization for balanced sampled dataset generation |
US11164099B2 (en) * | 2019-02-19 | 2021-11-02 | International Business Machines Corporation | Quantum space distance estimation for classifier training using hybrid classical-quantum computing system |
CN110503977A (zh) * | 2019-07-12 | 2019-11-26 | 国网上海市电力公司 | 一种变电站设备音频信号采集分析系统 |
CN110662232B (zh) * | 2019-09-25 | 2020-06-30 | 南昌航空大学 | 一种采用多粒度级联森林评估链路质量的方法 |
CN113517530B (zh) * | 2020-07-22 | 2022-08-23 | 阿里巴巴集团控股有限公司 | 量子芯片的制备方法、装置、设备及量子芯片 |
CN113516247A (zh) * | 2021-05-20 | 2021-10-19 | 阿里巴巴新加坡控股有限公司 | 参数校准方法、量子芯片的控制方法、装置及系统 |
CN114048816B (zh) * | 2021-11-16 | 2024-04-30 | 中国人民解放军国防科技大学 | 一种图神经网络数据采样方法、装置、设备及存储介质 |
-
2022
- 2022-03-31 CN CN202210345361.4A patent/CN114757225B/zh active Active
- 2022-09-02 JP JP2022139947A patent/JP7346685B2/ja active Active
- 2022-09-07 US US17/939,367 patent/US20230084865A1/en active Pending
- 2022-09-21 AU AU2022235559A patent/AU2022235559A1/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019521433A (ja) * | 2016-06-09 | 2019-07-25 | グーグル エルエルシー | 自動量子ビット校正 |
US20200285986A1 (en) * | 2019-03-09 | 2020-09-10 | International Business Machines Corporation | Validating and estimating runtime for quantum algorithms |
Also Published As
Publication number | Publication date |
---|---|
US20230084865A1 (en) | 2023-03-16 |
CN114757225B (zh) | 2023-05-30 |
CN114757225A (zh) | 2022-07-15 |
JP7346685B2 (ja) | 2023-09-19 |
AU2022235559A1 (en) | 2022-10-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11720822B2 (en) | Gradient-based auto-tuning for machine learning and deep learning models | |
JP7346685B2 (ja) | 信号サンプリング品質の判定方法および装置、サンプリング品質分類モデルのトレーニング方法および装置、電子機器、記憶媒体並びにコンピュータプログラム | |
Wang et al. | State predictive information bottleneck | |
Sun et al. | An improved random forest based on the classification accuracy and correlation measurement of decision trees | |
CN110852438B (zh) | 模型生成方法和装置 | |
US20220198315A1 (en) | Method for denoising quantum device, electronic device, and computer-readable medium | |
JP7358698B2 (ja) | 語義表現モデルの訓練方法、装置、デバイス及び記憶媒体 | |
JP7403605B2 (ja) | マルチターゲット画像テキストマッチングモデルのトレーニング方法、画像テキスト検索方法と装置 | |
CN113705793B (zh) | 决策变量确定方法及装置、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 | |
Carroll | Optimizing memory in reservoir computers | |
US20220245465A1 (en) | Picture searching method and apparatus, electronic device and computer readable storage medium | |
CN112988753B (zh) | 一种数据搜索方法和装置 | |
WO2021142332A1 (en) | A system for rapid interactive exploration of big data | |
CN114429218A (zh) | 消除量子噪声的方法及装置、电子设备和介质 | |
US20220076157A1 (en) | Data analysis system using artificial intelligence | |
CN114897175A (zh) | 量子测量设备的噪声消除方法及装置、电子设备和介质 | |
Kim et al. | Cascadehd: Efficient many-class learning framework using hyperdimensional computing | |
CN114580649A (zh) | 消除量子泡利噪声的方法及装置、电子设备和介质 | |
US20220172105A1 (en) | Efficient and scalable computation of global feature importance explanations | |
CN113591458B (zh) | 基于神经网络的医学术语处理方法、装置、设备及存储介质 | |
WO2022100370A1 (zh) | 一种基于svm的流处理框架的自动调优方法 | |
CN115310590A (zh) | 图结构学习方法和装置 | |
CN114897183A (zh) | 问题数据处理方法、深度学习模型的训练方法和装置 | |
CN114169469A (zh) | 一种基于量子网络的识别方法、系统、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220922 |
|
TRDD | Decision of grant or rejection written | ||
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230823 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230829 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230906 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7346685 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |