TWI820745B - 量子輔助學習系統及其操作方法 - Google Patents

量子輔助學習系統及其操作方法 Download PDF

Info

Publication number
TWI820745B
TWI820745B TW111121733A TW111121733A TWI820745B TW I820745 B TWI820745 B TW I820745B TW 111121733 A TW111121733 A TW 111121733A TW 111121733 A TW111121733 A TW 111121733A TW I820745 B TWI820745 B TW I820745B
Authority
TW
Taiwan
Prior art keywords
quantum
qubits
generate
group
classical
Prior art date
Application number
TW111121733A
Other languages
English (en)
Other versions
TW202349284A (zh
Inventor
高嘉陽
謝明修
Original Assignee
鴻海精密工業股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 鴻海精密工業股份有限公司 filed Critical 鴻海精密工業股份有限公司
Priority to TW111121733A priority Critical patent/TWI820745B/zh
Priority to CN202211116178.3A priority patent/CN117252267A/zh
Application granted granted Critical
Publication of TWI820745B publication Critical patent/TWI820745B/zh
Publication of TW202349284A publication Critical patent/TW202349284A/zh

Links

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
    • 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
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Physical Deposition Of Substances That Are Components Of Semiconductor Devices (AREA)
  • Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Crystals, And After-Treatments Of Crystals (AREA)

Abstract

量子輔助學習系統包括量子輔助裝置及特徵學習處理器。量子輔助裝置用以量測對應量子信號的多個量子位元以產生多個經典特徵值，並包含用以處理量子信號的多個量子電路。量子電路的每一者用以進行相同的量子運算。特徵學習處理器耦接量子輔助裝置，並用以依據經典特徵值訓練函數。

Description

量子輔助學習系統及其操作方法
本揭示內容是有關於一種量子機器學習技術，特別是關於一種量子輔助學習系統及操作量子輔助學習系統的方法。
量子機器學習是藉由量子電腦對量子位元進行量子運算以進行訓練。現今的量子機器學習在量子位元的數量和量子運算深度增加時遭遇了梯度消失問題（Vanishing gradient problem）。此外，對量子閘進行訓練時需要重複將資料上傳至雲端量子電腦(如IBMQ)，耗費大量等待時間。因此，要如何克服上述問題為本領域重要之課題。
本發明實施例包含一種量子輔助學習系統。量子輔助學習系統包括量子輔助裝置及特徵學習處理器。量子輔助裝置用以量測對應一量子信號的多個量子位元以產生多個經典特徵值，並包含用以處理量子信號的多個量子電路，其中量子電路的每一者用以進行相同的一量子運算。特徵學習處理器耦接量子輔助裝置，並用以依據經典特徵值訓練一函數。
本發明實施例包含一種操作一量子輔助學習系統的方法。方法包括以下操作：依據一目標函數，決定一量子輔助裝置中的多個量子電路的一數量；藉由量子輔助裝置，依據一量子信號產生多個經典特徵值；依據經典特徵值，產生一第一函數；以及依據第一函數及目標函數之間的一差異，調整量子電路的數量。
本發明實施例包含一種操作一量子輔助學習系統的方法。方法包括以下操作：藉由多個量子電路的每一者進行相同的一量子運算，以產生對應一量子信號的多個量子位元；量測量子位元以產生多個經典特徵值；依據經典特徵值訓練一函數；以及在函數及一目標函數之間的一差異大於一預設差異時，調整量子電路的一數量。
於本文中，當一元件被稱為「連接」或「耦接」時，可指「電性連接」或「電性耦接」。「連接」或「耦接」亦可用以表示二或多個元件間相互搭配操作或互動。此外，雖然本文中使用「第一」、「第二」、…等用語描述不同元件，該用語僅是用以區別以相同技術用語描述的元件或操作。除非上下文清楚指明，否則該用語並非特別指稱或暗示次序或順位，亦非用以限定本案。
除非另有定義，本文使用的所有術語(包括技術和科學術語)具有與本案所屬領域的普通技術人員通常理解的相同的含義。將進一步理解的是，諸如在通常使用的字典中定義的那些術語應當被解釋為具有與它們在相關技術和本案的上下文中的含義一致的含義，並且將不被解釋為理想化的或過度正式的意義，除非本文中明確地這樣定義。
這裡使用的術語僅僅是為了描述特定實施例的目的，而不是限制性的。如本文所使用的，除非內容清楚地指示，否則單數形式「一」、「一個」和「該」旨在包括複數形式，包括「至少一個」。「或」表示「及/或」。如本文所使用的，術語「及/或」包括一個或多個相關所列項目的任何和所有組合。還應當理解，當在本說明書中使用時，術語「包括」及/或「包含」指定所述特徵、區域、整體、步驟、操作、元件的存在及/或部件，但不排除一個或多個其它特徵、區域整體、步驟、操作、元件、部件及/或其組合的存在或添加。
以下將以圖式揭露本案之複數個實施方式，為明確說明起見，許多實務上的細節將在以下敘述中一併說明。然而，應瞭解到，這些實務上的細節不應用以限制本案。也就是說，在本揭示內容部分實施方式中，這些實務上的細節是非必要的。此外，為簡化圖式起見，一些習知慣用的結構與元件在圖式中將以簡單示意的方式繪示之。
第1圖為根據本案之一實施例所繪示之量子輔助學習系統100的示意圖。如第1圖所示，量子輔助學習系統100包含量子輔助裝置110及特徵學習處理器120。在一些實施例中，量子輔助裝置110用以接收量子信號QS1，並用以依據量子信號QS1產生多個經典(classical)特徵值FV1~FV12。
如第1圖所示，特徵學習處理器120耦接量子輔助裝置110，並用以接收經典特徵值FV1~FV12，以依據經典特徵值FV1~FV12產生函數F1。在一些實施例中，特徵學習處理器120更用以依據目標函數G1及經典特徵值FV1~FV12訓練函數F1，使得函數F1逼近目標函數G1。在一些實施例中，特徵學習處理器120更用以比較函數F1及目標函數G1，並依據函數F1及目標函數G1之間的差異調整量子輔助裝置110中的量子電路的數量。關於特徵學習處理器120之操作的細節在以下關於第5圖至第9圖的實施例中進一步說明。
在一些實施例中，量子信號QS1包含量子位元IB1~IB12。相對於一個古典位元具有邏輯值0或邏輯值1的狀態，量子位元IB1~IB12的每一者可以是邏輯值0和邏輯值1的疊加態。舉例來說，量子位元IB1~IB12的一者可以表達為A|0＞+B|1＞，其中參數A及參數B的每一者為複數(Complex number)，且|0＞及|1＞分別代表邏輯值0及邏輯值1的狀態。在一些實施例中，量子位元IB1~IB12的每一者可以表達為|0＞，亦即參數A=1及參數B=0，且量子信號QS1對應基態量子信號。
在一些實施例中，量子輔助裝置110包含量子電路列QR1~QR3及量測電路組130。量子電路列QR1用以依據量子位元IB1~IB4產生量子位元OB1~OB4。量子電路列QR2用以依據量子位元IB5~IB8產生量子位元OB5~OB8。量子電路列QR3用以依據量子位元IB9~IB12產生量子位元OB9~OB12。
如第1圖所示，量測電路組130耦接於量子電路列QR1及特徵學習處理器120之間，並耦接於量子電路列QR2及特徵學習處理器120之間，且耦接於量子電路列QR3及特徵學習處理器120之間。在一些實施例中，量測電路組130用以依據量子電路列QR1~QR3產生的量子位元OB1~OB12產生分別對應量子位元OB1~OB12的經典特徵值FV1~FV12，並用以提供經典特徵值FV1~FV12至特徵學習處理器120。
在一些實施例中，量測電路組130包含量測電路MC1~MC12。如第1圖所示，量測電路MC1~MC4耦接量子電路列QR1，並用以分別依據量子位元OB1~OB4產生經典特徵值FV1~FV4。量測電路MC5~MC8耦接量子電路列QR2，並用以分別依據量子位元OB5~OB8產生經典特徵值FV5~FV8。量測電路MC9~MC12耦接量子電路列QR3，並用以分別依據量子位元OB9~OB12產生經典特徵值FV9~FV12。
在一些實施例中，量測電路MC1~MC12的一者用以對量子位元OB1~OB12中的對應一者進行多次量測，並對量測結果取平均值以產生經典特徵值FV1~FV12的對應一者。舉例來說，當量子位元OB1=0.3|0＞+0.7|1＞，量測電路MC1對量子位元OB1進行十次量測並取得十個位元值1、1、0、1、1、0、0、1、1及1。上述十個位元值的平均值是0.7。對應地，經典特徵值FV1為0.7。
在一些實施例中，量子電路列QR1包含量子電路QC1。量子電路列QR2包含量子電路QC2及QC3。量子電路列QR3包含量子電路QC4~QC6。如第1圖所示，量子電路QC2及QC3串聯耦接，且量子電路QC4~QC6串聯耦接。
在一些實施例中，量子電路QC1用以對量子位元IB1~IB4進行量子運算U1以產生對應的量子位元OB1~OB4。量子電路QC2用以對量子位元IB5~IB8進行量子運算U1以產生對應的量子位元MB1~MB4。量子電路QC3用以對量子位元MB1~MB4進行量子運算U1以產生對應的量子位元OB5~OB8。量子電路QC4用以對量子位元IB9~IB12進行量子運算U1以產生對應的量子位元MB5~MB8。量子電路QC5用以對量子位元MB5~MB8進行量子運算U1以產生對應的量子位元MB9~MB12。量子電路QC6用以對量子位元MB9~MB12進行量子運算U1以產生對應的量子位元OB9~OB12。
在第1圖所示之實施例中，量子電路QC1~QC6的每一者用以處理四個量子位元，但本發明實施例不限於此。在各種實施例中，量子電路QC1~QC6的每一者可以用以對各種數量的量子位元進行量子運算。
如上所述，量子電路QC1~QC6的每一者用以進行相同的量子運算U1。在一些實施例中，量子運算U1對應將量子位元旋轉一特定的角度。關於量子運算U1的細節在以下關於第3A圖及第3B圖的實施例中進一步說明。在一些變化例中，量子電路QC1~QC6也可以用以進行不同的量子運算。
在一些做法中，在量子機器學習的過程中，量子電腦要反覆對量子閘的參數進行訓練，使得處理器需要重複地將訓練用的資料上傳至量子電腦以調整量子閘，耗費大量時間。此外，在對量子閘的參數進行訓練時需要進行微分。在對大量的量子位元進行微分時，會產生梯度消失問題（Vanishing gradient problem），亦即巴倫高原(Barren plateau)問題，使得訓練難以進行。
相較於上述做法，在本發明實施例中，量子輔助裝置110依據量子信號QS1產生經典特徵值FV1~FV12，特徵學習處理器120依據經典特徵值FV1~FV12進行訓練以產生函數F1。如此一來，不需要重複地回傳資料以訓練量子閘的參數，節省在量子電腦的佇列中排隊的時間。此外，梯度消失問題不會發生，使得特徵學習處理器120可以正常進行訓練。
第2圖為根據本案之一實施例所繪示之操作量子輔助學習系統100的方法200的流程圖。如第2圖所示，方法200包含操作OP21~OP25。在各種實施例中，第1圖所示之量子輔助學習系統100用以進行操作OP21~OP25的部分或全部。在一些變化例中，也可以藉由不同於量子輔助學習系統100的量子輔助學習系統進行操作OP21~OP25的部分或全部。
如第2圖所示，在操作OP21，經典輸入資料被轉換為量子信號QS1。舉例來說，經典輸入資料可以由上述的參數A及參數B表示。在操作OP22，量子輔助裝置110進行量子運算以產生量子位元OB1~OB12。在操作OP23，量測電路組130對量子位元OB1~OB12進行多次量測以產生對應的經典特徵值FV1~FV12。在操作OP24，特徵學習處理器120依據經典特徵值FV1~FV12產生函數F1。在操作OP25，特徵學習處理器120比較函數F1及目標函數G1，以確認訓練結果。
第3A圖為根據本案之一實施例所繪示之量子電路300A的示意圖。在一些實施例中，量子電路300A用以對量子位元B31~B34進行量子運算以產生量子位元B35~B38。
如第3A圖所示，量子電路300A包含量子運算元件R31~R34及CN31~CN33。在一些實施例中，量子運算元件R31用以將量子位元B31旋轉一角度，以產生量子位元B35。量子運算元件R32用以將量子位元B32旋轉一角度，以產生量子位元BM32。量子運算元件R33用以將量子位元B33旋轉一角度，以產生量子位元BM33。量子運算元件R34用以將量子位元B34旋轉一角度，以產生量子位元BM34。在一些實施例中，量子運算元件R31~R34的每一者用以將輸入的量子位元旋轉一相同的角度。
舉例來說，量子位元B31~B34分別對應複數e iQ1~e iQ4。在量子運算元件R31~R34對量子位元B31~B34進行處理後，所產生的量子位元B35、BM32、BM33及BM34分別對應複數e iQ1+Q5、e iQ2+Q5、e iQ3+Q5及e iQ4+Q5。其中Q1~Q5代表角度。
在一些實施例中，量子運算元件CN31~CN33對應受控反(controlled-NOT，CNOT)操作。如第3A圖所示，量子運算元件CN31用以對量子位元B35及BM32進行CNOT操作以產生量子位元B36。量子運算元件CN32用以對量子位元BM33及BM32進行CNOT操作以產生量子位元B37。量子運算元件CN33用以對量子位元BM33及BM34進行CNOT操作以產生量子位元B38。
請參照第3A圖及第1圖，在一些實施例中，量子電路QC1~QC6的每一者可以具有量子電路300A的配置，且量子運算U1係藉由量子運算元件R31~R34及CN31~CN33進行。舉例來說，當量子電路QC1係實施為量子電路300A時，量子位元IB1~IB4及OB1~OB4係分別實施為量子位元B31~B34及B35~B38。當量子電路QC2係實施為量子電路300A時，量子位元IB5~IB8及MB1~MB4係分別實施為量子位元B31~B34及B35~B38。當量子電路QC3係實施為量子電路300A時，量子位元MB1~MB4係分別實施為量子位元B31~B34及B35~B38。
類似地，當量子電路QC4係實施為量子電路300A時，量子位元IB9~IB12及MB5~MB8係分別實施為量子位元B31~B34及B35~B38。當量子電路QC5係實施為量子電路300A時，量子位元MB5~MB8及MB9~MB12係分別實施為量子位元B31~B34及B35~B38。當量子電路QC6係實施為量子電路300A時，量子位元MB9~MB12及OB9~OB12係分別實施為量子位元B31~B34及B35~B38。
第3B圖為根據本案之一實施例所繪示之量子電路300B的示意圖。在一些實施例中，量子電路300B用以對量子位元D31~D34進行量子運算以產生量子位元D35~D38。
如第3B圖所示，量子電路300B包含量子運算元件CR31~CR33。在一些實施例中，量子運算元件CR31~CR33對應受控旋轉(controlled rotation)之操作。在一些實施例中，量子運算元件CR31用以依據量子位元D31的邏輯狀態旋轉量子位元D32。舉例來說，在量子位元D31具有邏輯值1時，量子運算元件CR31用以將量子位元D32旋轉一角度以產生量子位元D36。在量子位元D31具有邏輯值0時，量子運算元件CR31不旋轉量子位元D32，且量子位元D36實質上等同於量子位元D32。
類似地，在一些實施例中，量子運算元件CR32用以依據量子位元D36的邏輯狀態旋轉量子位元D33以產生量子位元D37。量子運算元件CR33用以依據量子位元D37的邏輯狀態旋轉量子位元D34以產生量子位元D38。量子運算元件CR32對應量子位元D36、D33及D37之操作以及量子運算元件CR33對應量子位元D37、D34及D38之操作類似於量子運算元件CR31對應量子位元D31、D32及D36之操作。因此，部分細節不再重複說明。在一些實施例中，量子位元D35實質上等同於量子位元D31。
請參照第3B圖及第1圖，在一些實施例中，量子電路QC1~QC6的每一者可以具有量子電路300B的配置，且量子運算U1係藉由量子運算元件CR31~CR33進行。當量子電路QC1~QC6的一者係實施為量子電路300B時，量子位元D31~D38的對應關係類似於如上所述量子電路QC1~QC6的一者係實施為量子電路300A時，量子位元B31~B38的對應關係。因此，部分細節不再重複說明。
第4圖為根據本案之一實施例所繪示之量子輔助裝置400的示意圖。如第4圖所示，量子輔助裝置400包含K個量子電路列QR1~QRK以及量測電路組410。其中K為正整數。請參照第4圖及第1圖，量子輔助裝置400為量子輔助裝置110的一種實施例。量測電路組410類似於量測電路組130的操作。因此，部分細節不再重複說明。
在一些實施例中，對於小於或等於K的正整數N，第N列量子電路列QRN用以接收量子信號QS1的部分量子位元，並對量子位元進行N次量子運算U1以產生多個量子位元，使得量測電路組410可以對上述量子位元進行多次量測以產生對應的經典特徵值。在一些實施例中，如第1圖所示之特徵學習處理器120更用以依據上述經典特徵值產生函數F1。
在一些實施例中，第N列量子電路列QRN包含N個串聯耦接的量子電路，且上述N個量子電路的每一者用以進行相同的量子運算。舉例來說，第3列量子電路列QR3包含3個串聯耦接的量子電路QC4~QC6，且量子電路QC4~QC6的每一者用以進行相同的量子運算U1。
如第4圖所示，量子電路列QRK包含量子電路QC41、QC42及串聯耦接在量子電路QC41、QC42之間的(K-2)個量子電路QC43。在一些實施例中，量子電路QC41用以依據量子信號QS1的量子位元IB41~IB44產生量子位元MB41~MB44。量子電路QC42用以依據量子位元MB45~MB48產生量子位元OB41~OB44。(K-2)個量子電路QC43用以對量子位元MB41~MB44進行(K-2)次的量子運算U1以產生量子位元MB45~MB48。
在一些實施例中，量子輔助裝置400中的量子電路的數量可以由等差級數的公式表示。舉例來說，量子輔助裝置400具有(1+((K-1)×K/2))個量子電路。
請參照第3A圖、第3B圖及第4圖，在一些實施例中，量子電路QC41、QC42及 (K-2)個量子電路QC43中的每一量子電路可以實施為量子電路300A或量子電路300B的一者。
在一些實施例中，量測電路組410包含量測電路MC41~MC44。在一些實施例中，量測電路MC41~MC44用以對量子位元OB41~OB44的每一者進行多次量測以產生經典特徵值FV41~FV44的對應一者。在一些實施例中，如第1圖所示之特徵學習處理器120更用以依據經典特徵值FV41~FV44產生函數F1。
第5圖為根據本案之一實施例所繪示之操作量子輔助學習系統100的方法500的流程圖。如第5圖所示，方法500包含操作OP51~OP58。在各種實施例中，第1圖所示之量子輔助學習系統100用以進行操作OP51~OP58的部分或全部。在一些變化例中，也可以藉由不同於量子輔助學習系統100的量子輔助學習系統進行操作OP51~OP58的部分或全部。
如第5圖所示，在操作OP51，量子輔助學習系統100依據目標函數G1決定量子輔助裝置110中的量子電路的數量。舉例來說，依據目標函數G1的頻率決定量子輔助裝置110包含六個量子電路QC1~QC6。
在操作OP52，量子輔助學習系統100依據量子信號產生經典特徵值。舉例來說，量子輔助裝置110藉由量子電路QC1~QC6對量子信號QS1進行量子運算U1以產生經典特徵值FV1~FV12。在操作OP53，特徵學習處理器120依據經典特徵值FV1~FV12產生函數F1。
在操作OP54，特徵學習處理器120產生函數F1及目標函數G1之間的差異E1。在一些實施例中，差異E1可以藉由損失函數(loss function)表示。
在操作OP55，特徵學習處理器120比較差異E1及預設差異PE1。在操作OP56，特徵學習處理器120判斷差異E1是否大於預設差異PE1。當差異E1大於預設差異PE1，特徵學習處理器120進行操作OP58。當差異E1小於或等於預設差異PE1，特徵學習處理器120進行操作OP57。關於差異E1的細節在以下關於第6圖的實施例中進一步說明。
在操作OP58，特徵學習處理器120調整量子輔助裝置110中的量子電路的數量。關於操作OP58的細節在以下關於第7圖至第9圖的實施例中進一步說明。
在操作OP58之後，經調整的量子輔助裝置110重複操作OP52~OP56，以決定是否繼續調整量子電路的數量。在操作OP57，回應於差異E1小於或等於預設差異PE1，特徵學習處理器120判斷函數F1及目標函數G1足夠接近以及訓練完成。
在一些實施例中，方法500可以用來解非線性微分方程式。舉例來說，特徵學習處理器120藉由進行方法500以對應漸縮漸闊噴嘴(convergent-divergent nozzle)的微分方程式的目標函數G1產生接近目標函數G1的函數F1。在各種實施例中，特徵學習處理器120藉由進行方法500以對應各種微分方程式的目標函數G1產生接近目標函數G1的函數F1。
第6圖為根據本案之一實施例所繪示之量子輔助學習系統100產生的函數F1及目標函數G1的示意圖600。如第6圖所示，示意圖600的橫軸為變數x。函數F1及目標函數G1對應不同的變數x的值可以有不同的函數值。如第6圖所示，示意圖600的縱軸為函數F1的函數值F1(x)及目標函數G1的函數值G1(x)。
在一些實施例中，函數F1及目標函數G1之間的差異E1可以表示為|F1-G1|。換言之，在示意圖600中，差異E1的函數值E1(x)可以表示為|F1(x)-G1(x)|。在各種實施例中，差異E1也可以藉由各種其他的數學形式表示。舉例來說，差異E1也可以表示為|F1(x)-G1(x)|的積分。
第7圖為根據本案之一實施例所繪示之操作量子輔助學習系統100的流程圖。請參照第7圖及第5圖，第7圖繪示操作OP58在一些實施例中的細節。如第7圖所示，操作OP58可以包含操作OP71~OP73。
在操作OP71，判斷函數F1是否擬合過度(overfitting)。在操作OP72，當函數F1是擬合過度時，特徵學習處理器120減少量子輔助裝置110中的量子電路的數量。在操作OP73，當函數F1非擬合過度時，特徵學習處理器120增加量子輔助裝置110中的量子電路的數量。關於操作OP72及OP73的細節在以下關於第8圖及第9圖的實施例中進一步說明。
第8圖為根據本案之一實施例所繪示之對應增加量子電路的數量的操作OP73的示意圖800。在一些實施例中，特徵學習處理器120對量子輔助裝置110進行操作OP73以在量子輔助裝置110中增加量子電路列QR4。請參照第8圖及第4圖，量子電路列QR4為量子電路列QRK對應K等於四的一種實施例。因此，部分細節不再重複說明。
在一些實施例中，量子電路列QR4包含四個量子電路QC7~QC10。量子電路列QR4用以產生量子位元OB13~OB16。量測電路組(例如第4圖所示之量測電路組410)用以量測量子位元OB13~OB16以產生經典特徵值FV13~FV16。請參照第8圖及第4圖，量子位元OB13~OB16分別為量子位元OB41~OB44的實施例，且經典特徵值FV13~FV16分別為經典特徵值FV41~FV44的實施例。
請參照第8圖及第1圖，在一些實施例中，特徵學習處理器120更用以依據經典特徵值FV1~FV16產生函數F1。在一些實施例中，相較於依據經典特徵值FV1~FV12產生的函數F1，依據經典特徵值FV1~FV16產生的函數F1與目標函數G1之間的差異E1較小。
在一些實施例中，包含K列量子電路列的量子輔助裝置110包含(1+((K-1)×K/2))個量子電路。其中第一列量子電路列包含一個量子電路，第二列量子電路列包含二個量子電路，以此類推，第K列量子電路列包含K個量子電路。
在對上述量子輔助裝置110進行操作OP73時，包含(K+1)個量子電路的第(K+1)列量子電路列被增加至量子輔助裝置110中。換言之，在一些實施例中，在操作OP73，回應於量子輔助裝置110中的量子電路的數量為(1+((K-1)×K/2))，特徵學習處理器120在量子輔助裝置110中增加(K+1)個量子電路。舉例來說，在第8圖所繪示之實施例中，回應於量子輔助裝置110中的量子電路QC1~QC6的數量為六，特徵學習處理器120在量子輔助裝置110中增加四個量子電路。
在一些做法中，在機器學習的過程中，量子電腦要反覆對量子閘的參數進行訓練。用於機器學習的量子閘的數量不會改變。
相較於上述做法，在本發明實施例中，在操作OP73，回應於量子輔助裝置110中的量子電路的數量為(1+((K-1)×K/2))，特徵學習處理器120在量子輔助裝置110中增加(K+1)個量子電路。如此一來，特徵學習處理器120能夠系統性地增加量子電路的數量以訓練函數F1。
第9圖為根據本案之一實施例所繪示之對應減少量子電路的數量的操作OP72的示意圖900。在一些實施例中，特徵學習處理器120對量子輔助裝置110進行操作OP72以在量子輔助裝置110中移除量子電路列QR3。
請參照第9圖及第1圖，在一些實施例中，經調整的量子輔助裝置110不包含量子電路列QR3，並且只用以產生經典特徵值FV1~FV8。對應地，特徵學習處理器120用以只依據經典特徵值FV1~FV8產生函數F1。在一些實施例中，相較於依據經典特徵值FV1~FV12產生的函數F1，只依據經典特徵值FV1~FV8產生的函數F1與目標函數G1之間的差異E1較小。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
100:量子輔助學習系統 110、400:量子輔助裝置 120:特徵學習處理器 QS1:量子信號 FV1~FV16、FV41~FV44:經典特徵值 F1:函數 G1:目標函數 IB1~IB12、OB1~OB16、MB1~MB12、B31~B38、D31~D38、BM32~BM34、IB41~IB44、MB41~MB48、OB41~OB44:量子位元 QR1~QR4、QRN、QRK:量子電路列 QC1~QC10、QC41~QC43、300A、300B:量子電路 130、410:量測電路組 MC1~MC12、MC41~MC44:量測電路 U1:量子運算 200、500:方法 OP21~OP25、OP51~OP58、OP71~OP73:操作 R31~R34、CN31~CN33、CR31~CR33:量子運算元件 E1:差異 PE1:預設差異 600、800、900:示意圖 G1(x)、F1(x)、E1(x):函數值
第1圖為根據本案之一實施例所繪示之量子輔助學習系統的示意圖。 第2圖為根據本案之一實施例所繪示之操作量子輔助學習系統的方法的流程圖。 第3A圖為根據本案之一實施例所繪示之量子電路的示意圖。 第3B圖為根據本案之一實施例所繪示之量子電路的示意圖。 第4圖為根據本案之一實施例所繪示之量子輔助裝置的示意圖。 第5圖為根據本案之一實施例所繪示之操作量子輔助學習系統的方法的流程圖。 第6圖為根據本案之一實施例所繪示之量子輔助學習系統產生的函數及目標函數的示意圖。 第7圖為根據本案之一實施例所繪示之操作量子輔助學習系統的流程圖。 第8圖為根據本案之一實施例所繪示之對應增加量子電路的數量的操作的示意圖。 第9圖為根據本案之一實施例所繪示之對應減少量子電路的數量的操作的示意圖。
國內寄存資訊(請依寄存機構、日期、號碼順序註記) 無 國外寄存資訊(請依寄存國家、機構、日期、號碼順序註記) 無
100:量子輔助學習系統
110:量子輔助裝置
120:特徵學習處理器
QS1:量子信號
FV1~FV12:經典特徵值
F1:函數
G1:目標函數
IB1~IB12、OB1~OB12、MB1~MB12:量子位元
QR1~QR3:量子電路列
QC1~QC6:量子電路
130:量測電路組
MC1~MC12:量測電路
U1:量子運算

Claims (13)

  1. 一種量子輔助學習系統，包括：一量子輔助裝置，用以量測對應一量子信號的複數個量子位元以產生複數個經典特徵值，並包含用以處理該量子信號的複數個量子電路，其中該些量子電路的每一者用以進行相同的一量子運算；以及一特徵學習處理器，耦接該量子輔助裝置，並用以依據該些經典特徵值訓練一函數，其中該些量子電路包括：一第一量子電路，用以對該量子信號進行該量子運算以產生該些量子位元的一部分；一第二量子電路，用以對該量子信號進行該量子運算；以及一第三量子電路，與該第二量子電路串聯耦接，並用以進行該量子運算以產生該些量子位元的另一部分。
  2. 如請求項1所述之量子輔助學習系統，其中該第一量子電路更用以對該量子信號的一第一組量子位元進行該量子運算以產生該些量子位元中的一第二組量子位元；該第二量子電路更用以對該量子信號的一第三組量子位元進行該量子運算以產生一第四組量子位元；以及該第三量子電路更用以對該第四組量子位元進行該量子運算以產生該些量子位元中的一第五組量子位元。
  3. 如請求項2所述之量子輔助學習系統，其中該特徵學習處理器耦接該第一量子電路及該第三量子電路，並用以依據該些經典特徵值中對應該第二組量子位元的一第一組經典特徵值以及該些經典特徵值中對應該第五組量子位元的一第二組經典特徵值訓練該函數。
  4. 如請求項2所述之量子輔助學習系統，更包括：一量測電路組，耦接於該特徵學習處理器及該第一量子電路之間，並用以對該第二組量子位元的一第一量子位元進行複數次量測以產生該些經典特徵值中對應該第一量子位元的一第一經典特徵值，且用以對該第五組量子位元的一第二量子位元進行複數次量測以產生該些經典特徵值中對應該第二量子位元的一第二經典特徵值。
  5. 如請求項2所述之量子輔助學習系統，其中該些量子電路更包括：一第四量子電路，用以對該量子信號的一第六組量子位元進行該量子運算以產生一第七組量子位元；一第五量子電路，與該第四量子電路串聯耦接，用以對該第七組量子位元進行該量子運算以產生一第八組量子位元；以及一第六量子電路，與該第五量子電路串聯耦接，並用以 對該第八組量子位元進行該量子運算以產生該些量子位元中的一第九組量子位元。
  6. 如請求項1至5中任一項所述之量子輔助學習系統，其中該特徵學習處理器更用以在該函數及一目標函數之間的一差異大於一預設差異時，調整該些量子電路的一數量。
  7. 一種操作一量子輔助學習系統的方法，包括：依據一目標函數，決定一量子輔助裝置中的複數個量子電路的一數量；藉由該量子輔助裝置，依據一量子信號產生複數個經典特徵值；依據該些經典特徵值，產生一第一函數；以及依據該第一函數及該目標函數之間的一差異，調整該些量子電路的該數量。
  8. 如請求項7所述之方法，其中產生該些經典特徵值包括：藉由該些量子電路的每一者進行對應一旋轉角度的一量子運算，以產生多個量子位元；以及對該些量子位元的每一者進行多次量測，以產生該些經典特徵值。
  9. 如請求項7所述之方法，其中產生該些經典特徵值包括：對該量子信號的一第一組量子位元進行一量子運算，以產生一第二組量子位元；對該量子信號的一第三組量子位元進行該量子運算，以產生一第四組量子位元；對該量子信號的該第四組量子位元進行該量子運算，以產生一第五組量子位元；以及對該第二組量子位元及該第五組量子位元中的每一量子位元進行多次量測，以產生該些經典特徵值的至少一部份。
  10. 如請求項7至9中任一項所述之方法，其中調整該些量子電路的該數量包括：當該差異大於一預設差異時，回應於該些量子電路的該數量為(1+((K-1)×K/2))，在該量子輔助裝置中增加(K+1)個量子電路，其中K為正整數，且該(K+1)個量子電路的每一者用以進行相同的一量子運算。
  11. 一種操作一量子輔助學習系統的方法，包括：藉由複數個量子電路的每一者進行相同的一量子運算，以產生對應一量子信號的複數個量子位元；量測該些量子位元以產生複數個經典特徵值；依據該些經典特徵值訓練一函數；以及 在該函數及一目標函數之間的一差異大於一預設差異時，調整該些量子電路的一數量。
  12. 如請求項11所述之方法，其中進行相同的該量子運算更包括：藉由該些量子電路中的一第一量子電路對該量子信號的一第一組量子位元進行該量子運算以產生該些量子位元中的一第二組量子位元；以及藉由該些量子電路中的串聯耦接的N個第二量子電路對該量子信號的一第三組量子位元進行N次的該量子運算以產生該些量子位元中的一第四組量子位元，其中N是正整數。
  13. 如請求項12所述之方法，其中量測該些量子位元以產生該些經典特徵值更包括：對該第二組量子位元的一第一量子位元進行複數次量測以產生該些經典特徵值中對應該第一量子位元的一第一經典特徵值；以及對該第四組量子位元的一第二量子位元進行複數次量測以產生該些經典特徵值中對應該第二量子位元的一第二經典特徵值。
TW111121733A 2022-06-10 2022-06-10 量子輔助學習系統及其操作方法 TWI820745B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW111121733A TWI820745B (zh) 2022-06-10 2022-06-10 量子輔助學習系統及其操作方法
CN202211116178.3A CN117252267A (zh) 2022-06-10 2022-09-14 量子辅助学习系统及其操作方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW111121733A TWI820745B (zh) 2022-06-10 2022-06-10 量子輔助學習系統及其操作方法

Publications (2)

Publication Number Publication Date
TWI820745B true TWI820745B (zh) 2023-11-01
TW202349284A TW202349284A (zh) 2023-12-16

Family

ID=89128213

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111121733A TWI820745B (zh) 2022-06-10 2022-06-10 量子輔助學習系統及其操作方法

Country Status (2)

Country Link
CN (1) CN117252267A (zh)
TW (1) TWI820745B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102955855A (zh) * 2012-10-30 2013-03-06 河南理工大学 基于量子算法的掌纹数据库搜索方法
CN112749807A (zh) * 2021-01-11 2021-05-04 同济大学 一种基于生成模型的量子态层析方法
CN113098803B (zh) * 2021-03-25 2021-11-02 北京百度网讯科技有限公司 量子噪声信道的逆映射分解方法及装置、电子设备和介质
US20220141008A1 (en) * 2020-11-04 2022-05-05 Electronics And Telecommunications Research Institute Quantum key distribution system and operation method thereof

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102955855A (zh) * 2012-10-30 2013-03-06 河南理工大学 基于量子算法的掌纹数据库搜索方法
US20220141008A1 (en) * 2020-11-04 2022-05-05 Electronics And Telecommunications Research Institute Quantum key distribution system and operation method thereof
CN112749807A (zh) * 2021-01-11 2021-05-04 同济大学 一种基于生成模型的量子态层析方法
CN113098803B (zh) * 2021-03-25 2021-11-02 北京百度网讯科技有限公司 量子噪声信道的逆映射分解方法及装置、电子设备和介质

Also Published As

Publication number Publication date
CN117252267A (zh) 2023-12-19
TW202349284A (zh) 2023-12-16

Similar Documents

Publication Publication Date Title
CA2952594C (en) Quantum-assisted training of neural networks
WO2021098821A1 (zh) 神经网络系统中数据处理的方法、神经网络系统
CN108154240A (zh) 一种低复杂度的量子线路模拟系统
CN115526287A (zh) 用于存储器高效和参数高效的图神经网络的技术
Kung et al. A power-aware digital feedforward neural network platform with backpropagation driven approximate synapses
TWI820745B (zh) 量子輔助學習系統及其操作方法
CN107832851A (zh) 一种基于级联ghz态编码的逻辑量子比特量子门构造方法
Long et al. Lens-imaging learning Harris hawks optimizer for global optimization and its application to feature selection
Yan et al. iCELIA: A full-stack framework for STT-MRAM-based deep learning acceleration
JP2023521804A (ja) 量子データローダ
WO2023087910A1 (zh) 一种修正可变电阻器件阵列点乘误差的方法
Cheng et al. Ensemble of cuckoo search variants
CN109977025B (zh) 一种工业机器人伺服系统性能单工位测试建模调度方法
Salehizadeh et al. Local optima avoidable particle swarm optimization
CN111291892B (zh) 一种量子并行搜索方法
US11568217B2 (en) Sparse modifiable bit length deterministic pulse generation for updating analog crossbar arrays
Devitt et al. Programming a topological quantum computer
US20220019876A1 (en) Pulse generation for updating crossbar arrays
CN114511097A (zh) 基于量子线路的互学习方法及系统
JP7298284B2 (ja) 演算処理装置、演算処理プログラム、及び演算処理方法
CN115983391A (zh) 一种基于量子线路的图注意力机制实现装置
CN110717145A (zh) 基于对称稀疏矩阵技术的分段对称反向高斯-约当消元法
Behrman et al. Dynamic learning of pairwise and three-way entanglement
Liu et al. Research on intelligent test paper generation based on improved genetic algorithm
Kanade et al. On certain identities involving Nahm-type sums with double poles