CN111752630A - 一种量子测控***的初始化参数确定方法、设备及介质 - Google Patents
一种量子测控***的初始化参数确定方法、设备及介质 Download PDFInfo
- Publication number
- CN111752630A CN111752630A CN202010461057.7A CN202010461057A CN111752630A CN 111752630 A CN111752630 A CN 111752630A CN 202010461057 A CN202010461057 A CN 202010461057A CN 111752630 A CN111752630 A CN 111752630A
- Authority
- CN
- China
- Prior art keywords
- vector
- quantum
- model
- initialization parameter
- initialization
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000006243 chemical reaction Methods 0.000 claims abstract description 25
- 239000002096 quantum dot Substances 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 35
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005459 micromachining Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/4401—Bootstrapping
- G06F9/4406—Loading of operating system
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R13/00—Arrangements for displaying electric variables or waveforms
- G01R13/02—Arrangements for displaying electric variables or waveforms for displaying measured electric variables in digital form
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/02—Arrangements for measuring frequency, e.g. pulse repetition rate; Arrangements for measuring period of current or voltage
-
- 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
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44505—Configuring for program initiating, e.g. using registry, configuration files
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Superconductor Devices And Manufacturing Methods Thereof (AREA)
Abstract
本申请实施例公开了一种量子测控***的初始化参数确定方法、设备及介质，包括：通过量子测控***测量量子芯片中量子比特对应的第一谐振腔的频率以及第一测量数据；通过向量转换模块将所述第一谐振腔的频率与所述第一测量数据分别转化为第一向量与第二向量；将所述第一向量与所述第二向量输入至预先训练的初始化参数设定模型中，确定出量子测控***的初始化参数。本说明书实施例通过初始化参数确定***确定出量子测控***的初始化参数，使得超导量子计算机可以正常运行。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种量子测控***的初始化参数确定方法、设备及介质。
背景技术
超导量子计算机的核心是量子芯片和量子测控***，通过量子测控***可以将设计好的量子电路转换成相应的量子控制脉冲信号，进而实现操控量子计算机的运作。其中，量子比特的初始化阶段是超导量子计算机执行量子计算应用程序的基础，期间需要确定量子测控***的初始化参数。由于涉及量子测控***与量子芯片等高精度物理设备，同时还要考虑量子亏损等不可预测的因素，现有技术确定量子测控***的初始化参数时存在困难。
发明内容
有鉴于此，本申请实施例提供了一种量子测控***的初始化参数确定方法、设备及介质，用于解决现有技术中确定量子测控***的初始化参数时存在困难的问题。
本申请实施例采用下述技术方案：
本申请实施例提供一种量子测控***的初始化参数确定方法，其特征在于，所述方法包括：
通过量子测控***测量量子芯片中量子比特对应的第一谐振腔的频率以及第一测量数据；
通过向量转换模块将所述第一谐振腔的频率与所述第一测量数据分别转化为第一向量与第二向量；
将所述第一向量与所述第二向量输入至预先训练的初始化参数设定模型中，确定出量子测控***的初始化参数。
进一步的，所述初始化参数设定模型包括第一模型与第二模型；
所述将所述第一向量与所述第二向量输入至预先训练的初始化参数设定模型中，确定出量子测控***的初始化参数之前，所述方法还包括：
通过量子测控***测量量子芯片中量子比特对应的第二谐振腔的频率、第二测量数据以及真实物理量子计算机环境下初始化参数；
通过所述向量转换模块将所述第二谐振腔的频率转化为第一模型对应的第三向量与所述第二模型对应的第四向量，并通过所述向量转换模块将所述第二测量数据转化为第五向量；
根据量子芯片的量子比特数量，设定初始的第一模型与初始的第二模型生成初始化参数所占的比例；
根据所述第三向量、所述第五向量以及所述真实物理量子计算机环境下初始化参数，训练所述初始的第一模型，得出符合条件的第一模型；
将所述第三向量与所述第五向量输入至所述符合条件的第一模型，得出第一初始化参数；
根据所述第四向量、所述第五向量、所述第一初始化参数以及所述真实物理量子计算机环境下初始化参数，训练所述初始的第二模型，得出符合条件的第二模型。
进一步的，所述第一模型包括第一生成器与第一辨别器；
所述根据所述第三向量、所述第五向量以及所述真实物理量子计算机环境下初始化参数，训练所述初始的第一模型，得出符合条件的第一模型，具体包括：
固定所述第一生成器的网络参数，根据所述第三向量、所述第五向量以及所述真实物理量子计算机环境下初始化参数，训练所述第一辨别器；
固定训练后的第一辨别器的网络参数，更新所述第一生成器的网络参数；
经过多次训练所述第一辨别器与所述第一生成器，得出符合条件的第一模型。
进一步的，所述根据所述第四向量、所述第五向量以及所述真实物理量子计算机环境下初始化参数，训练所述第一辨别器，具体包括：
将所述第四向量与所述第五向量输入至所述第一生成器，输出第一初始化参数；
通过所述第一初始化参数与所述真实物理量子计算机环境下初始化参数训练所述第一辨别器。
进一步的，所述第二模型包括第二生成器与第二辨别器；
所述根据所述第四向量、所述第五向量、所述第一初始化参数以及所述真实物理量子计算机环境下初始化参数，训练所述初始的第二模型，得出符合条件的第二模型，具体包括：
固定所述第二生成器的网络参数，根据所述第四向量、所述第五向量、所述第一初始化参数以及所述真实物理量子计算机环境下初始化参数，训练所述第二辨别器；
固定训练后的第二辨别器的网络参数，更新所述第二生成器的网络参数；
经过多次训练所述第二辨别器与所述第二生成器，得出符合条件的第二模型。
进一步的，所述根据所述第四向量、所述第五向量、所述第一初始化参数以及所述真实物理量子计算机环境下初始化参数，训练所述第二辨别器，具体包括：
将所述第四向量、所述第五向量及所述第一初始化参数输入至所述第二生成器，输出第二初始化参数；
通过所述第二初始化参数与所述真实物理量子计算机环境下初始化参数训练所述第二辨别器。
进一步的，所述通过向量转换模块将所述第一谐振腔的频率与所述第一测量数据分别转化为第一向量与第二向量，具体包括：
通过所述向量转化模块将所述第一谐振腔的频率转化为所述第一模型对应的第六向量以及所述第二模型对应的第七向量，并通过所述向量转换模块将所述第一测量数据转化为所述第二向量。
进一步的，所述第一测量数据包括量子测控***测量的波形及频率。
本申请实施例还提供一种量子测控***的初始化参数确定方法设备，所述设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
通过量子测控***测量量子芯片中量子比特对应的第一谐振腔的频率以及第一测量数据；
通过向量转换模块将所述第一谐振腔的频率与所述第一测量数据分别转化为第一向量与第二向量；
将所述第一向量与所述第二向量输入至预先训练的初始化参数设定模型中，确定出量子测控***的初始化参数。
本申请实施例还提供一种交通事故处理介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
通过量子测控***测量量子芯片中量子比特对应的第一谐振腔的频率以及第一测量数据；
通过向量转换模块将所述第一谐振腔的频率与所述第一测量数据分别转化为第一向量与第二向量；
将所述第一向量与所述第二向量输入至预先训练的初始化参数设定模型中，确定出量子测控***的初始化参数。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：本说明书实施例通过初始化参数确定***确定出量子测控***的初始化参数，使得超导量子计算机可以正常运行。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例一提供的一种量子测控***的初始化参数确定方法的流程示意图；
图2为本说明书实施例二提供的一种量子测控***的初始化参数确定方法的流程示意图；
图3为本说明书实施例二提供的初始化参数确定***的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例一提供的一种量子测控***的初始化参数确定方法的流程示意图，本说明书实施例可以由初始化参数确定***执行下述步骤，具体包括：
步骤S101，初始化参数确定***通过量子测控***测量量子芯片中量子比特对应的第一谐振腔的频率以及第一测量数据。
步骤S102，初始化参数确定***通过向量转换模块将所述第一谐振腔的频率与所述第一测量数据分别转化为第一向量与第二向量。
步骤S103，初始化参数确定***将所述第一向量与所述第二向量输入至预先训练的初始化参数设定模型中，确定出量子测控***的初始化参数。
与本说明书实施例一相对应的是，图2为本说明书实施例二提供的一种量子测控***的初始化参数确定方法的流程示意图，本说明书实施例可以由初始化参数确定***执行下述步骤，具体包括：
步骤S201，初始化参数确定***通过量子测控***测量量子芯片中量子比特对应的第二谐振腔的频率、第二测量数据以及真实物理量子计算机环境下初始化参数。
在本说明书实施例的步骤S201中，谐振腔，是用以使高频电磁场在其内持续振荡的金属空腔。谐振腔的形式很多，最常见的是矩形谐振腔和园柱形谐振腔。在谐振腔内，其频率大小与谐振腔的形状、几何尺寸及谐振的波型有关。第二测量数据包括量子测控***测量的波形及频率。真实物理量子计算机环境下初始化参数是量子计算机在初始化阶段的实际参数。
步骤S202，初始化参数确定***通过所述向量转换模块将所述第二谐振腔的频率转化为第一模型对应的第三向量与所述第二模型对应的第四向量，并通过所述向量转换模块将所述第二测量数据转化为第五向量。
在本说明书实施例的步骤S202中，向量转换模块可以为编码神经网络Ev模型。比如，第三向量可以为100bit的谐振腔的频率转化的向量，第四向量可以为400bit的谐振腔的频率转化的向量。
步骤S203，初始化参数确定***根据量子芯片的量子比特数量，设定初始的第一模型与初始的第二模型生成初始化参数所占的比例。
在本说明书实施例的步骤S203中，本步骤是设置第一模型与第二模型生成初始化参数所占的比例，初始化参数可以为量子比特控制数据，比如，可以设定第一模型产生的量子比特控制数据是第二模型产生的量子比特控制数据的四分之一或者八分之一。
步骤S204，初始化参数确定***根据所述第三向量、所述第五向量以及所述真实物理量子计算机环境下初始化参数，训练所述初始的第一模型，得出符合条件的第一模型。
在本说明书实施例的步骤S204中，所述第一模型包括第一生成器与第一辨别器；
所述根据所述第三向量、所述第五向量以及所述真实物理量子计算机环境下初始化参数，训练所述初始的第一模型，得出符合条件的第一模型，具体包括：
初始化第一生成器与第一辨别器；
固定所述第一生成器的网络参数，根据所述第三向量、所述第五向量以及所述真实物理量子计算机环境下初始化参数，训练所述第一辨别器；
固定训练后的第一辨别器的网络参数，更新所述第一生成器的网络参数，使得第一辨别器无法区分第一生成器产生的初始化参数和来自真实物理量子计算机的初始化参数，即第一模型形成的网络输出值越大越好；
经过多次训练所述第一辨别器与所述第一生成器，得出符合条件的第一模型。
进一步的，根据所述第三向量、所述第五向量以及所述真实物理量子计算机环境下初始化参数，训练所述第一辨别器，具体包括：
将所述第三向量与所述第五向量输入至所述第一生成器，输出第一初始化参数；
通过所述第一初始化参数与所述真实物理量子计算机环境下初始化参数训练所述第一辨别器。
需要说明的是，对于产生的第一初始化参数必须与真实控制数据模式接近，同时产生的第一初始化参数必须对应于输入的测量数据。
步骤S205，初始化参数确定***将所述第三向量与所述第五向量输入至所述符合条件的第一模型，得出第一初始化参数。
步骤S206，初始化参数确定***根据所述第四向量、所述第五向量、所述第一初始化参数以及所述真实物理量子计算机环境下初始化参数，训练所述初始的第二模型，得出符合条件的第二模型，其中，第一模型与第二模型构成初始化参数设定模型。
进一步的，在本说明书实施例的步骤S206中，第二模型包括第二生成器与第二辨别器。
所述根据所述第四向量、所述第五向量、所述第一初始化参数以及所述真实物理量子计算机环境下初始化参数，训练所述初始的第二模型，得出符合条件的第二模型，具体包括：
固定所述第二生成器的网络参数，根据所述第四向量、所述第五向量、所述第一初始化参数以及所述真实物理量子计算机环境下初始化参数，训练所述第二辨别器；
固定训练后的第二辨别器的网络参数，更新所述第二生成器的网络参数，使得第二辨别器无法区分第二生成器产生的初始化参数和来自真实物理量子计算机的初始化参数，即第二模型形成的网络输出值越大越好；
经过多次训练所述第二辨别器与所述第二生成器，得出符合条件的第二模型。
进一步的，根据所述第四向量、所述第五向量、所述第一初始化参数以及所述真实物理量子计算机环境下初始化参数，训练所述第二辨别器，具体包括：
将所述第四向量、所述第五向量及所述第一初始化参数输入至所述第二生成器，输出第二初始化参数；
通过所述第二初始化参数与所述真实物理量子计算机环境下初始化参数训练所述第二辨别器。
需要说明的是，对于产生的第二初始化参数必须与真实控制数据模式接近，同时产生的第二初始化参数必须对应于输入的测量数据。
步骤S207，初始化参数确定***通过量子测控***测量量子芯片中量子比特对应的第一谐振腔的频率以及第一测量数据。
在本说明书实施例的步骤S207中，第一测量数据包括量子测控***测量的波形及频率。
步骤S208，初始化参数确定***通过所述向量转化模块将所述第一谐振腔的频率转化为所述第一模型对应的第六向量以及所述第二模型对应的第七向量，并通过所述向量转换模块将所述第一测量数据转化为所述第二向量。
步骤S209，初始化参数确定***将所述第二向量、所述第六向量及所述第七向量输入至预先训练的初始化参数设定模型中，确定出量子测控***的初始化参数。
在本说明书实施例的步骤S209中，量子测控***的初始化参数是第一模型生成的第一初始化参数与初始的第二模型生成的第二初始化参数之和。
进一步的，在确定出量子测控***的初始化参数之后，可以将生成的初始化参数反馈给量子测控***，量子测控***根据该初始化参数，验证初始化效果，并持续收集真实量子计算机运行过程反馈的数据，不断优化初始化参数设定模型，进而提高量子计算机初始化效率，进而提升量子计算应用程序执行准确率。
需要说明的是，本说明书实施例可以是应用生成对抗网络(GAN,GenerativeAdversarial Networks)，GAN网络主要结构包括一个生成器G(Generator)和一个辨别器D(Discriminator)，采用基于博弈式的训练过程，两个网络相互对抗、不断调整参数，最终达到纳什均衡状态。目前，GAN网络被广泛应用于生成领域，GAN可以产生令人印象深刻的结果，并且可以控制平滑且合理的语义变化，成为最重要的学习任意复杂数据分布的生成模型框架。
需要说明的是，本说明书实施例中的量子计算机(Quantum Computer)可以超越现在最好的经典超级计算机，几乎所有的基础问题已经在理论上得到了解决。要实现量子计算机在工程上还有很大挑战，超导量子计算其***工作在超低温环境下，其核心是超导量子芯片，通过在微波频率上施加脉冲波形来实现对量子位的操控，并且在微波电子器件的制作上可以利用现有的半导体微加工工艺，成为目前比较可靠的实现量子计算的物理***之一。
需要说明的是，本说明书实施例中超导量子计算机的核心是量子芯片和量子测控***，通过量子测控***可以将设计好的量子电路转换成相应的量子控制脉冲信号，进而实现操控量子计算机运作。对于量子比特的初始化是超导量子计算机执行量子计算应用程序的基础，由于涉及测控***与量子芯片等高精度物理设备，同时要考虑量子亏损等不可预测的因素，目前还存在一些技术难点。在这种情况下，本说明书实施例利用GAN和深度学习技术，在初始化阶段精确地设定量子测控***的初始化参数，以实现量子测控***与量子芯片的完美对接。其中，超导量子计算机包括量子芯片、量子测控***、制冷***以及量子服务***，所述的量子芯片工作在超低温环境下，通过所述的量子服务***的温度控制单元、真空控制单元等控制模块来与制冷设备、量子芯片进行交互，通过所述的量子测控***的微波源，在微波频率上施加脉冲波形来实现对量子位的操控。
需要说明的是，本说明书实施例中的初始化参数确定***主要由向量转换模块和初始化参数设定模型构成，初始化参数确定***可以将量子测控***测量的频率、波形信息通过所述的向量转换模块生成向量，初始化参数设定模型包含第一模型和第二模型两个子网络模型，可以根据实际量子比特数量来设定第一模型与初始的第二模型控中生成量子比特所占的比例，第一模型由第一生成器和第一辨别器构成，第一生成器根据经过向量转换模块得到的向量生成量子测控***微波源本振频率和振幅等控制数据，第一辨别器可以是一个二元分类器网络，用来区分是来自真实量子计算机的微波源控制数据，还是由第一生成器产生，同时满足微波源控制数据与经过量子芯片操作得到的测量数据对应；第二模型由第二生成器和第二辨别器构成，第二生成器将第一模型中第一生成器生成的数据以及向量转换模块得到的向量作为输入，生成量子测控***更多量子位涉及的控制数据；第二辨别器是一个二元分类器网络，用来区分是来自真实量子计算机的微波源控制数据，还是由第二生成器产生，同时满足微波源控制数据与经过量子芯片操作得到的测量数据对应。
参见图3，示出了初始化参数确定***的结构示意图，谐振腔频率通过编码器转化为第一模型对应的向量fs，测量数据通过编码器Ev生成向量v，向量v与向量fs皆输入至生成器Gs，生成器Gs输出生成控制数据(第一部分初始化参数)，并将生成控制数据与真实量子计算控制数据同时输入辨别器Ds，输出判断结果。此外，向量fs与向量v也输入至辨别器Ds。谐振腔频率通过编码器转化为第二模型对应的向量fl，将向量fl与向量v输入至生成器Gl，生成器Gl输出生成控制数据(第二部分初始化参数)，并将生成控制数据与真实量子计算控制数据同时输入辨别器Dl，输出判断结果。此外，向量fl与向量v也输入至辨别器Dl。
本申请实施例还提供一种量子测控***的初始化参数确定方法设备，所述设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
通过量子测控***测量量子芯片中量子比特对应的第一谐振腔的频率以及第一测量数据；
通过向量转换模块将所述第一谐振腔的频率与所述第一测量数据分别转化为第一向量与第二向量；
将所述第一向量与所述第二向量输入至预先训练的初始化参数设定模型中，确定出量子测控***的初始化参数。
本申请实施例还提供一种交通事故处理介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
通过量子测控***测量量子芯片中量子比特对应的第一谐振腔的频率以及第一测量数据；
通过向量转换模块将所述第一谐振腔的频率与所述第一测量数据分别转化为第一向量与第二向量；
将所述第一向量与所述第二向量输入至预先训练的初始化参数设定模型中，确定出量子测控***的初始化参数。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种量子测控***的初始化参数确定方法，其特征在于，所述方法包括：
通过量子测控***测量量子芯片中量子比特对应的第一谐振腔的频率以及第一测量数据；
通过向量转换模块将所述第一谐振腔的频率与所述第一测量数据分别转化为第一向量与第二向量；
将所述第一向量与所述第二向量输入至预先训练的初始化参数设定模型中，确定出量子测控***的初始化参数。
2.根据权利要求1所述的量子测控***的初始化参数确定方法，其特征在于，所述初始化参数设定模型包括第一模型与第二模型；
所述将所述第一向量与所述第二向量输入至预先训练的初始化参数设定模型中，确定出量子测控***的初始化参数之前，所述方法还包括：
通过量子测控***测量量子芯片中量子比特对应的第二谐振腔的频率、第二测量数据以及真实物理量子计算机环境下初始化参数；
通过所述向量转换模块将所述第二谐振腔的频率转化为第一模型对应的第三向量与所述第二模型对应的第四向量，并通过所述向量转换模块将所述第二测量数据转化为第五向量；
根据量子芯片的量子比特数量，设定初始的第一模型与初始的第二模型生成初始化参数所占的比例；
根据所述第三向量、所述第五向量以及所述真实物理量子计算机环境下初始化参数，训练所述初始的第一模型，得出符合条件的第一模型；
将所述第三向量与所述第五向量输入至所述符合条件的第一模型，得出第一初始化参数；
根据所述第四向量、所述第五向量、所述第一初始化参数以及所述真实物理量子计算机环境下初始化参数，训练所述初始的第二模型，得出符合条件的第二模型。
3.根据权利要求2所述的量子测控***的初始化参数确定方法，其特征在于，所述第一模型包括第一生成器与第一辨别器；
所述根据所述第三向量、所述第五向量以及所述真实物理量子计算机环境下初始化参数，训练所述初始的第一模型，得出符合条件的第一模型，具体包括：
固定所述第一生成器的网络参数，根据所述第三向量、所述第五向量以及所述真实物理量子计算机环境下初始化参数，训练所述第一辨别器；
固定训练后的第一辨别器的网络参数，更新所述第一生成器的网络参数；
经过多次训练所述第一辨别器与所述第一生成器，得出符合条件的第一模型。
4.根据权利要求3所述的量子测控***的初始化参数确定方法，其特征在于，所述根据所述第四向量、所述第五向量以及所述真实物理量子计算机环境下初始化参数，训练所述第一辨别器，具体包括：
将所述第四向量与所述第五向量输入至所述第一生成器，输出第一初始化参数；
通过所述第一初始化参数与所述真实物理量子计算机环境下初始化参数训练所述第一辨别器。
5.根据权利要求2所述的量子测控***的初始化参数确定方法，其特征在于，所述第二模型包括第二生成器与第二辨别器；
所述根据所述第四向量、所述第五向量、所述第一初始化参数以及所述真实物理量子计算机环境下初始化参数，训练所述初始的第二模型，得出符合条件的第二模型，具体包括：
固定所述第二生成器的网络参数，根据所述第四向量、所述第五向量、所述第一初始化参数以及所述真实物理量子计算机环境下初始化参数，训练所述第二辨别器；
固定训练后的第二辨别器的网络参数，更新所述第二生成器的网络参数；
经过多次训练所述第二辨别器与所述第二生成器，得出符合条件的第二模型。
6.根据权利要求5所述的量子测控***的初始化参数确定方法，其特征在于，所述根据所述第四向量、所述第五向量、所述第一初始化参数以及所述真实物理量子计算机环境下初始化参数，训练所述第二辨别器，具体包括：
将所述第四向量、所述第五向量及所述第一初始化参数输入至所述第二生成器，输出第二初始化参数；
通过所述第二初始化参数与所述真实物理量子计算机环境下初始化参数训练所述第二辨别器。
7.根据权利要求2所述的量子测控***的初始化参数确定方法，其特征在于，所述通过向量转换模块将所述第一谐振腔的频率与所述第一测量数据分别转化为第一向量与第二向量，具体包括：
通过所述向量转化模块将所述第一谐振腔的频率转化为所述第一模型对应的第六向量以及所述第二模型对应的第七向量，并通过所述向量转换模块将所述第一测量数据转化为所述第二向量。
8.根据权利要求1-7任一项所述的量子测控***的初始化参数确定方法，其特征在于，所述第一测量数据包括量子测控***测量的波形及频率。
9.一种量子测控***的初始化参数确定设备，其特征在于，所述设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
通过量子测控***测量量子芯片中量子比特对应的第一谐振腔的频率以及第一测量数据；
通过向量转换模块将所述第一谐振腔的频率与所述第一测量数据分别转化为第一向量与第二向量；
将所述第一向量与所述第二向量输入至预先训练的初始化参数设定模型中，确定出量子测控***的初始化参数。
10.一种量子测控***的初始化参数确定介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：
通过量子测控***测量量子芯片中量子比特对应的第一谐振腔的频率以及第一测量数据；
通过向量转换模块将所述第一谐振腔的频率与所述第一测量数据分别转化为第一向量与第二向量；
将所述第一向量与所述第二向量输入至预先训练的初始化参数设定模型中，确定出量子测控***的初始化参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010461057.7A CN111752630A (zh) | 2020-05-27 | 2020-05-27 | 一种量子测控***的初始化参数确定方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010461057.7A CN111752630A (zh) | 2020-05-27 | 2020-05-27 | 一种量子测控***的初始化参数确定方法、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111752630A true CN111752630A (zh) | 2020-10-09 |
Family
ID=72673548
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010461057.7A Pending CN111752630A (zh) | 2020-05-27 | 2020-05-27 | 一种量子测控***的初始化参数确定方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111752630A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114065939A (zh) * | 2021-11-22 | 2022-02-18 | 北京百度网讯科技有限公司 | 量子芯片设计模型的训练方法、装置、设备及存储介质 |
| CN114326494A (zh) * | 2021-12-21 | 2022-04-12 | 华东计算技术研究所（中国电子科技集团公司第三十二研究所） | 超导量子计算机的量子测控***和方法 |
| CN114362766A (zh) * | 2021-12-30 | 2022-04-15 | 深圳量旋科技有限公司 | 一种用于超导量子比特测控的射频电路板 |
| CN118171700A (zh) * | 2024-04-26 | 2024-06-11 | 晶存阵列(上海)科技有限公司 | 多条件gan模型的训练方法、电子设备和可读存储介质 |
-
2020
- 2020-05-27 CN CN202010461057.7A patent/CN111752630A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114065939A (zh) * | 2021-11-22 | 2022-02-18 | 北京百度网讯科技有限公司 | 量子芯片设计模型的训练方法、装置、设备及存储介质 |
| CN114326494A (zh) * | 2021-12-21 | 2022-04-12 | 华东计算技术研究所（中国电子科技集团公司第三十二研究所） | 超导量子计算机的量子测控***和方法 |
| CN114362766A (zh) * | 2021-12-30 | 2022-04-15 | 深圳量旋科技有限公司 | 一种用于超导量子比特测控的射频电路板 |
| CN114362766B (zh) * | 2021-12-30 | 2024-02-23 | 深圳量旋科技有限公司 | 一种用于超导量子比特测控的射频电路板 |
| CN118171700A (zh) * | 2024-04-26 | 2024-06-11 | 晶存阵列(上海)科技有限公司 | 多条件gan模型的训练方法、电子设备和可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111752630A (zh) | 一种量子测控***的初始化参数确定方法、设备及介质 | |
| TWI680656B (zh) | 基於區塊鏈的資料處理方法及設備 | |
| CN107368524B (zh) | 一种对话生成方法、装置以及电子设备 | |
| CN107957989B (zh) | 基于集群的词向量处理方法、装置以及设备 | |
| WO2018214897A1 (zh) | 一种数据库状态确定方法、一致性验证方法及装置 | |
| CN110457403B (zh) | 图网络决策***、方法及知识图谱的构建方法 | |
| Zhao | A remark on" Scalar equations for synchronous Boolean networks with biological Applications" by C. Farrow, J. Heidel, J. Maloney, and J. Rogers | |
| CN108665277A (zh) | 一种信息处理方法及装置 | |
| CN108268289A (zh) | web应用的参数配置方法、装置及*** | |
| CN108764667A (zh) | 风险数据确定方法及装置 | |
| CN109582774A (zh) | 自然语言分类方法、装置、设备及存储介质 | |
| CN116842715B (zh) | 一种仿真数据结构化处理*** | |
| CN110119381A (zh) | 一种索引更新方法、装置、设备及介质 | |
| CN113792889A (zh) | 一种模型的更新方法、装置及设备 | |
| CN111753990B (zh) | 一种量子计算机模拟环境方法、设备及介质 | |
| CN115600090A (zh) | 一种模型的所有权验证方法、装置、存储介质及电子设备 | |
| CN107645541B (zh) | 数据存储方法、装置及服务器 | |
| Vaidyanathan | Anti-synchronization of novel coupled Van der Pol conservative chaotic systems via adaptive control method | |
| CN109325127A (zh) | 一种风险识别方法和装置 | |
| CN115017915B (zh) | 一种模型训练、任务执行的方法及装置 | |
| CN117540254A (zh) | 非侵入式工业负荷特征分解方法、装置、***和介质 | |
| CN116756293A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| CN114490001A (zh) | 一种聚合事件流的执行方法、装置以及设备 | |
| CN115840910A (zh) | 一种训练样本的生成方法、装置、存储介质及电子设备 | |
| He et al. | Design and implementation of signal generator based on DDS |
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 |