CN112561069B - 模型处理方法、装置、设备及存储介质 - Google Patents

模型处理方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112561069B
CN112561069B CN202011548207.4A CN202011548207A CN112561069B CN 112561069 B CN112561069 B CN 112561069B CN 202011548207 A CN202011548207 A CN 202011548207A CN 112561069 B CN112561069 B CN 112561069B
Authority
CN
China
Prior art keywords
quantum circuit
parameterized quantum
parameterized
sample
coding information
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.)
Active
Application number
CN202011548207.4A
Other languages
English (en)
Other versions
CN112561069A (zh
Inventor
王鑫
李广西
陈然一鎏
王友乐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202011548207.4A priority Critical patent/CN112561069B/zh
Publication of CN112561069A publication Critical patent/CN112561069A/zh
Application granted granted Critical
Publication of CN112561069B publication Critical patent/CN112561069B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了模型处理方法、装置、设备、存储介质及产品，涉及量子计算领域。具体实现方案为：获取待进行训练的参数化量子电路样本的编码信息；计算待进行训练的参数化量子电路样本的参数梯度的二阶矩；将所述参数化量子电路样本的参数梯度的二阶矩作为标签，并对所述参数化量子电路样本的编码信息进行标注，得到标注后的编码信息；将所述标注后的编码信息输入至预设神经网络进行模型训练，并在训练完成后得到目标神经网络，其中，所述目标神经网络能够基于输入的待预测的参数化量子电路的编码信息，预测得到所述待预测的参数化量子电路的参数梯度的二阶矩估计值。如此，能够有效对参数化量子电路的特征进行评估。

Description

模型处理方法、装置、设备及存储介质
技术领域
本公开涉及数据处理技术领域，尤其涉及量子计算领域。
背景技术
量子计算中的一个非常重要的组件是变分量子特征求解器(VQE， VariationalQuantum Eigensolver)，该变分量子特征求解器使用有噪中规量子(NISQ，NoisyIntermediate-Scale Quantum)计算机即可提取物理***的基态信息。特别的，利用变分量子特征求解器求解得到的基态信息的效果和在求解过程中所给定的参数化量子电路是紧密相关的，可以影响最终制备的基态信息的精度以及所需的时间(也即所需的量子资源)。因此，如何评估参数化量子电路，以选取出合适的参数化量子电路来减少所需的量子资源，成为亟待解决的问题。
发明内容
本公开提供了一种应用于参数化量子电路的模型处理方法、装置、设备、存储介质及产品。
根据本公开的一方面，提供了一种应用于参数化量子电路的模型处理方法，包括：
获取待进行训练的参数化量子电路样本的编码信息；
计算待进行训练的参数化量子电路样本的参数梯度的二阶矩；
将所述参数化量子电路样本的参数梯度的二阶矩作为标签，并对所述参数化量子电路样本的编码信息进行标注，得到标注后的编码信息；
将所述标注后的编码信息输入至预设神经网络进行模型训练，并在训练完成后得到目标神经网络，其中，所述目标神经网络能够基于输入的待预测的参数化量子电路的编码信息，预测得到所述待预测的参数化量子电路的参数梯度的二阶矩估计值。
根据本公开的另一方面，提供了一种应用于参数化量子电路的模型处理装置，包括：
编码信息获取单元，用于获取待进行训练的参数化量子电路样本的编码信息；
计算单元，用于计算待进行训练的参数化量子电路样本的参数梯度的二阶矩；
样本数据处理单元，用于将所述参数化量子电路样本的参数梯度的二阶矩作为标签，并对所述参数化量子电路样本的编码信息进行标注，得到标注后的编码信息；
模型训练单元，用于将所述标注后的编码信息输入至预设神经网络进行模型训练，并在训练完成后得到目标神经网络，其中，所述目标神经网络能够基于输入的待预测的参数化量子电路的编码信息，预测得到所述待预测的参数化量子电路的参数梯度的二阶矩估计值。
根据本公开的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行本公开任一实施例中的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开任一实施例中的方法。
根据本公开的技术能够有效对参数化量子电路的特征进行评估，进而为选取出满足要求的参数化量子电路奠定了基础。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开实施例应用于参数化量子电路的模型处理方法的流程示意图；
图2是根据本公开实施例应用于参数化量子电路的模型处理方法在一具体示例中的流程示意图一；
图3是根据本公开实施例应用于参数化量子电路的模型处理方法在一具体示例中的流程示意图二；
图4是根据本公开实施例应用于参数化量子电路的模型处理方法在一具体示例中的参数化量子电路的示意图；
图5是根据本公开实施例应用于参数化量子电路的模型处理装置的结构示意图；
图6是用来实现本公开实施例的应用于参数化量子电路的模型处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在物理和化学等学科中，一个非常重要的问题就是提取分子、原子等物理***的基态(Ground State)的信息，简称基态信息。一般的，物理***的基态是由该物理***的哈密顿量(Hamiltonian)决定的。哈密顿量H 在数学上的形式是赫米特矩阵(Hermitian)，举例来说，若物理***是由 n个量子比特(Qubit)组成，则哈密顿量H就是一个2n×2n的赫米特矩阵，即共轭对称的复矩阵。特别地，该物理***的基态就是哈密顿量H具有最小特征值的特征向量，基于此，提取物理***的基态的信息就转化为求解哈密顿量H具有最小特征值的特征向量。
针对以上问题，量子计算中的一个非常重要的组件就是变分量子特征求解器(VQE，Variational Quantum Eigensolver)，其使用有噪中规量子 (NISQ，NoisyIntermediate-Scale Quantum)计算机即可提取物理***的基态，可以理解该变分量子特征求解器为有噪中规量子计算机中的一个算法，即利用有噪中规量子计算机中的变分量子特征求解器即可提取物理***的基态。具体来说，利用有噪中规量子计算机训练一个给定的参数化量子电路(PQC，Parameterized Quantum Circuit)以使利用训练完成后的参数化量子电路来有效制备出哈密顿量的基态。然而，近期的研究表明变分量子特征求解器存在一个瓶颈：随着物理***的规模增加(比如量子比特数量的增大)，计算消耗的资源会指数级增加。该瓶颈极大地限制了变分量子特征求解算器的计算效率和应用。特别地，该变分量子特征求解器的效果和给定的参数化量子电路是紧密相关的，可以影响最终制备的基态的精度以及训练过程所需的时间(即所需的量子资源)，基于此，上述瓶颈也是和计算中所使用的参数化量子电路紧密相关的。因此，选取合适的参数化量子电路来降低计算所需的量子资源逐渐成为近期量子计算发展中的重要一步。
但是，现有方案中，寻找最优的参数化量子电路是非常困难的，这是因为搜索的空间会随着物理***规模的增加而指数级变大，而这极大地增加了搜索的难度，并且限制了效率。另一方面，针对变分量子特征求解器，现有的方案非常依赖具体的物理***，即现有方案寻找出的最优参数化量子电路只能用来提取特定物理***的特征，而这也限制了现有方案的普适性。
基于此，本申请方案提供了一种应用于参数化量子电路的模型处理方法、装置、设备、存储介质及产品，不仅能够评估一个参数化量子电路的特征，还能够判断是否有效制备出针对物理***的且达到精度要求的基态，同时能够节省计算所需的量子资源。因此，本申请方案对探索有噪中规量子计算机在物理、化学、机器学习等领域的应用有重要作用。
具体地，图1是根据本公开实施例应用于参数化量子电路的模型处理方法的流程示意图，如图1所示，该方法包括：
步骤S101：获取待进行训练的参数化量子电路样本的编码信息。这里，待进行训练的参数化量子电路样本可以是从所有的参数化量子电路中随机采样得到的。
步骤S102：计算待进行训练的参数化量子电路样本的参数梯度的二阶矩。
步骤S103：将所述参数化量子电路样本的参数梯度的二阶矩作为标签，并对所述参数化量子电路样本的编码信息进行标注，得到标注后的编码信息。
步骤S104：将所述标注后的编码信息输入至预设神经网络进行模型训练，并在训练完成后得到目标神经网络，其中，所述目标神经网络能够基于输入的待预测的参数化量子电路的编码信息，预测得到所述待预测的参数化量子电路的参数梯度的二阶矩估计值。
这样，能够有效对参数化量子电路的特征进行评估，进而为选取出满足要求的参数化量子电路奠定了基础。进一步地，本申请方案能够成功避免现有方案存在的问题，比如，本申请方案不需要在指数级的空间中搜索参数化量子电路，也不依赖具体的物理***，因为本申请方案训练得到的目标神经网络能够有效对参数化量子电路进行评估，进而为后续高效判断参数化量子电路是否能够节约计算资源奠定了基础，具有很强的通用性、高效性和适应性。
在本申请方案的一具体示例中，在进行模型训练之前，可以采用如下方式来得到参数化量子电路样本的编码信息，具体地，确定参数化量子电路样本的电路特征，比如，量子门的种类、量子门所在位置等；进而基于所述参数化量子电路样本的电路特征，对所述参数化量子电路样本进行编码处理，得到所述参数化量子电路样本的编码信息。如此，利用该编码信息即可唯一确定出参数化量子电路样本，为从根本上避免在指数级的空间中搜索参数化量子电路奠定了基础，同时，也为后续高效判断参数化量子电路是否能够节约计算资源奠定了基础。
在本申请方案的一具体示例中，可以采用如下方式来确定参数化量子电路样本的电路特征，具体包括：确定所述参数化量子电路样本中目标量子门所在位置；至少将所述参数化量子电路样本中所述目标量子门所在位置作为所述参数化量子电路样本的电路特征。也就是说，可以基于目标量子门在参数化量子电路中的位置来对该参数化量子电路进行编码处理，如此，使得编码信息能够唯一表征一个参数化量子电路，为后续利用神经网络学习得到编码信息与参数化量子电路的特征(如参数梯度的二阶矩)之间的映射关系奠定了基础。
这里，实际编码过程中，还可以按照预设的顺序，来对处于特定位置的目标量子门设置编码，进而得到针对参数化量子电路的编码信息。
在本申请方案的一具体示例中，所述参数化量子电路样本中还包括除所述目标量子门之外的其他量子门，所述其他量子门在所述参数化量子电路样本中的位置不变。也就是说，在训练样本中，当训练样本为一类参数化量子电路，且该类参数化量子电路中某一个或某几个量子门的位置相同，此时，可以仅针对于有差别的量子门来进行编码，进而简化编码内容，提升编码效率。
举例来说，如图4所示，具体编码流程包括：假设参数化量子电路只包含单比特旋转门Ry、单位阵I和CNOT门(即Control-X门)，并且具有固定的电路模板，比如，参数化量子电路中CNOT门的位置固定不变，其他特定位置(如图4中方框所指示位置)上的量子门可以变换，此时，编码过程中可以不考虑固定位置的量子门，即不考虑CNOT门。进一步地，将单比特旋转门Ry、单位阵I按照预设顺序，比如，从左到右、从上到下的顺序等排成一行，其中Ry编码成1，I编码成0，由此形成一个二进制串，即为本示例的编码信息。
在本申请方案的一具体示例中，在确定出编码信息后，还可以基于编码信息来扩充训练样本的数量，如此，来提升训练效率，具体地，在确定出所述参数化量子电路样本的编码信息后，按照预设方式对所述编码信息进行重复设置，并重复预设次数，得到新的编码信息；基于所述新的编码信息得到新的参数化量子电路，以将所述新的参数化量子电路作为待进行训练的参数化量子电路样本。比如，编码信息为[1,0,1,0,0]，其中，编码信息中数位均与参数化量子电路的位置相对应，且1代表对应位置上有单比特Ry(θ)旋转门，0代表对应位置上无单比特Ry(θ)旋转门。此时，重复一次，即可得到新的编码信息[1,0,1,0,0，1,0,1,0,0]，基于此，即可得到新的参数化量子电路，即将原有参数化电路重复一次，即可得到新的参数化量子电路。如此，来快速扩大样本数量，提升模型训练的效率。
在本申请方案的一具体示例中，在模型训练的过程中，还可以进行如下步骤：具体地，确定损失函数，其中，所述损失函数是基于预设物理***的哈密顿量，以及作用于所述预设物理***上的参数化量子电路样本而确定得到的；比如，损失函数：
Figure BDA0002856284500000071
这里U(θ)为参数化量子电路，ρ为输入参数化量子电路的初始量子态，一般为|0><0|，H为给定物理***(比如量子***)的哈密顿量。进一步地，在将所述标注后的编码信息输入至预设神经网络进行模型训练之后，即可通过调整所述参数化量子电路样本中的参数的方式来最小化所述损失函数，以得到所述目标神经网络。如此，后续高效判断参数化量子电路是否能够节约计算资源奠定了基础。
在本申请方案的一具体示例中，在训练得到目标神经网络后，即可利用目标神经网络来对任意参数化量子电路的特征进行评估，具体地，获取待进行预测的参数化量子电路；将所述待进行预测的参数化量子电路输入至所述目标神经网络，得到所述待进行预测的参数化量子电路的参数梯度的二阶矩估计值；从所述待进行预测的参数化量子电路中选取出参数梯度的二阶矩估计值大于预设数值的参数化量子电路作为初始参数化量子电路；至少利用所述初始参数化量子电路来确定得到所述预设物理***的基态。如此，来快速地得到物理***的基态信息，而且，由于计算基态信息所使用的初始参数化量子电路是筛选后得到的，所以，能够最大化精度高、量子资源使用少的要求。
在本申请方案的一具体示例中，为了更精准地筛选得到满足精度要求的参数化量子电路，还可以进行如下步骤：即从得到的所述预设物理***的基态中选取出满足预设精度需求的目标基态；进而将所述目标基态所对应的初始参数化量子电路作为目标参数化量子电路。如此，在能够得到满足精度要求的基态信息的基础上，最大化节约了计算资源。
综上，本申请方案，区别于现有方案中将搜索电路的问题和待求解的问题耦合在一起，而是将确定参数化量子电路的过程独立出来，即先利用训练完成的目标神经网络对参数化量子电路的特征进行评估，再基于评估结果再进行参数化量子电路的搜索和待求解问题的验证等过程，比如，先基于评估结果选取出合适的目标参数化量子电路，再基于目标参数化量子电路再去求解基态的信息，将电路搜索的问题和待求解问题分开处理，因此，本申请方案能够更灵活地适用更广类型物理***(比如量子化学***) 的特征值求解，以及其他量子机器学习领域的问题，更具实用性和灵活性。
而且，相比于现方案只是单纯的考虑搜索出有效地解决问题的参数化量子电路而言，本申请方案不仅考虑了有效性，同时还考虑了参数化量子电路的参数梯度的二阶矩比较大时，使用资源则较小的特性，因此，能够实现在量子***特征求解中使用更少的资源，节省了资源。
以下结合具体示例对本申请方案做进一步详细说明，具体地，本申请方案是为了节省变分量子特征求解器(VQE)所占资源而设计的。特别地，本申请方案充分利用了在机器学习中广泛使用的神经网络，而神经网络的功能是判断一个给定的参数化量子电路是否能够节省资源。概括来说，本申请方案是在一些给定的参数化量子电路上，以该参数化量子电路的参数梯度的二阶矩为基准，来训练神经网络，并基于训练好的神经网络，找出可以节省资源并且适用于VQE的参数化量子电路。具体来说，本申请方案首先将所准备的参数化量子电路进行编码处理；然后随机采样若干个编码信息，每个编码信息代表一个参数化量子电路；计算采样出来的参数化量子电路的参数梯度的二阶矩；并将这些采样得到的编码信息及其对应的参数梯度的二阶矩分别作为训练样本和标签，输入至神经网络中进行训练；最后，利用训练完成后的神经网络，搜索出不仅能够节省计算资源，还能够用于变分量子特征求解器的参数化量子电路，而且，在利用变分量子特征求解器进行求解的过程中，使用了更少的量子资源。
创新之处在于，首先，本申请方案采用了神经网络来辅助搜索得到参数化量子电路，不再是单纯的靠“人工经验”来选取参数化量子电路；其次，本申请方案创新地基于参数化量子电路的电路特征对参数化量子电路进行编码处理，进而只需要知道参数化量子电路的编码信息即可直接对其参数梯度的二阶矩进行预测，相比于现有对大量的参数化量子电路直接进行处理的方案，本申请方案能快速的预测梯度的二阶矩，可扩展性更强，适用范围更广，而且，效率高。
进一步地，本申请方案的工作原理如下：
变分量子特征求解器所占用的量子资源与参数化量子电路的参数梯度的二阶矩是密切相关的，即参数梯度的二阶矩越小，所需要的量子资源越多，反之，则越少。基于此，本申请方案只要保证选取的参数化量子电路的参数梯度的二阶矩比较大，则可确保求解过程所占用的量子资源较少。此外，若将每一个参数化量子电路基于电路结构进行合适地编码，则可得到编码信息与参数化量子电路的参数梯度的二阶矩之间的映射关系，因此，利用该特征，即可训练神经网络，使神经网络学出上述映射关系。
如图2和图3所示，具体流程包括：
步骤1：给定物理***(比如量子***)的哈密顿量H，得到损失函数：
Figure BDA0002856284500000091
这里U(θ)为参数化量子电路，ρ为输入参数化量子电路的初始量子态，一般为|0><0|。
需要说明的是，所述哈密顿量H为一般物理***的哈密顿量，换言之，本申请方案对给定的哈密顿量不作限制，也即对物理***不作限制。
步骤2：对参数化量子电路进行编码，并编码信息(也即二进制码，或二进制码字)记为code(c)。举例来说，以二进制编码为例，若参数化量子电路由若干个单比特Ry(θ)旋转门和CNOT门组成，则按照该参数化量子电路中的每个位置有无Ry(θ)旋转门来确定该参数化量子电路的编码信息，比如，编码信息可以类似为[1,0,1,0,0]，其中，1代表有，0代表无，该编码信息中每个数位均与一个位置唯一对应，即数位与参数化量子电路的位置一一对应，如此，利用给定的编码信息即可唯一地确定出该参数化量子电路。
步骤3：按照如上编码信息，随机采样S个参数化量子电路，将采用到的参数化量子电路记为集合
Figure BDA0002856284500000092
步骤4:采用直接计算的方法,计算这S个参数化量子电路的参数梯度的二阶矩，并将计算结果记为
Figure BDA0002856284500000093
这里，直接计算方法指首先按照[0,2π]上的均匀分布采样若干个(比如100个)参数化量子电路的参数的值，然后根据以上所述的损失函数L(θ)对这些参数求梯度，进而计算这些梯度的二阶矩，即为本申请方案直接计算得到的二阶矩。
步骤5：将上述S个参数化量子电路的编码信息，及其参数梯度的二阶矩分别作为输入和标签，输入至预设神经网络进行训练。这里，可以将参数化量子电路的参数梯度的二阶矩作为标签，以对该参数化量子电路的编码信息进行标注，将标注后的编码信息(即携带有参数梯度的二阶矩的编码信息)作为输入，输入至预设神经网络中。通过调整采用得到的S个参数化量子电路的参数，来调整参数化量子电路的状态信息，以最小化步骤1 中的损失函数；进而待步骤1中的损失函数最小化后，或收敛后，即完成训练，得到目标神经网络。
这里，该预设神经网络可以简单地选择，比如含有2层隐藏层且激活函数为Sigmoid的神经网络，本申请方案对此不作限制。
步骤6：将待进行评估的所有参数化量子电路的二进制编码(即编码信息)，也可记为code(c)，并输入至训练完成后得到的目标神经网络，得到的输出结果，该输出结果即为估算得到的待进行评估的各参数化量子电路的参数梯度的二阶矩估计值，也可记为{mon(c)}。
步骤7：从步骤6得到的{min(c)}中选取出满足一定条件且二阶矩估计值较大的作为选取出的目标二阶矩估计值，得到该目标二阶矩估计值对应的二进制编码，并记为{code(max)}。
步骤8：根据{code(max)}恢复出对应的参数化量子电路，并基于变分量子特征求解器的算法对损失函数所对应的哈密顿量H进行基态求解，以对参数化量子电路进行验证。进而，得到求解结果满足预设精度要求的参数化量子电路即为希望输出的目标参数化量子电路。
这里，实际应用中，可以采用如下方式，对参数化量子电路进行二进制编码，如图4所示，具体编码流程包括：
步骤1：假设参数化量子电路只包含单比特旋转门Ry、单位阵I和 CNOT门(即Control-X门)，并且具有固定的电路模板，比如，参数化量子电路中CNOT门的位置固定，其他特定位置上的量子门可以变换，此时，编码过程中可以不考虑固定位置的量子门，即不考虑CNOT门。
步骤2：将单比特旋转门Ry、单位阵I按照预设顺序，比如，从左到右、从上到下的顺序等排成一行，其中Ry编码成1，I编码成0，由此形成一个二进制串，即为本示例的编码信息。
这里，需要说明的是，如图4所示的量子电路中，框中所对应的量子门可以变换，比如，由Ry变成，或者由变成Ry，变换后均可得到一个新的参数化量子电路。当然，该示例仅是用于解释本申请方案的编码过程，并非用于限制本申请方案所使用的参数化量子电路的结构以及编码过程，实际应用中，还可以选用其他结构或者其他编码方式，本申请方案对此不作限制。
进一步地，为了扩大样本数量，还可以将如图4所示的电路模板重复预设次数，此时，即可在上述得到的二进制编码后面加上重复信息，以得到新的编码信息。这里，假设最多重复10次，该重复次数也可以通过编码方式来表达，如以一个10维的one-hot向量来表达重复次数，举例来说，在第D个位置设置为1，其他位置设为0，此时，即可得到重复信息，比如,D＝2时，重复次数的重复信息则为[01000 00000]，如此，加上对应次数的参数化量子电路的编码信息，即可得到重复预设次数后的参数化量子电路的编码信息。
基于此，对于一个具有6个量子比特的参数化量子电路而言，最终的编码信息即为一个20维的向量。比如，将图4中的参数化量子电路重复第3次后得到的新的参数化量子电路的编码信息，为[01110 10010 00100 00000]，其中，前10项表征编码信息，后十项表征重复信息。
如此，完成对参数化量子电路的编码过程，这里，需要说明的是，实际应用中，还可以采用其他编码方式，本申请方案对此不作限制，只要是基于参数化量子电路的电路特征进行编码，并利用该编码能够唯一确定出参数化量子电路即可。
这样，本申请方案充分利用了神经网络与机器学习的思想，设计了参数化量子电路的参数梯度的二阶矩的估计方案，高效和实用地检测了参数化量子电路的可训练性及其在变分量子特征求解器中的实用性，如此，能够有效衡量在近期量子设备上设计的参数化量子电路的优劣，进而使得量子特征求解更加高效。
综上所述，本申请方案优势体现在如下几个方面：
第一，相比于传统的方法，即直接计算梯度求其二阶矩方式，本申请方案更加高效，因为现有方案中梯度采样对于多比特量子态的消耗会高速增长。而本申请方案可以直接根据量子电路的编码信息来判断该参数化量子电路的特征，进而为量子特征求解器以及其他量子机器学习应用提供高效实用的参数化量子电路选择。
第二，相比于传统的方法，本申请方案更具实用性。目前在量子设备上采样并计算梯度的代价十分昂贵，因此，本申请方案避免在量子设备上采样，所有估计都在经典计算机上完成，方案的实用性得到了有效保证。
第三，本申请方案具有更好的有效性。采用本方案找到的参数化量子电路，能够确保适用于变分量子特征求解器，并且占用尽可能少的量子资源。
第四，本申请方案具有拓展性，可以广泛应用于其他需要使用参数化量子电路的量子计算应用中，比如变分量子分类器、量子近似优化等应用场景。
本申请方案还提供了一种应用于参数化量子电路的模型处理装置，如图5所示，包括：
编码信息获取单元501，用于获取待进行训练的参数化量子电路样本的编码信息；
计算单元502，用于计算待进行训练的参数化量子电路样本的参数梯度的二阶矩；
样本数据处理单元503，用于将所述参数化量子电路样本的参数梯度的二阶矩作为标签，并对所述参数化量子电路样本的编码信息进行标注，得到标注后的编码信息；
模型训练单元504，用于将所述标注后的编码信息输入至预设神经网络进行模型训练，并在训练完成后得到目标神经网络，其中，所述目标神经网络能够基于输入的待预测的参数化量子电路的编码信息，预测得到所述待预测的参数化量子电路的参数梯度的二阶矩估计值。
在本申请方案的一具体示例中，所述编码信息获取单元，还用于确定参数化量子电路样本的电路特征；基于所述参数化量子电路样本的电路特征，对所述参数化量子电路样本进行编码处理，得到所述参数化量子电路样本的编码信息。
在本申请方案的一具体示例中，所述编码信息获取单元，还用于确定所述参数化量子电路样本中目标量子门所在位置；至少将所述参数化量子电路样本中所述目标量子门所在位置作为所述参数化量子电路样本的电路特征。
在本申请方案的一具体示例中，所述参数化量子电路样本中还包括除所述目标量子门之外的其他量子门，所述其他量子门在所述参数化量子电路样本中的位置不变。
在本申请方案的一具体示例中，还包括：
训练数据获取单元，用于在确定出所述参数化量子电路样本的编码信息后，按照预设方式对所述编码信息进行重复设置，并重复预设次数，得到新的编码信息；基于所述新的编码信息得到新的参数化量子电路，以将所述新的参数化量子电路作为待进行训练的参数化量子电路样本。
在本申请方案的一具体示例中，所述模型训练单元，还用于确定损失函数，其中，所述损失函数是基于预设物理***的哈密顿量，以及作用于所述预设物理***上的参数化量子电路样本而确定得到的；通过调整所述参数化量子电路样本中的参数的方式来最小化所述损失函数，以得到所述目标神经网络。
在本申请方案的一具体示例中，还包括：
模型预测单元，用于获取待进行预测的参数化量子电路；将所述待进行预测的参数化量子电路输入至所述目标神经网络，得到所述待进行预测的参数化量子电路的参数梯度的二阶矩估计值；
基态处理单元，用于从所述待进行预测的参数化量子电路中选取出参数梯度的二阶矩估计值大于预设数值的参数化量子电路作为初始参数化量子电路；至少利用所述初始参数化量子电路来确定得到所述预设物理***的基态。
在本申请方案的一具体示例中，所述基态处理单元，还用于从得到的所述预设物理***的基态中选取出满足预设精度需求的目标基态；将所述目标基态所对应的初始参数化量子电路作为目标参数化量子电路。
本发明实施例模型处理装置中各单元的功能可以参见上述方法中的对应描述，在此不再赘述。
这里，需要说明的是，本申请方案所述的模型处理装置可以为经典设备，比如经典计算机、经典的电子设备等，此时，上述各单元可以通过经典设备的硬件，比如存储器、处理器等来实现。当然，本申请方案所述的模型处理装置还可以为量子设备，此时，上述各单元可以通过量子硬件等来实现。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或要求的本公开的实现。
如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、 ROM 602以及RAM 603通过总线604彼此相连。输入输出(I/O)接口 605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如应用于参数化量子电路的模型处理方法。例如，在一些实施例中，应用于参数化量子电路的模型处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元 601执行时，可以执行上文描述的应用于参数化量子电路的模型处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行应用于参数化量子电路的模型处理方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/ 或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入、或者触觉输入来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (18)

1.一种应用于参数化量子电路的模型处理方法，包括：
获取待进行训练的参数化量子电路样本的编码信息；
计算待进行训练的参数化量子电路样本的参数梯度的二阶矩；
将所述参数化量子电路样本的参数梯度的二阶矩作为标签，并对所述参数化量子电路样本的编码信息进行标注，得到标注后的编码信息；
将所述标注后的编码信息输入至预设神经网络进行模型训练，并在训练完成后得到目标神经网络，其中，所述目标神经网络能够基于输入的待预测的参数化量子电路的编码信息，预测得到所述待预测的参数化量子电路的参数梯度的二阶矩估计值，预测得到的二阶矩估计值用于选取出目标二阶估计值以根据目标二阶估计值所对应的二进制编码恢复出对应的参数化量子电路。
2.根据权利要求1所述的方法，还包括：
确定参数化量子电路样本的电路特征；
基于所述参数化量子电路样本的电路特征，对所述参数化量子电路样本进行编码处理，得到所述参数化量子电路样本的编码信息。
3.根据权利要求2所述的方法，其中，所述确定参数化量子电路样本的电路特征，包括：
确定所述参数化量子电路样本中目标量子门所在位置；
至少将所述参数化量子电路样本中所述目标量子门所在位置作为所述参数化量子电路样本的电路特征。
4.根据权利要求3所述的方法，其中，所述参数化量子电路样本中还包括除所述目标量子门之外的其他量子门，所述其他量子门在所述参数化量子电路样本中的位置不变。
5.根据权利要求2至4任一项所述的方法，还包括：
在确定出所述参数化量子电路样本的编码信息后，按照预设方式对所述编码信息进行重复设置，并重复预设次数，得到新的编码信息；
基于所述新的编码信息得到新的参数化量子电路，以将所述新的参数化量子电路作为待进行训练的参数化量子电路样本。
6.根据权利要求1所述的方法，其中，还包括：
确定损失函数，其中，所述损失函数是基于预设物理***的哈密顿量，以及作用于所述预设物理***上的参数化量子电路样本而确定得到的；
其中，所述将所述标注后的编码信息输入至预设神经网络进行模型训练之后，还包括：
通过调整所述参数化量子电路样本中的参数的方式来最小化所述损失函数，以得到所述目标神经网络。
7.根据权利要求1或6所述的方法，还包括：
获取待进行预测的参数化量子电路；
将所述待进行预测的参数化量子电路输入至所述目标神经网络，得到所述待进行预测的参数化量子电路的参数梯度的二阶矩估计值；
从所述待进行预测的参数化量子电路中选取出参数梯度的二阶矩估计值大于预设数值的参数化量子电路作为初始参数化量子电路；
至少利用所述初始参数化量子电路来确定得到预设物理***的基态。
8.根据权利要求7所述的方法，还包括：
从得到的所述预设物理***的基态中选取出满足预设精度需求的目标基态；
将所述目标基态所对应的初始参数化量子电路作为目标参数化量子电路。
9.一种应用于参数化量子电路的模型处理装置，包括：
编码信息获取单元，用于获取待进行训练的参数化量子电路样本的编码信息；
计算单元，用于计算待进行训练的参数化量子电路样本的参数梯度的二阶矩；
样本数据处理单元，用于将所述参数化量子电路样本的参数梯度的二阶矩作为标签，并对所述参数化量子电路样本的编码信息进行标注，得到标注后的编码信息；
模型训练单元，用于将所述标注后的编码信息输入至预设神经网络进行模型训练，并在训练完成后得到目标神经网络，其中，所述目标神经网络能够基于输入的待预测的参数化量子电路的编码信息，预测得到所述待预测的参数化量子电路的参数梯度的二阶矩估计值，预测得到的二阶矩估计值用于选取出目标二阶估计值以根据目标二阶估计值所对应的二进制编码恢复出对应的参数化量子电路。
10.根据权利要求9所述的装置，其中，所述编码信息获取单元，还用于确定参数化量子电路样本的电路特征；基于所述参数化量子电路样本的电路特征，对所述参数化量子电路样本进行编码处理，得到所述参数化量子电路样本的编码信息。
11.根据权利要求10所述的装置，其中，所述编码信息获取单元，还用于确定所述参数化量子电路样本中目标量子门所在位置；至少将所述参数化量子电路样本中所述目标量子门所在位置作为所述参数化量子电路样本的电路特征。
12.根据权利要求11所述的装置，其中，所述参数化量子电路样本中还包括除所述目标量子门之外的其他量子门，所述其他量子门在所述参数化量子电路样本中的位置不变。
13.根据权利要求9至11任一项所述的装置，还包括：
训练数据获取单元，用于在确定出所述参数化量子电路样本的编码信息后，按照预设方式对所述编码信息进行重复设置，并重复预设次数，得到新的编码信息；基于所述新的编码信息得到新的参数化量子电路，以将所述新的参数化量子电路作为待进行训练的参数化量子电路样本。
14.根据权利要求9所述的装置，其中，所述模型训练单元，还用于确定损失函数，其中，所述损失函数是基于预设物理***的哈密顿量，以及作用于所述预设物理***上的参数化量子电路样本而确定得到的；通过调整所述参数化量子电路样本中的参数的方式来最小化所述损失函数，以得到所述目标神经网络。
15.根据权利要求9或14所述的装置，还包括：
模型预测单元，用于获取待进行预测的参数化量子电路；将所述待进行预测的参数化量子电路输入至所述目标神经网络，得到所述待进行预测的参数化量子电路的参数梯度的二阶矩估计值；
基态处理单元，用于从所述待进行预测的参数化量子电路中选取出参数梯度的二阶矩估计值大于预设数值的参数化量子电路作为初始参数化量子电路；至少利用所述初始参数化量子电路来确定得到预设物理***的基态。
16.根据权利要求15所述的装置，其中，所述基态处理单元，还用于从得到的所述预设物理***的基态中选取出满足预设精度需求的目标基态；将所述目标基态所对应的初始参数化量子电路作为目标参数化量子电路。
17.一种电子设备，其特征在于，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执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使计算机执行权利要求1-8中任一项所述的方法。
CN202011548207.4A 2020-12-23 2020-12-23 模型处理方法、装置、设备及存储介质 Active CN112561069B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011548207.4A CN112561069B (zh) 2020-12-23 2020-12-23 模型处理方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011548207.4A CN112561069B (zh) 2020-12-23 2020-12-23 模型处理方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112561069A CN112561069A (zh) 2021-03-26
CN112561069B true CN112561069B (zh) 2021-09-21

Family

ID=75033135

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011548207.4A Active CN112561069B (zh) 2020-12-23 2020-12-23 模型处理方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112561069B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379056B (zh) * 2021-06-02 2023-10-31 北京百度网讯科技有限公司 量子态数据处理方法、装置、电子设备及存储介质
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
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
CN114065939B (zh) * 2021-11-22 2022-10-11 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
CN114219076B (zh) * 2021-12-15 2023-06-20 北京百度网讯科技有限公司 量子神经网络训练方法及装置、电子设备和介质
CN114580643B (zh) * 2022-03-18 2023-04-28 北京百度网讯科技有限公司 确定方法、模型处理方法、装置、设备及存储介质
CN114818970B (zh) * 2022-05-17 2023-04-21 北京百度网讯科技有限公司 经典数据处理方法、计算设备及存储介质
CN115659898A (zh) * 2022-08-16 2023-01-31 阿里巴巴达摩院(杭州)科技有限公司 量子版图优化方法、装置及计算机可读存储介质
CN115632660B (zh) * 2022-12-22 2023-03-17 山东海量信息技术研究院 一种数据压缩方法、装置、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831596A (zh) * 2012-07-05 2012-12-19 中国科学院半导体研究所 基于数学形态学的量子点检测方法
CN111291640A (zh) * 2020-01-20 2020-06-16 北京百度网讯科技有限公司 用于识别步态的方法和装置
CN111460528A (zh) * 2020-04-01 2020-07-28 支付宝(杭州)信息技术有限公司 一种基于Adam优化算法的多方联合训练方法及***
CN111461334A (zh) * 2020-03-30 2020-07-28 北京百度网讯科技有限公司 量子电路的处理方法、装置及设备
CN112001498A (zh) * 2020-08-14 2020-11-27 苏州浪潮智能科技有限公司 基于量子计算机的数据识别方法、装置及可读存储介质

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10229355B2 (en) * 2016-04-13 2019-03-12 Iqb Information Technologies Inc. Quantum processor and its use for implementing a neural network
US10275721B2 (en) * 2017-04-19 2019-04-30 Accenture Global Solutions Limited Quantum computing machine learning module
AU2018278348B2 (en) * 2017-06-02 2021-02-11 Google Llc Quantum neural network
US11157832B2 (en) * 2017-12-19 2021-10-26 International Business Machines Corporation Machine learning system for predicting optimal interruptions based on biometric data collected using wearable devices
WO2019143680A1 (en) * 2018-01-18 2019-07-25 Google Llc Classification using quantum neural networks
US11120359B2 (en) * 2019-03-15 2021-09-14 Microsoft Technology Licensing, Llc Phase estimation with randomized hamiltonians
CN110738321B (zh) * 2019-10-15 2022-04-29 北京百度网讯科技有限公司 一种量子信号处理方法及装置
CN110929798A (zh) * 2019-11-29 2020-03-27 重庆邮电大学 基于结构优化稀疏卷积神经网络的图像分类方法及介质
CN111368197B (zh) * 2020-03-04 2022-05-27 哈尔滨理工大学 一种基于深度学习的评论推荐***及方法
CN111368920B (zh) * 2020-03-05 2024-03-05 中南大学 基于量子孪生神经网络的二分类方法及其人脸识别方法
CN111563186B (zh) * 2020-04-30 2021-09-24 北京百度网讯科技有限公司 量子数据存储方法、读取方法、装置及计算设备
CN111563599B (zh) * 2020-04-30 2023-12-12 本源量子计算科技（合肥）股份有限公司 一种量子线路的分解方法、装置、存储介质及电子装置
CN111814907B (zh) * 2020-07-28 2024-02-09 南京信息工程大学 一种基于条件约束的量子生成对抗网络算法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831596A (zh) * 2012-07-05 2012-12-19 中国科学院半导体研究所 基于数学形态学的量子点检测方法
CN111291640A (zh) * 2020-01-20 2020-06-16 北京百度网讯科技有限公司 用于识别步态的方法和装置
CN111461334A (zh) * 2020-03-30 2020-07-28 北京百度网讯科技有限公司 量子电路的处理方法、装置及设备
CN111460528A (zh) * 2020-04-01 2020-07-28 支付宝(杭州)信息技术有限公司 一种基于Adam优化算法的多方联合训练方法及***
CN112001498A (zh) * 2020-08-14 2020-11-27 苏州浪潮智能科技有限公司 基于量子计算机的数据识别方法、装置及可读存储介质

Also Published As

Publication number Publication date
CN112561069A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
CN112561069B (zh) 模型处理方法、装置、设备及存储介质
CN109657805B (zh) 超参数确定方法、装置、电子设备及计算机可读介质
WO2022152161A1 (zh) 混合图神经网络模型的训练、预测
CN112395487B (zh) 信息推荐方法、装置、计算机可读存储介质及电子设备
CN114021728B (zh) 量子数据测量方法及***、电子设备和介质
CN113705793B (zh) 决策变量确定方法及装置、电子设备和介质
CN114358319B (zh) 基于机器学习框架的分类方法及相关装置
CN114219076A (zh) 量子神经网络训练方法及装置、电子设备和介质
CN113592095B (zh) 一种基于量子计算的模型训练方法及装置
CN112966744A (zh) 模型训练方法、图像处理方法、装置和电子设备
CN114580648A (zh) 消除广义振幅阻尼噪声的方法及装置、电子设备和介质
CN114240555A (zh) 训练点击率预测模型和预测点击率的方法和装置
CN115496970A (zh) 图像任务模型的训练方法、图像识别方法以及相关装置
CN115577790A (zh) 哈密顿量模拟方法、装置、设备及存储介质
CN114580649A (zh) 消除量子泡利噪声的方法及装置、电子设备和介质
CN113255922A (zh) 量子纠缠量化方法和装置、电子设备、计算机可读介质
CN113449778A (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
CN113010687B (zh) 一种习题标签预测方法、装置、存储介质以及计算机设备
CN113255824A (zh) 训练分类模型和数据分类的方法和装置
CN115018078A (zh) 量子电路操作方法及装置、电子设备和介质
CN113420561B (zh) 一种命名实体识别方法、装置、设备及存储介质
Rodić et al. Machine Learning as Tag Estimation Method for ALOHA-based RFID system
CN117875370A (zh) 一种利用分子数据的任务处理方法及装置
CN116090571A (zh) 基于广义极小残量的量子线性求解方法、装置及介质
CN115482111A (zh) 基于qsvm的多因子选股方法及相关装置

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
GR01 Patent grant
GR01 Patent grant