CN112819172A - 一种基于表函数的量子计算模拟方法和*** - Google Patents
一种基于表函数的量子计算模拟方法和*** Download PDFInfo
- Publication number
- CN112819172A CN112819172A CN202110157917.2A CN202110157917A CN112819172A CN 112819172 A CN112819172 A CN 112819172A CN 202110157917 A CN202110157917 A CN 202110157917A CN 112819172 A CN112819172 A CN 112819172A
- Authority
- CN
- China
- Prior art keywords
- calculation
- quantum
- computation
- function
- characterization
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004088 simulation Methods 0.000 title claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims abstract description 155
- 239000013598 vector Substances 0.000 claims abstract description 61
- 239000002096 quantum dot Substances 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims description 72
- 238000012512 characterization method Methods 0.000 claims description 63
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 238000013507 mapping Methods 0.000 claims description 28
- 238000003860 storage Methods 0.000 claims description 27
- 230000005428 wave function Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 18
- 230000001149 cognitive effect Effects 0.000 claims description 13
- 238000013500 data storage Methods 0.000 claims description 11
- 210000004556 brain Anatomy 0.000 claims description 7
- 230000003920 cognitive function Effects 0.000 claims description 6
- 238000010845 search algorithm Methods 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000005094 computer simulation Methods 0.000 claims 2
- 230000008569 process Effects 0.000 abstract description 9
- 238000004891 communication Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000003925 brain function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 108010047303 von Willebrand Factor Proteins 0.000 description 4
- 239000000203 mixture Substances 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000005389 magnetism Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 102100032384 Ecto-ADP-ribosyltransferase 3 Human genes 0.000 description 1
- 101000589618 Homo sapiens Ecto-ADP-ribosyltransferase 3 Proteins 0.000 description 1
- 241000121629 Majorana Species 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005040 ion trap Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000005610 quantum mechanics Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于表函数的量子计算模拟方法和***。该方法包括采用多个计算机模拟多个自由度的计算向量,其中一个计算机构成一个计算节点,每个计算机的计算向量表示一个量子位,每个计算机的计算向量计算采用表函数计算法进行计算;将所述多个计算机构成的多个计算节点进行组装和调度,编码为所需的计算向量以模拟量子位的特性;基于所述计算向量,根据量子信息学计算理论,实现量子并行计算。实施本发明的基于表函数的量子计算模拟方法和***,通过多个计算机模拟多个量子位,然后将多个所述模拟量子位的计算和通信分离,形成超高速的量子计算模拟***,通过结合量子信息学的过程来模拟量子计算的过程,最终实现了真正的量子计算效率。
Description
技术领域
本发明涉及量子信息计算领域,更确切的说,特别是涉及一种基于表函数的量子计算模拟方法和***。
背景技术
量子计算机(英语:Quantum computer)是一种使用量子逻辑进行通用计算的设备。不同于电子计算机(或称传统计算机),量子计算用来存储数据的对象是量子比特,它使用量子算法来进行数据操作。马约拉纳费米子反粒子就是自己本身的属性,或许是令量子计算机的制造变成现实的一个关键。对照于传统的通用计算机,其理论模型是通用图灵机;通用的量子计算机,其理论模型是用量子力学规律重新诠释的通用图灵机。从可计算的问题来看,量子计算机只能解决传统计算机所能解决的问题,但是从计算的效率上,由于量子力学叠加性的存在,某些已知的量子算法在处理问题时速度要快于传统的通用计算机。
量子计算由于其快速的并行计算能力远远超越了其他的计算方式,目前成为学术界和产业界的热点,各国投入了大量的人力物力进行量子计算机的研发。主流的量子计算的方法主要是采用核磁共振、光量子、离子阱、超导量子等方式产生物理上的量子,再对这些物理量子进行编码和编程,然后期望以此来实现快速计算。
但是,当前这些方法均采用了物理量子的方式,由于物理量子的本身不确定性,以及量子的纠缠等特性,使得量子位的控制和纠错成为难题。因此,用物理量子位来进行计算,并制备通用量子计算机的愿景还有很长的路要走。
发明内容
本发明要解决的技术问题在于,提供一种基于表函数的量子计算模拟方法和***,用于解决现有物理量子难以实现真正的量子计算,从而达不到量子计算效率的技术问题。
本发明解决其技术问题采用的一个技术方案是,构造一种基于表函数的量子计算模拟方法,包括:
S1、采用多个计算机模拟多个自由度的计算向量,其中一个计算机构成一个计算节点,每个计算机的计算向量表示一个量子位,每个计算机的计算向量计算采用表函数计算法进行计算;
S2、将所述多个计算机构成的多个计算节点进行组装和调度,编码为所需的计算向量以模拟量子位的特性;
S3、基于所述计算向量,根据量子信息学计算理论,实现量子并行计算。
进一步地,所述在所述步骤S1中,每个计算机的计算向量模拟所述量子位的量子模拟态,不同的量子模拟态之间能够进行相互转换。
进一步地,所述表函数计算法包括:认知的分类表征,表征的编码,表征的分类计算,表征的存储,存算一体的输入输出函数映射关系表生成和搜索匹配计算。
进一步地,所述认知的分类表征包括建立对应于人脑认知功能类别的知识表征体系;所述表征的编码包括根据不同表征类别的不同属性特征,建立相应的数据结构,形成不同表征类别的不同编码;所述表征的分类计算包括根据不同表征类别及编码,对不同的表征类别采用不同的计算算法进行计算和数据处理;所述表征的存储包括根据所述表征类别、所述编码及分类处理结果,基于定制的数据存储模型,对相应的数据进行压缩存储,并支持指数级的快速存取;所述存算一体的输入输出函数映射关系表生成包括依据所述表征类别、所述编码及分类计算算法,离线计算生成不同输入信息对应的输出信息结果值,基于统一的表函数模板,形成相应结果的输入输出函数映射关系表;所述搜索匹配计算包括在有计算任务时,采用多级模式搜索算法,通过输入的变量值直接在所述输入输出函数映射关系表的输入空间中进行搜索,根据满足匹配的所述变量对应的输出真值即为计算结果值输出。
进一步地,所述数据存储模型包括一维无限深势阱模型,所述多级模式搜索算法包括自适应共振网络3多级模式搜索算法,所述匹配采用模式相似度计算方法。
进一步地,在所述步骤S2中,通过基于软件定义网络的无中心全交换式网络连接所述多个计算节点以进行组装和调度,并通过设计的复合波函数实现所述多个计算机的输出结果的复合以形成量子态叠加输出。
进一步地,所述复合波函数包括正弦波、余弦波的量子本征态波函数的复合。
本发明解决其技术问题采用的另一个技术方案是,构造一种基于表函数的量子计算模拟***,包括彼此通信的多个计算机,每个计算机构成一个计算节点,每个计算机的计算向量表示一个量子位,每个计算机的计算向量计算采用表函数计算法进行计算;所述多个计算机模拟多个自由度的计算向量,所述多个计算机构成的多个计算节点进行组装和调度,编码为所需的计算向量以模拟量子位的特性;基于所述计算向量,根据量子信息学计算理论,实现量子并行计算。
进一步地,每个所述计算机包括:
表函数计算模块,用于执行认知的分类表征,表征的编码,表征的分类计算,表征的存储,存算一体的输入输出函数映射关系表生成和搜索匹配计算。
进一步地,通过基于软件定义网络的无中心全交换式网络连接所述多个计算节点以进行组装和调度,并通过设计的复合波函数实现所述多个计算机的输出结果的复合以形成量子态叠加输出。
实施本发明的基于表函数的量子计算模拟方法和***,通过多个计算机模拟多个量子位,然后将多个所述模拟量子位的计算和通信分离,形成超高速的量子计算模拟***,通过结合量子信息学的过程来模拟量子计算的过程,最终实现了真正的量子计算效率。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明的优选实施例的基于表函数的量子计算模拟方法的流程图;
图2为本发明实施例提供的基于脑认知的信息表征示意图;
图3是本发明的第一优选实施例的基于表函数的量子计算模拟***的原理框图;
图4是本发明的第二优选实施例的基于表函数的量子计算模拟***的原理框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明涉及一种基于表函数的量子计算模拟方法,包括:采用多个计算机模拟多个自由度的计算向量,其中一个计算机构成一个计算节点,每个计算机的计算向量表示一个量子位,每个计算机的计算向量计算采用表函数计算法进行计算;将所述多个计算机构成的多个计算节点进行组装和调度,编码为所需的计算向量以模拟量子位的特性;基于所述计算向量,根据量子信息学计算理论,实现量子并行计算。实施本发明的基于表函数的量子计算模拟方法和***,通过多个计算机模拟多个量子位,然后将多个所述模拟量子位的计算和通信分离,形成超高速的量子计算模拟***,通过结合量子信息学的过程来模拟量子计算的过程,最终实现了真正的量子计算效率。
图1是本发明的优选实施例的基于表函数的量子计算模拟方法的流程图。如图1所示,在步骤S1中,采用多个计算机模拟多个自由度的计算向量,其中一个计算机构成一个计算节点,每个计算机的计算向量表示一个量子位,每个计算机的计算向量计算采用表函数计算法进行计算。
在本发明中,可以采用多个冯氏计算机模拟多个自由度的计算向量,通过计算向量的不同维度表示多个量子位的状态。任意一台计算机都是一个计算节点,相当于一个自由度的计算向量,可表示一个量子位的不同值,表示一位量子位所能表示的不确定信息。
举例来说,任一个计算机的计算向量为X=[x1,x2,x3,…,xn],n∈N+;表示单个计算机表示的量子模拟态,其中,X有n态,当表示k,k∈N+态时,X的k位置为1,其它位置为0。例如,当k=3时,所述量子模拟态表示为3态向量,则X=[0,0,1,0,…,0];当k=9时,所述量子模拟态表示为9态向量,X=[0,0,0,0,0,0,0,0,1,…,0]。以此类推,所述量子模拟态可以表示n态向量,这样就可以用单台计算机模拟量子位的多个不同状态了,不同的模拟量子位状态之间也可以相互转换。
每个计算机的自由向量计算可以采用表函数计算算法,直接查表得出计算结果,省略了中间计算过程所需要的处理及计算时间,将计算时延降到最低。快速提高每个量子计算模拟节点的计算速度。当然,在本发明的其他优选实施例,可以采用Grover量子搜索算法、Shor量子算法等的数字模拟算法。即对量子计算算法进行了数字化改造,使得可以在冯氏计算节点上进行计算。
在本发明的优选实施例中,所述表函数计算法包括:认知的分类表征,表征的编码,表征的分类计算,表征的存储,存算一体的输入输出函数映射关系表生成和搜索匹配计算。
优选地,所述认知的分类表征包括建立对应于人脑认知功能类别的知识表征体系;所述表征的编码包括根据不同表征类别的不同属性特征,建立相应的数据结构,形成不同表征类别的不同编码;所述表征的分类计算包括根据不同表征类别及编码,对不同的表征类别采用不同的计算算法进行计算和数据处理;所述表征的存储包括根据所述表征类别、所述编码及分类处理结果,基于定制的数据存储模型,对相应的数据进行压缩存储,并支持指数级的快速存取;所述存算一体的输入输出函数映射关系表生成包括依据所述表征类别、所述编码及分类计算算法,离线计算生成不同输入信息对应的输出信息结果值,基于统一的表函数模板,形成相应结果的输入输出函数映射关系表;所述搜索匹配计算包括在有计算任务时,采用多级模式搜索算法,通过输入的变量值直接在所述输入输出函数映射关系表的输入空间中进行搜索,根据满足匹配的所述变量对应的输出真值即为计算结果值输出。
在本发明的优选实施例中,所述单个计算机构成的计算节点采用的表函数计算算法,主要包括如下步骤:
步骤1:认知的分类表征。基于人脑认知功能结构,采用形式化描述方法,对物理世界、问题空间的认知内容进行分类表征、描述,建立对应于人脑认知功能类的知识表征体系。本步骤主要基于学科分类表,构建信息分类基本类。依据基本类的划分,以及相应基本类的不同属性按人脑功能的66个分区进行映射,继承脑功能结构的类间连接关系,形成信息分类的属性类及连接关系。采用一定的形式化方法对基本类和属性特征类进行表征,包含运动、色彩、空间拓扑结构、时间序列、语言、热、声、光、点、磁、能等,形成数值、符号、图像、语音、视频等表征结果。覆盖知识图相关信息,以及相关知识体系。
步骤2:表征的编码。根据不同表征类别的不同属性特征,建立相应的数据结构,形成分类表征的不同编码。本步骤主要对分类表征的不同属性特征类定义不同的数据结构,如空间拓扑结构的数据结构,语言的数据结构,声音的数据结构等,形成脑功能分区的对应属性类特征数据结构。对应不同属性类特征数据结构进行编码,不同的编码对应不同的数据结构。
步骤3:表征的分类计算。根据不同表征类别及编码,对不同的表征类采用不同的计算算法等进行计算和数据处理。本步骤针对表征类别和属性特征编码,构建相应的处理算法对该类数据进行计算。如数值类处理算法、符号类处理算法、语音类处理算法、图像类处理算法等。然后针对不同的表征类别及编码输入信息,调用不同的算法进行计算和处理。
步骤4:表征的存储。根据分类表征、编码及分类处理结果,基于定制的数据存储模型,对相应的数据进行压缩存储,支持指数级的快速存取。本步骤主要根据存算一体,以及快速存取需要,结合分类表征及属性特征数据的特点,构建相应数据存储模型。结合图2可知,其主要表现为依据不同的数值、符号、图像、语音、视频等类型,以及不同类型的运动、色彩、空间拓扑结构、时间序列、语言、热、声、光、点、磁、能等特征属性数据,采用可扩展存储模型,如一维无限深势阱模型,对不同表征分类的属性特征的数据分别建模。然后再针对不同表征类型的数据,采用不同的数据压缩方式,对该表征类数据进行存储。
步骤5:存算一体的输入输出函数映射关系表生成。依据分类表征、编码和分类计算算法,离线计算生成不同输入信息对应的输出信息结果值;基于统一的表函数模板,形成相应结果的输入输出真值映射关系表。本步骤主要将不同类别的表征信息集作为输入集。依据分类表征、编码和分类计算算法,采用网格化方法,对网格划分的每一个输入值,离线计算生成对应的输出信息结果值。遍历整个输入集的网格输入值,生成对应结果值输出集。然后基于统一的表函数模板,形成相应结果的输入输出真值映射关系表。所述表函数模板简单的可用二维表实现或多维表实现,具体根据数据类型和映射关系在实际实现时具体设计。最终生成存算一体的忆算数据库,支持指数级的快速存取。
步骤6:搜索匹配计算。在有计算任务时,采用ART3(Adaptive Resonance Theorynetwork 3)自适应共振网络3多级模式搜索算法,通过输入的变量值直接在真值映射表的输入空间中进行搜索;采用模式相似度阈值计算方法及规则,判定输入与映射表中的输入模式进行匹配度;根据满足匹配的输入对应的输出真值即为计算结果值,可直接输出。
所述模式相似度计算方法主要包括文本相似度计算方法,及向量空间余弦的相似度计算方法等。所述向量空间余弦的相似度计算方法用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小。余弦值越接近1,就表明夹角越接近0度,也就是两个向量越相似,这就叫"余弦相似性"。其中,n维向量的夹角余弦公式如下:
在本发明中,可以采用多个冯氏计算机模拟多个自由度的计算向量:{X}={X1 T,X2 T,X3 T,…,Xw T}。例如,定义9位量子态模拟量子位。其中分别表示5态模拟量子位、3态模拟量子位、9态模拟量子位、7态模拟量子位、4态模拟量子位如下:
在步骤S2中,将所述多个计算机构成的多个计算节点进行组装和调度,编码为所需的计算向量以模拟量子位的特性。优选地,多台计算机构成的多个计算节点通过基于软件定义网络(SDN)的无中心全交换式网络进行调度和组装,编码为所需要的计算向量。优选地,可以通过设计的复合波函数实现多个计算向量的信息快速交换与叠加相干,即可模拟量子位的特性。所述复合波函数可以是正弦波、余弦波等多种量子本征态波函数的复合,可依据计算任务需要进行复合和叠加,达到需要的计算效果。
在步骤S3中,基于所述计算向量,根据量子信息学计算理论,实现量子并行计算。在本发明的优选实施例中,基于所述构建的计算向量{X}={X1 T,X2 T,X3 T,…,Xw T},根据量子信息学的计算理论方法,进行量子计算过程,即可实现量子并行计算,从而达到量子计算效率。
本发明用传统的冯诺依曼架构模拟量子位,构建量子计算的模拟方法,打破架构束缚,提供超高速的计算模式。虽然本发明未对后面根据量子信息学的计算过程进行说明和限定。但是可以理解的是,因为将模拟量子位的方法进行了详细的说明,本领域技术人员结合量子信息学的计算理论方法是可以进行量子速率的计算的。
图3是本发明的第一优选实施例的基于表函数的量子计算模拟***的原理框图。如图3所示,所述基于表函数的量子计算模拟***,包括彼此通信的多个计算机100,每个计算机构成一个计算节点,每个计算机的计算向量表示一个量子位,每个计算机的计算向量计算采用表函数计算法进行计算;所述多个计算机模拟多个自由度的计算向量,所述多个计算机构成的多个计算节点进行组装和调度,编码为所需的计算向量以模拟量子位的特性;基于所述计算向量,根据量子信息学计算理论,实现量子并行计算。每个所述计算机100包括表函数计算模块110和复合函数模块120。所述表函数计算模块110用于执行认知的分类表征,表征的编码,表征的分类计算,表征的存储,存算一体的输入输出函数映射关系表生成和搜索匹配计算。所述复合函数模块120用于实现多个计算向量的信息快速交换与叠加相干,即可模拟量子位的特性。所述复合波函数可以是正弦波、余弦波等多种量子本征态波函数的复合,可依据计算任务需要进行复合和叠加,达到需要的计算效果。通过基于软件定义网络的无中心全交换式网络200连接所述多个计算节点100以进行组装和调度,并通过设计的复合波函数实现所述多个计算机的输出结果的复合以形成量子态叠加输出。
本领域技术人员知悉,所述计算机100可以是任何适合的计算机,优选是冯氏计算机,其上装载任何实现本发明所需要的***,协议或模块。所述表函数计算模块110和复合函数模块120可以是任何硬件模块,软件模块,或者软硬件模块,其可以一一对应地执行前述基于表函数的量子计算模拟***的对应步骤。
图4是本发明的第二优选实施例的基于表函数的量子计算模拟***的原理框图。在本发明的优选实施例中,在现有的计算机体系架构下,结合定制的linux操作***、定制化的本征态波函数、表函数计算算法、一维无限深势阱数据存储模型、量子数据(库)阱,形成模拟单个量子位的模拟量子计算***。n(n为自然数)个模拟量子计算节点,通过基于SDN的无中心化全交换式网络进行连接,采用控制和数据面分离的全交换网络架构,各不同节点之间传输的网络信息与控制信息分离,确保各节点之间高速的数据交换,形成支持量子计算效率的量子计算模拟***。
所述n个计算节点的内部构造都相同,每个节点都包括:量子位表示模块、量子门控制模块、定制化本征态波函数、表函数计算算法、一维无限深势阱数据存储模型、量子数据(库)阱、定制化操作***、基于SDN的无中心化全交换式网络。
所述量子位表示模块,基于多台计算机并行集成来表示多个量子位,每1台计算机实现1个量子位的表示,每个量子位有多个状态,多台计算机实现多个量子位的表示,支持多个量子位的编码和状态转换。所述量子门控制模块:通过SDN机制,采用软件定义的模式,定义每台计算机的独立编号,通过发送网络控制协议来控制每台计算机的输出,实现量子逻辑门的信息控制。所述定制化本征态波函数:通过设计的特有复合波函数,基于SDN的机制,实现多台计算机输出结果的复合与关联叠加,形成量子态的叠加效果。所述复合波函数可以是正弦波、余弦波等多种量子本征态波函数的复合,可依据计算任务需要进行复合和叠加,达到需要的计算效果。所述表函数计算算法通过脑功能分区与知识分类表征映射,构建输入输出映射表,将非线性计算转化为直接查表计算,大大提高计算速度。所述一维无限深势阱数据存储模型:采用一维无限深势阱模型,对量子数据信息进行存储,支持指数级数据的存取。所述量子数据(库)阱:实现量子信息数据的存储库,用于存储所有量子数据信息。所述定制化操作***:对linux操作***进行定制化改造,以适应多台模拟量子位计算机的全交换连接,以及表函数计算的并行任务分发与汇聚等。所述的基于SDN的无中心化全交换式网络,包括:基于SDN机制,采用全交换协议和机制,对多台计算机进行网络互联,实现多节点的全交换式计算。
在本发明的优选实施例中,所述表函数计算法包括:认知的分类表征,表征的编码,表征的分类计算,表征的存储,存算一体的输入输出函数映射关系表生成和搜索匹配计算。
优选地,所述认知的分类表征包括建立对应于人脑认知功能类别的知识表征体系;所述表征的编码包括根据不同表征类别的不同属性特征,建立相应的数据结构,形成不同表征类别的不同编码;所述表征的分类计算包括根据不同表征类别及编码,对不同的表征类别采用不同的计算算法进行计算和数据处理;所述表征的存储包括根据所述表征类别、所述编码及分类处理结果,基于定制的数据存储模型,对相应的数据进行压缩存储,并支持指数级的快速存取;所述存算一体的输入输出函数映射关系表生成包括依据所述表征类别、所述编码及分类计算算法,离线计算生成不同输入信息对应的输出信息结果值,基于统一的表函数模板,形成相应结果的输入输出函数映射关系表;所述搜索匹配计算包括在有计算任务时,采用多级模式搜索算法,通过输入的变量值直接在所述输入输出函数映射关系表的输入空间中进行搜索,根据满足匹配的所述变量对应的输出真值即为计算结果值输出。
本领域技术人员知悉,所述基于表函数的量子计算模拟***本发明可以通过硬件、软件或者软、硬件结合来实现。本发明可以在至少一个计算机***中以集中方式实现,或者由分布在几个互连的计算机***中的不同部分以分散方式实现。任何可以实现本发明方法的计算机***或其它设备都是可适用的。常用软硬件的结合可以是安装有计算机程序的通用计算机***,通过安装和执行程序控制计算机***,使其按本发明方法运行。
虽然本发明是通过具体实施例进行说明的,本领域技术人员应当明白,在不脱离本发明范围的情况下,还可以对本发明进行各种变换及等同替代。另外,针对特定情形或材料,可以对本发明做各种修改,而不脱离本发明的范围。因此,本发明不局限于所公开的具体实施例,而应当包括落入本发明权利要求范围内的全部实施方式。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于表函数的量子计算模拟方法,其特征在于,包括:
S1、采用多个计算机模拟多个自由度的计算向量,其中一个计算机构成一个计算节点,每个计算机的计算向量表示一个量子位,每个计算机的计算向量计算采用表函数计算法进行计算;
S2、将所述多个计算机构成的多个计算节点进行组装和调度,编码为所需的计算向量以模拟量子位的特性;
S3、基于所述计算向量,根据量子信息学计算理论,实现量子并行计算。
2.根据权利要求1所述的基于表函数的量子计算模拟方法,其特征在于,所述在所述步骤S1中,每个计算机的计算向量模拟所述量子位的量子模拟态,不同的量子模拟态之间能够进行相互转换。
3.根据权利要求1所述的基于表函数的量子计算模拟方法,其特征在于,所述表函数计算法包括:认知的分类表征,表征的编码,表征的分类计算,表征的存储,存算一体的输入输出函数映射关系表生成和搜索匹配计算。
4.根据权利要求3所述的基于表函数的量子计算模拟方法,其特征在于,所述认知的分类表征包括建立对应于人脑认知功能类别的知识表征体系;所述表征的编码包括根据不同表征类别的不同属性特征,建立相应的数据结构,形成不同表征类别的不同编码;所述表征的分类计算包括根据不同表征类别及编码,对不同的表征类别采用不同的计算算法进行计算和数据处理;所述表征的存储包括根据所述表征类别、所述编码及分类处理结果,基于定制的数据存储模型,对相应的数据进行压缩存储,并支持指数级的快速存取;所述存算一体的输入输出函数映射关系表生成包括依据所述表征类别、所述编码及分类计算算法,离线计算生成不同输入信息对应的输出信息结果值,基于统一的表函数模板,形成相应结果的输入输出函数映射关系表;所述搜索匹配计算包括在有计算任务时,采用多级模式搜索算法,通过输入的变量值直接在所述输入输出函数映射关系表的输入空间中进行搜索,根据满足匹配的所述变量对应的输出真值即为计算结果值输出。
5.根据权利要求4所述的基于表函数的量子计算模拟方法,其特征在于,所述数据存储模型包括一维无限深势阱模型,所述多级模式搜索算法包括自适应共振网络3多级模式搜索算法,所述匹配采用模式相似度计算方法。
6.根据权利要求1-5中任意一项所述的基于表函数的量子计算模拟方法,其特征在于,在所述步骤S2中,通过基于软件定义网络的无中心全交换式网络连接所述多个计算节点以进行组装和调度,并通过设计的复合波函数实现所述多个计算机的输出结果的复合以形成量子态叠加输出。
7.根据权利要求6所述的基于表函数的量子计算模拟方法,其特征在于,所述复合波函数包括正弦波、余弦波的量子本征态波函数的复合。
8.一种基于表函数的量子计算模拟***,其特征在于,包括彼此通信的多个计算机,每个计算机构成一个计算节点,每个计算机的计算向量表示一个量子位,每个计算机的计算向量计算采用表函数计算法进行计算;所述多个计算机模拟多个自由度的计算向量,所述多个计算机构成的多个计算节点进行组装和调度,编码为所需的计算向量以模拟量子位的特性;基于所述计算向量,根据量子信息学计算理论,实现量子并行计算。
9.根据权利要求8所述的基于表函数的量子计算模拟***,其特征在于,每个所述计算机包括:
表函数计算模块,用于执行认知的分类表征,表征的编码,表征的分类计算,表征的存储,存算一体的输入输出函数映射关系表生成和搜索匹配计算。
10.根据权利要求9所述的基于表函数的量子计算模拟***,其特征在于,通过基于软件定义网络的无中心全交换式网络连接所述多个计算节点以进行组装和调度,并通过设计的复合波函数实现所述多个计算机的输出结果的复合以形成量子态叠加输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110157917.2A CN112819172B (zh) | 2021-02-04 | 2021-02-04 | 一种基于表函数的量子计算模拟方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110157917.2A CN112819172B (zh) | 2021-02-04 | 2021-02-04 | 一种基于表函数的量子计算模拟方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112819172A true CN112819172A (zh) | 2021-05-18 |
CN112819172B CN112819172B (zh) | 2024-06-07 |
Family
ID=75861565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110157917.2A Active CN112819172B (zh) | 2021-02-04 | 2021-02-04 | 一种基于表函数的量子计算模拟方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112819172B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113242267A (zh) * | 2021-07-12 | 2021-08-10 | 深圳市永达电子信息股份有限公司 | 一种基于类脑计算的态势感知方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679157A (zh) * | 2017-09-27 | 2018-02-09 | 杨建民 | 自动编码方法和*** |
DE102017008487A1 (de) * | 2017-09-09 | 2019-03-14 | Friedrich Fix | Qubitstrukturen in Quantencomputersystemen |
CN110457285A (zh) * | 2019-06-06 | 2019-11-15 | 福建奇点时空数字科技有限公司 | 一种基于直接映射标准的结构化信息数据映射方法 |
US20200218787A1 (en) * | 2019-01-03 | 2020-07-09 | International Business Machines Corporation | Avoiding data exchange in gate operation for quantum computing gates on a chip |
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 |
-
2021
- 2021-02-04 CN CN202110157917.2A patent/CN112819172B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017008487A1 (de) * | 2017-09-09 | 2019-03-14 | Friedrich Fix | Qubitstrukturen in Quantencomputersystemen |
CN107679157A (zh) * | 2017-09-27 | 2018-02-09 | 杨建民 | 自动编码方法和*** |
US20200218787A1 (en) * | 2019-01-03 | 2020-07-09 | International Business Machines Corporation | Avoiding data exchange in gate operation for quantum computing gates on a chip |
CN110457285A (zh) * | 2019-06-06 | 2019-11-15 | 福建奇点时空数字科技有限公司 | 一种基于直接映射标准的结构化信息数据映射方法 |
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 |
Non-Patent Citations (2)
Title |
---|
宋辉: "量子计算机体系结构及模拟技术的研究与实现", 《信息科技辑》, no. 1, pages 4 - 5 * |
彭小萍: "自适应共振理论原理与应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113242267A (zh) * | 2021-07-12 | 2021-08-10 | 深圳市永达电子信息股份有限公司 | 一种基于类脑计算的态势感知方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112819172B (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | A survey of weight vector adjustment methods for decomposition-based multiobjective evolutionary algorithms | |
Zhou et al. | Stacked extreme learning machines | |
CA3085897A1 (en) | Evolutionary architectures for evolution of deep neural networks | |
Deshpande et al. | Computational creativity via assisted variational synthesis of mechanisms using deep generative models | |
CN111460928A (zh) | 一种人体动作识别***及方法 | |
Jiang et al. | Block-level knowledge transfer for evolutionary multitask optimization | |
Musikawan et al. | Parallelized metaheuristic-ensemble of heterogeneous feedforward neural networks for regression problems | |
Kim et al. | Learning robot structure and motion embeddings using graph neural networks | |
Liu et al. | Understanding the distillation process from deep generative models to tractable probabilistic circuits | |
CN112819172B (zh) | 一种基于表函数的量子计算模拟方法和*** | |
Yan et al. | Exkgr: Explainable multi-hop reasoning for evolving knowledge graph | |
Zhang et al. | Scalegcn: Efficient and effective graph convolution via channel-wise scale transformation | |
Liu et al. | A pseudoinversion-free method for weight updating in broad learning system | |
Schrodi et al. | Construction of hierarchical neural architecture search spaces based on context-free grammars | |
Nagar et al. | Quadratic GCN for graph classification | |
L'Abbate et al. | A quantum-classical collaborative training architecture based on quantum state fidelity | |
CN113836174B (zh) | 基于强化学习dqn算法的异步sql连接查询优化方法 | |
JP2002042104A (ja) | 量子ソフトコンピューティングを使用した制御システムと制御方法 | |
Altares-López et al. | AutoQML: Automatic generation and training of robust quantum-inspired classifiers by using evolutionary algorithms on grayscale images | |
Golluccio et al. | Objects relocation in clutter with robot manipulators via tree-based q-learning algorithm: Analysis and experiments | |
Altares-López et al. | Autoqml: Automatic generation and training of robust quantum-inspired classifiers by using genetic algorithms on grayscale images | |
Shan et al. | Evolutionary extreme learning machine optimized by quantum-behaved Particle swarm optimization | |
Mungai et al. | A study on merging mechanisms of simple hopfield network models for building associative memory | |
Nápoles et al. | Fuzzy cognitive maps: A business intelligence discussion | |
Javaheripi et al. | Swann: Small-world architecture for fast convergence of neural networks |
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 |