CN113052317B - 量子态信息的获取方法和装置、量子测控***和计算机 - Google Patents
量子态信息的获取方法和装置、量子测控***和计算机 Download PDFInfo
- Publication number
- CN113052317B CN113052317B CN202110254067.8A CN202110254067A CN113052317B CN 113052317 B CN113052317 B CN 113052317B CN 202110254067 A CN202110254067 A CN 202110254067A CN 113052317 B CN113052317 B CN 113052317B
- Authority
- CN
- China
- Prior art keywords
- signal
- quantum
- model
- parameters
- quantum state
- 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
Links
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
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种量子态信息的获取方法和装置、量子测控***和计算机,首先获取第一信号以及对应的分辨系数,通过机器学习训练得到一模型,利用所述模型对第一信号进行分析。无需对模拟信号进行IQ解调操作,整个分辨方法的方案与现有技术相比更加简单,有效节省了测控***中计算模块的计算资源。
Description
技术领域
本发明涉及量子测控领域,尤其是涉及一种量子态信息的获取方法和装置、量子测控***和计算机。
背景技术
量子比特信息是指量子比特的量子态,基本的量子态是|0>态和|1>态,量子比特***作之后,量子比特的量子态发生改变,在量子芯片上,则体现为量子芯片被执行后,量子比特所述的量子态即量子芯片的执行结果,该执行结果由采集到的量子比特读取信号(一般为模拟信号)携带并传出的。通过量子比特读取信号快速解析量子比特的量子态是了解量子芯片执行性能的关键工作。现有技术中,对于量子比特读取信号的解析过程一般可大致分为IQ解调、滤波以及积分,这种解析方案需要同时计算IQ解调的结果。
发明人在实际应用时发现,现有技术中这种解析方案需要同时计算IQ解调的结果,在计算完成后,还需要对IQ解调的结果进行旋转以及阈值判定,这些过程繁杂需要消耗测控***中计算模块的大量计算资源。
因此,如何节省计算资源,成为本领域亟待解决的技术问题。
需要说明的是,公开于本申请背景技术部分的信息仅仅旨在加深对本申请一般背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种量子态信息的获取方法和装置、量子测控***和计算机,用于解决现有的解析方案需要消耗测控***中计算模块的大量计算资源。
为了解决上述技术问题,本发明提出一种量子态信息的获取方法,量子态信息包含在从量子比特上获取的采集信号中,所述获取方法包括以下步骤:
获取第一信号及其对应的分辨系数,其中,所述第一信号为所述采集信号进行离散化处理后得到的信号,所述分辨系数根据从所述采集信号中提取和确定量子态时的相关参数确定;
使用模型对所述第一信号进行分析,获取所述采集信号中的量子态信息,其中,所述模型为使用多组数据通过机器学习训练得到的,所述多组数据中的每组数据均包括第二信号、分辨系数以及标识所述第二信号的量子态的标签,所述第二信号为用于训练的采集信号进行离散化处理后得到的信号。
可选地,所述相关参数包括解调参数以及态分类方程的参数,所述解调参数为对所述采集信号进行解调过程中配置的参数,所述态分类方程为预先配置用于区分不同的量子态。
可选地,所述使用多组数据通过机器学习训练得到所述模型的过程包括:
基于所述第二信号获取对应的分辨系数以及所述态分类方程的参数;
基于所述分辨系数以及所述态分类方程的参数对所述模型的权重进行初始化;
基于所述第二信号以及所述权重,获取所述模型的输出结果;
判断所述输出结果是否满足预设的阈值条件;
若是,则停止训练,并输出训练后的所述模型;
若否,则基于所述输出结果获取损失函数;
基于所述损失函数,更新所述权重,并返回执行所述基于所述第二信号以及所述权重,获取所述模型的输出结果。
可选地,所述模型包括非线性神经元。
可选地,所述非线性神经元包括Sigmoid神经元,或Tanh神经元,或Relu神经元。
可选地,所述损失函数通过以下公式获取:
其中,D为所述第二信号,td为预测的结果,od为所述输出结果,E为所述损失函数。
可选地,通过梯度下降法,或牛顿法,或随机游走法,或进化策略法更新所述权重。
可选地,所述态分类方程通过以下步骤获取:
将一量子比特制备成第一量子态并对其进行重复测量获取量子比特读取信号在正交平面坐标系上的多个坐标点数据,记为第一集合;
将所述量子比特制备成第二量子态并对其进行重复测量获取量子比特读取信号在正交平面坐标系上的多个坐标点数据,记为第二集合,其中:所述第一量子态和所述第二量子态均为已知量子态且互不相同;
基于所述第一集合、所述第二集合以及所述正交平面坐标系,获取所述态分类方程。
可选地,基于所述第一集合、所述第二集合以及所述正交平面坐标系,通过二元分类算法获取所述态分类方程。
可选地,所述解调参数包括正交本振信号,所述正交本振信号用于对所述采集信号进行下变频并输出基带信号。
可选地,所述解调参数还包括滤波器的抽头系数,所述滤波器用于对所述基带信号进行滤波处理。
可选地,所述解调参数还包括窗函数,所述窗函数为对经滤波处理后的所述基带信号进行加权累加过程中配置的参数。
可选地,所述模型包括一量子态分辨系数模型,所述量子态分辨系数模型中包括所述分辨系数构成的分辨方程,所述分辨系数以及所述分辨方程按照以下公式获取:
其中,a、b、c为所述态分类方程的参数,cos(2πftl)、sin(2πftl)为所述正交本振信号,w1(l+n)、w2(l+n)为所述窗函数,bn为所述滤波器的抽头系数,N为所述滤波器的阶数,f为所述采集信号的频率,sl为对所述采集信号进行离散化处理后得到的信号,L为对所述采集信号进行离散化处理的采样点的数量,kl为所述分辨系数,tl为各个采样点对应的时间点,p为所述分辨方程的计算结果。
基于同一发明构思,本发明还提出一种量子态信息的获取装置,量子态信息包含在从量子比特上获取的采集信号中,所述获取装置包括:
第一模块,其被配置为获取第一信号及其对应的分辨系数,其中,所述第一信号为所述采集信号进行离散化处理后得到的信号,所述分辨系数根据从所述采集信号中提取和确定量子态时的相关参数确定;
第二模块,其被配置为使用模型对所述第一信号进行分析,获取所述采集信号中的量子态信息,其中,所述模型为使用多组数据通过机器学习训练得到的,所述多组数据中的每组数据均包括第二信号、分辨系数以及标识所述第二信号的量子态的标签,所述第二信号为用于训练的采集信号进行离散化处理后得到的信号。
基于同一发明构思,本发明还提出一种量子态信息的获取***,包括:
采样单元,其被配置为对包含有量子态信息的采集信号进行采样处理,并输出采样信号;
第一单元,其被配置为存储模型对所述采样信号进行分析,获取所述采集信号中的量子态信息,其中,所述模型为使用多组数据通过机器学习训练得到的,所述多组数据中的每组数据均包括第二信号、分辨系数以及标识所述第二信号的量子态的标签,所述第二信号为用于训练的采集信号进行离散化处理后得到的信号。
基于同一发明构思,本发明还提出一种量子测控***,包括所述的量子态信息的获取装置,或所述的量子态信息的获取***;
所述获取装置或所述获取***设置在所述量子测控***的读出信号输出侧,所述读出信号输出侧用于获取所述量子测控***输出的采集信号,所述获取装置或所述获取***用于分辨所述采集信号对应的量子态。
基于同一发明构思,本发明还提出一种量子计算机,包括所述的量子测控***。
基于同一发明构思,本发明还提出一种可读存储介质,其上存储有计算机程序,所述计算机程序被一处理器执行时能实现上述特征描述中任一项所述的量子态信息的获取方法。
与现有技术相比,本发明具有以下有益效果:
本发明提出的量子态信息的获取方法,首先获取第一信号以及对应的分辨系数,通过机器学习训练得到一模型,利用所述模型对第一信号进行分析。无需对模拟信号进行IQ解调操作,整个分辨方法的方案与现有技术相比更加简单,有效节省了测控***中计算模块的计算资源。
本发明提出的量子态信息的获取装置、量子态信息的获取***、量子测控***、量子计算机以及可读存储介质,与所述量子态信息的获取方法属于同一发明构思,因此,具有相同的有益效果,在此不做赘述。
附图说明
图1为本发明实施例提供的一种量子态信息的获取方法的流程示意图;
图2为本发明实施例中示出的一种态分类方程的示意图;
图3为本发明实施例提出的一种利用线性神经元的模型的结构示意图;
图4为本发明实施例提出的一种利用非线性神经元的模型的结构示意图;
图5为线性神经元应用在只包含线性因素场景的示意图;
图6为线性神经元应用在包含非线性因素场景的示意图;
图7为利用图4中的模型进行训练时损失函数随训练次数的变化曲线。
具体实施方式
下面将结合示意图对本发明的具体实施方式进行更详细的描述。根据下列描述和权利要求书,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。
在本发明的描述中,需要理解的是,术语“中心”、“上”、“下”、“左”、“右”等指示的方位或者位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
人工神经网络最早可以追溯到1943年的McCulloch-Pitts(M-P)提出的神经元模型。R.Rosenblatt在M-P神经元的基础上增加了训练过程,从而提出了感知器模型。目前为止,人工神经网络不仅有着完善的理论基础,而且已经在实际应用发挥着重要作用,这涵盖了模式识别,分类问题和多变量数据分析等领域。通过对现有技术中有关如何分辨量子态的方案描述可知,现有技术中的解析方案全部需要在测控***中的计算模块内执行,通过计算模块一步一步执行各种计算操作,例如,先对模拟信号进行解调,解调的过程有分为混频、滤波以及积分等步骤,在解调完之后一般会输出对应的一组正交基带分量,然后判断这些正交基带分量所代表的量子态。这些步骤繁琐复杂,且需要计算模块经过多级流水线依次处理,而一般计算模块为带数据处理功能的处理芯片,其计算能力有限,因此在器件选型时还需要充分考虑处理芯片的计算能力,对于研发人员的研发进度以及成本有一定要求。发明人发现,对包含有量子态信息的采集信号进行量子态分辨的具体步骤可通过基于人工神经网络的感知器来执行,也即建立一个用于获取量子态信息的模型来实现,在具体应用时,只要首先输入一些数据对模型进行训练,然后将采集到的信号输入训练后的模型中即可实现量子态信息的获取过程。由此,计算模块中只需执行对模型与采集到的信号的计算即可,仅需要一步执行操作就能获取采集信号中量子态信息。
请参考图1,本实施例提出了一种量子态信息的获取方法,量子态信息包含在从量子比特上获取的采集信号中,所述获取方法包括以下步骤:
S1:获取第一信号及其对应的分辨系数,其中,所述第一信号为所述采集信号进行离散化处理后得到的信号,所述分辨系数根据从所述采集信号中提取和确定量子态时的相关参数确定;
S2:使用模型对所述第一信号进行分析,获取所述采集信号中的量子态信息,其中,所述模型为使用多组数据通过机器学习训练得到的,所述多组数据中的每组数据均包括第二信号、分辨系数以及标识所述第二信号的量子态的标签,所述第二信号为用于训练的采集信号进行离散化处理后得到的信号。
与现有技术不同之处在于,本实施例提出的量子态信息的获取方法,首先获取第一信号以及对应的分辨系数,通过机器学习训练得到一模型,利用所述模型对第一信号进行分析。无需对模拟信号进行IQ解调操作,整个分辨方法的方案与现有技术相比更加简单,有效节省了测控***中计算模块的计算资源。所述模型可参考图3,所述模型的输入为所述分辨系数、所述第一信号,所述模型的输出为所述第一信号中携带的量子态信号,图3中x1、x2...xn指代所述第一信号,ω0、ω1、ω2...ωn指代所述分辨系数。
具体地,所述相关参数包括解调参数以及态分类方程的参数,所述解调参数为对所述采集信号进行解调过程中配置的参数,所述态分类方程为预先配置用于区分不同的量子态。在本发明实施例中,为了便于描述和理解本申请的技术方案,不同量子态分别为|0>态和|1>态,可以理解的是,在其它实施例中还可以有其它的量子态,在此不做限制。
可选地,所述态分类方程通过以下步骤获取:
第一步:将一量子比特制备成第一量子态并对其进行重复测量获取量子比特读取信号在正交平面坐标系上的多个坐标点数据,记为第一集合;
第二步:将所述量子比特制备成第二量子态并对其进行重复测量获取量子比特读取信号在正交平面坐标系上的多个坐标点数据,记为第二集合,其中:所述第一量子态和所述第二量子态均为已知量子态且互不相同;
第三步:基于所述第一集合、所述第二集合以及所述正交平面坐标系,获取所述态分类方程。
在所述量子态信息的获取方法过程中,需要处理的信号为经从读取腔中透射或反射出的微波信号,并分辨该微波信号携带量子态的信息。量子态的信息包含在某个频率分量的幅值和相位中,该频率值由实验设计的量子比特的结构来决定,例如在本实施例中该频率值的范围可设置为500MHz-700MHz。态分类方程的参数获取流程如下:将目标比特制备到|0>态和|1>态,分别重复M次并完成每次的测量及相应的IQ解调,请参考图2,根据比特状态的不同,两组M个(I,Q)将在IQ平面分别以不同的中心形成两个二维高斯分布(也即所述第一集合以及所述第二集合),借助一般的二元分类算法,我们可以获得相应的最优分类直线,如图2中黑色虚线所示,这里可以假设由图2得到的态分类方程为aI+bQ+c=0。
所述模型的输出结果的正负号可以直接用来区分量子态,在测控***中尤其是基于FPGA的单乘累加器快速分辨通道,直接对所述模型的输出结果的二进制有符号数值取最高位也就是符号位,0/1能直接对应两个量子态。例如,假设所述态分类方程的图形为图2中所示出的,由于所述分辨方程的计算结果的最高位代表了其正负,当最高位为1时代表负数,当最高位为0时代表正数。因此,当最高位为1时,则表示计算结果在图2中虚线的下方,对应的量子态为|0>态,当最高位为0时,则表示计算结果在图2中虚线的上方,对应的量子态应当为|1>态。
可以理解的是,在其它实施例中,所述模型的输出结果还可与一预设的阈值比较,实际上,在本实施例中所述阈值同样可理解为是0,对于设定阈值的技术方案与本申请的方案类似,在此不做赘述。
可选地,基于所述第一集合、所述第二集合以及所述正交平面坐标系,通过二元分类算法获取所述态分类方程。
可选地,所述解调参数包括正交本振信号,所述正交本振信号用于对所述采集信号进行下变频并输出基带信号。一般地,所述正交本振信号为cos(2πftl)和sin(2πftl)。
进一步地,由于在对所述采集信号进行下变频后输出的基带信号中,包含了不含量子比特信息的高频噪声信号,因此,需要对下变频输出的基带信号进行滤波处理,因此,在设计解调参数时,还需要将滤波器的抽头系数考虑进去,也即所述解调参数还包括滤波器的抽头系数,所述滤波器用于对所述基带信号进行滤波处理。可以理解的是,所述滤波器可为低通滤波器,所述滤波器的抽头系数与低通滤波器的阶数相关,一般地,N阶的低通滤波器具有N+1个抽头系数,具体抽头系数的数值可根据实际情况来设计,在此不做限制。
更进一步地,经滤波处理后的基带信号可以直接分别平权累加去平均值来作为解调的结果,然后利用该解调的结果进行量子态分辨。发明人发现通过设计窗函数来实现加权累加以替代一般的矩形可以在一定程度上优化量子态分辨的保真度。因此,在设计解调系数时,还可将窗函数的参数考虑进去,也即所述解调参数还包括窗函数,所述窗函数为对经滤波处理后的所述基带信号进行加权累加过程中配置的参数。
为了更好地理解本申请的技术方案,以下对窗函数的相关概念做简要介绍:数字信号处理的主要数学工具是傅里叶变换.而傅里叶变换研究的是整个时间域和频率域的关系。不过,当运用计算机实现工程测试信号处理时,不可能对无限长的信号进行测量和计算,而是取其有限的时间片段进行分析。做法是从信号中截取一个时间片段,然后用截取的信号时间片段进行周期延拓处理,得到虚拟的无限长的信号,然后就可以对信号进行傅里叶变换、相关分析等数学处理。无限长的信号被截断以后,其频谱发生了畸变,原来集中在f(0)处的能量被分散到两个较宽的频带中去了(这种现象称之为频谱能量泄漏)。为了减少频谱能量泄漏,可采用不同的截取函数对信号进行截断,截断函数称为窗函数,简称为窗,窗函数就是时域有限宽的信号。而在对于量子信号处理的领域,已发展出更适应此特定问题的窗函数设计法,普遍采用的是归一化后的两态分离轨迹之间的差值(即滤波之后的对应两态序列的差值的多次平均(注意需要分IQ两路))。
可选地,量子态分辨系数模型包括分辨系数,所述分辨模型包括分辨方程,所述分辨系数以及所述分辨方程按照以下公式获取:
其中,a、b、c为所述态分类方程的参数,cos(2πftl)、sin(2πftl)为所述正交本振信号,w1(l+n)、w2(l+n)为所述窗函数,bn为所述滤波器的抽头系数,N为所述滤波器的阶数,f为所述采集信号的频率,sl为对所述采集信号进行离散化处理后得到的信号,L为对所述采集信号进行离散化处理的采样点的数量,kl为所述分辨系数,tl为各个采样点对应的时间点,p为所述分辨方程的计算结果。需要注意的是,其中图3中ω0为所述态分类方程中的参数c。
以下结合一具体示例来说明本申请的技术方案,在本实施例中,可假设采集了采集信号中的四个数据点分别为{5,2,-1,-2},对应的两路标准正弦波(正交本振信号)采样序列为{1,0,-1,0}和{0,1,-1,0}。滤波器采用一个一阶滤波器,系数设置为{0.5,0.5}。两路窗函数分别设置设计为{0.2,0.2,0.3,0.3}和{0.2,0.3,0.3,0.2},态分类方程设置为x+y-1=0,态分类方程的图可参考图2所示。模拟信号的频率可设置为500MHz-700MHz,这里可选用500MHz。将上述参数代入公式2中可得出所述分辨系数为{0.2,0.3,-0.55,0},然后将采样得到的四个数据点{5,2,-1,-2}以及分辨系数{0.2,0.3,-0.55,0}输入到所述模型中,请参考图3,也即将采样得到的四个数据点{5,2,-1,-2}以及分辨系数{0.2,0.3,-0.55,0}以及态分类方程的参数c作为输入到所述模型中,首先所述分辨方程会计算出结果,通过公式1可知,所述分辨方程结果为1.15,请参考图3,当所述分辨方程的结果为1.15时,所述模型的输出结果o(x)为1,依据图2可以看出,当模型的输出结果为1时,表示对应的量子态在直线的上方,因此可以分辨出此时采集信号对应的量子态为|1>态。
具体地,对于所述模型的训练过程具体如下,也即所述使用多组数据通过机器学习训练得到所述模型的过程包括:
基于所述第二信号获取对应的分辨系数以及所述态分类方程的参数;
基于所述分辨系数以及所述态分类方程的参数对所述模型的权重进行初始化;所述权重也即图3中的ω0、ω1、ω2...ωn,其中,ω0初始化为所述态分类方程的参数c,ω1、ω2...ωn初始化为所述分辨系数。
基于所述第二信号以及所述权重,获取所述模型的输出结果;
判断所述输出结果是否满足预设的阈值条件;
若是,则停止训练,并输出训练后的所述模型;
若否,则基于所述输出结果获取损失函数;
基于所述损失函数,更新所述权重,并返回执行所述基于所述第二信号以及所述权重,获取所述模型的输出结果。
具体地,所述损失函数通过以下公式获取:
其中,D为所述第二信号,td为预测的结果,od为所述输出结果,E为所述损失函数。
需要注意的是,可通过梯度下降法,或牛顿法,或随机游走法,或进化策略法更新所述权重,优选通过梯度下降法更新所述权重。发明人在利用本实施例上述方案进行具体实施时发现:本实施例提出的量子态信息的获取方法虽然节省了测控***中计算模块的计算资源,其实际上是利用一种线性神经元,当输出的数据只包括线性因素时,线性神经网络可以顺利完成分类,请参考图5。但是如果情况变得复杂了,数据变得线性不可分了,直线就不能很好的分类了,请参考图6。其中,图5和图6中,三角形以及正方形分别表征两个不同的量子态,对比图5和图6不难看出,当输出的数据并非完全的线性可分时,再利用线性神经元的模型进行实施就无法获得有效的量子态信息。
通过上面对于所述模型的训练过程的描述,结合图6,可知若模型中使用线性神经元,那么在模型的训练过程中,仅对权重作出微小调整,也即对图6中直线移动一小部分,实际上是会造成分类巨大的变化,如果需要很好的对这些东西分类,实际上我们需要的是一条凹凸不平的曲线,即只对线上的某些点进行改变,而不是每次改变都移动了整条线的轨迹。基于此,发明人进一步发现由于量子比特读取信号中包含了部分具有量子特性的噪声以及量子比特读取信号的非线性因素,利用线性神经元的模型对一组量子比特读取信号进行解析时,可以从采样信号中有效获得到的量子态信息的保真度最高只能达到95%。并且,随着噪声以及非线性因素影响的增加,利用线性神经元的模型进行量子态分辨的保真度上限还会继续下降。
进一步地,为了解决线性神经元的模型在量子态信息的获取过程中保真度不足的问题,发明人考虑在所述模型中引入非线性神经元,请参考图4。所述模型包括非线性神经元。具体地,所述非线性神经元可选用Sigmoid神经元,或Tanh神经元,或Relu神经元。在本实施例中,均以Sigmoid神经元为例来说明,其它类型的神经元与之类似,在此不一一赘述。Sigmoid神经元的输入与前面线性神经元的输入相同,但是它的输出与线性神经元不用,其输出结果并不仅仅局限于两个固定值,而是可以取0到1之间的所有值,比如说0.972就是一个有效的输入值。
需要注意的是,由于使用Sigmoid神经元的模型的输出为0到1之间的所有值,因此,需要根据实际情况预设一阈值,并根据实际模型的输出结果与阈值的大小关系来区分两个不同的量子态。例如,可将阈值设置为0.5,大于0.5对应的量子态为|1>态,小于等于0.5对应的量子态为|0>态。为了便于理解本申请的技术方案,在本实施例中,阈值均设置为0.5,均以大于0.5对应的量子态为|1>态,小于等于0.5对应的量子态为|0>态为判断准则。例如,当输入模型的数据经所述Sigmoid神经元后,其结果为0.73时,由于其结果大于0.5,因此,其对应的量子态为|1>态。可以理解的是,对于不同类型的非线性神经元,其阈值也不相同,需要根据实际情况来选择,在此不做限制。
为了验证线性神经元的模型与非线性神经元模型从采样信号中有效获得到的量子态信息保真度的差别,发明人首先预设了10000组独立测量波形,其中,一半信号预先制备在|0>态,另一半信号制备在|1>态,其频率设置为618.5MHz,按照线性神经元的模型进行量子态信息获取时,其中,|0>态的保真度为0.928,|1>态的保真度为0.889。然后按照非线性神经元(这里采用Sigmoid神经元)的模型进行量子态信息获取,图7为利用非线性神经元的模型进行训练时损失函数随训练次数的变化曲线,图7的横坐标为训练系数,纵坐标为损失函数E的值,经过相同次数的训练后得到|0>态的保真度为0.949,|1>态的保真度为0.910。可以看出,利用非线性神经元的模型进行量子态信息获取时,其保真度相对于利用线性神经元的模型具有了明显的提升。
通过将机器学习应用到量子态信息的获取中,基于对模型进行机器学习的训练,并在模型中引入非线性的神经元,可使得模型有效避免量子特性的噪声以及量子比特读取信号的非线性因素的影响,有效提高从采样信号中有效获得到的量子态信息的保真度,另外,由于采用了经机器学习训练的模型,可有效提高采集量子比特读取信号的效率,在一定程度上提高了整个获取方法的实现效率。
可以理解的是,对于利用非线性神经元的模型进行机器学习训练的过程与前述基本相同,与线性神经元的模型的训练不同之处在于,在每次对权重进行微小的变化都会对输出造成相应的微小变化,并且只对线上的某些点进行改变,且不会影响整条线的轨迹。因此,利用非线性神经元的模型进行量子态信息的获取时,可有效提高从采样信号中有效获得到的量子态信息的保真度。
基于同一发明构思,本实施例还提出一种量子态信息的获取装置,量子态信息包含在从量子比特上获取的采集信号中,所述获取装置包括:
第一模块,其被配置为获取第一信号及其对应的分辨系数,其中,所述第一信号为所述采集信号进行离散化处理后得到的信号,所述分辨系数根据从所述采集信号中提取和确定量子态时的相关参数确定;
第二模块,其被配置为使用模型对所述第一信号进行分析,获取所述采集信号中的量子态信息,其中,所述模型为使用多组数据通过机器学习训练得到的,所述多组数据中的每组数据均包括第二信号、分辨系数以及标识所述第二信号的量子态的标签,所述第二信号为用于训练的采集信号进行离散化处理后得到的信号。
可以理解的是,所述第一模块以及所述第二模块可以合并在一个装置中实现,或者其中的任意一个模块可以被拆分成多个子模块,或者,所述第一模块以及所述第二模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个功能模块中实现。根据本发明的实施例,所述第一模块以及所述第二模块中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上***、基板上的***、封装上的***、专用集成电路(ASIC),或可以以对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式的适当组合来实现。或者,所述第一模块以及所述第二模块中的至少一个可以至少被部分地实现为计算机程序模块,当该程序被计算机运行时,可以执行相应模块的功能。
基于同一发明构思,本实施例还提出一种量子态信息的获取***,包括:
采样单元,其被配置为对包含有量子态信息的采集信号进行采样处理,并输出采样信号;
第一单元,其被配置为存储模型对所述采样信号进行分析,获取所述采集信号中的量子态信息,其中,所述模型为使用多组数据通过机器学习训练得到的,所述多组数据中的每组数据均包括第二信号、分辨系数以及标识所述第二信号的量子态的标签,所述第二信号为用于训练的采集信号进行离散化处理后得到的信号。
基于同一发明构思,本实施例还提出一种量子测控***,包括所述的量子态信息的获取装置,或所述的量子态信息的获取***;
所述获取装置或所述获取***设置在所述量子测控***的读出信号输出侧,所述读出信号输出侧用于获取所述量子测控***输出的采集信号,所述获取装置或所述获取***用于分辨所述采集信号对应的量子态。
基于同一发明构思,本实施例还提出一种量子计算机,包括所述的量子测控***。
基于同一发明构思,本实施例还提出一种可读存储介质,其上存储有计算机程序,所述计算机程序被一处理器执行时能实现上述特征描述中任一项所述的量子态信息的获取方法。
所述可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备,例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所描述的计算机程序可以从可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收所述计算机程序,并转发该计算机程序,以供存储在各个计算/处理设备中的可读存储介质中。用于执行本发明操作的计算机程序可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言-诸如Smalltalk、C++等,以及常规的过程式编程语言-诸如“C”语言或类似的编程语言。所述计算机程序可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机程序的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、***和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机程序实现。这些计算机程序可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些程序在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机程序存储在可读存储介质中,这些计算机程序使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有该计算机程序的可读存储介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机程序加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的计算机程序实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”或“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例中以合适的方式结合。此外,本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
上述仅为本发明的优选实施例而已,并不对本发明起到任何限制作用。任何所属技术领域的技术人员,在不脱离本发明的技术方案的范围内,对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动,均属未脱离本发明的技术方案的内容,仍属于本发明的保护范围之内。
Claims (15)
1.一种量子态信息的获取方法,其特征在于,量子态信息包含在从量子比特上获取的采集信号中,所述获取方法包括以下步骤:
获取第一信号及其对应的分辨系数,其中,所述第一信号为所述采集信号进行离散化处理后得到的信号,所述分辨系数根据从所述采集信号中提取和确定量子态时的相关参数确定,所述相关参数包括解调参数以及态分类方程的参数,所述解调参数为对所述采集信号进行解调过程中配置的参数,所述态分类方程为预先配置用于区分不同的量子态;
基于获取的第二信号及其对应的分辨系数和所述态分类方程的参数、及标识所述第二信号的量子态的标签训练用于第一信号分析的模型,其中,所述分辨系数以及所述态分类方程的参数作为所述模型的权重的初始值,并在训练过程中被迭代更新所述权重直至获得训练好的模型;所述第二信号为用于训练的采集信号进行离散化处理后得到的信号;
使用训练好的模型对所述第一信号进行分析,获取所述采集信号中的量子态信息;所述态分类方程通过以下步骤获取:
将一量子比特制备成第一量子态并对其进行重复测量获取量子比特读取信号在正交平面坐标系上的多个坐标点数据,记为第一集合;
将所述量子比特制备成第二量子态并对其进行重复测量获取量子比特读取信号在正交平面坐标系上的多个坐标点数据,记为第二集合,其中:所述第一量子态和所述第二量子态均为已知量子态且互不相同;
基于所述第一集合、所述第二集合以及所述正交平面坐标系,获取所述态分类方程。
2.如权利要求1所述的量子态信息的获取方法,其特征在于,所述基于获取的第二信号及其对应的分辨系数和所述态分类方程的参数、及标识所述第二信号的量子态的标签训练用于第一信号分析的模型,其中,所述分辨系数以及所述态分类方程的参数作为所述模型的权重的初始值,并在训练过程中被迭代更新所述权重直至获得训练好的模型;包括:
基于所述第二信号获取对应的分辨系数以及所述态分类方程的参数;
基于所述分辨系数以及所述态分类方程的参数对所述模型的权重进行初始化;
基于所述第二信号以及所述权重,获取所述模型的输出结果;
判断所述输出结果是否满足预设的阈值条件;
若是,则停止训练,并输出训练后的所述模型;
若否,则基于所述输出结果获取损失函数;
基于所述损失函数,更新所述权重,并返回执行所述基于所述第二信号以及所述权重,获取所述模型的输出结果。
3.如权利要求2所述的量子态信息的获取方法,其特征在于,所述模型包括非线性神经元。
4.如权利要求3所述的量子态信息的获取方法,其特征在于,所述非线性神经元包括Sigmoid神经元,或Tanh神经元,或Relu神经元。
5.如权利要求2所述的量子态信息的获取方法,其特征在于,所述损失函数通过以下公式获取:
其中,D为所述第二信号,td为预测的结果,od为所述输出结果,E为所述损失函数,d为构成所述第二信号的子项。
6.如权利要求2所述的量子态信息的获取方法,其特征在于,通过梯度下降法,或牛顿法,或随机游走法,或进化策略法更新所述权重。
7.如权利要求1所述的量子态信息的获取方法,其特征在于,基于所述第一集合、所述第二集合以及所述正交平面坐标系,通过二元分类算法获取所述态分类方程。
8.如权利要求1所述的量子态信息的获取方法,其特征在于,所述解调参数包括正交本振信号,所述正交本振信号用于对所述采集信号进行下变频并输出基带信号。
9.如权利要求8所述的量子态信息的获取方法,其特征在于,所述解调参数还包括滤波器的抽头系数,所述滤波器用于对所述基带信号进行滤波处理。
10.如权利要求9所述的量子态信息的获取方法,其特征在于,所述解调参数还包括窗函数,所述窗函数为对经滤波处理后的所述基带信号进行加权累加过程中配置的参数。
11.如权利要求10所述的量子态信息的获取方法,其特征在于,所述模型包括一量子态分辨系数模型,所述量子态分辨系数模型中包括所述分辨系数构成的分辨方程,所述分辨系数以及所述分辨方程按照以下公式获取:
其中,a、b、c为所述态分类方程的参数,cos(2πftl)、sin(2πftl)为所述正交本振信号,w1(l+n)、w2(l+n)为所述窗函数,bn为所述滤波器的抽头系数,N为所述滤波器的阶数,f为所述采集信号的频率,sl为对所述采集信号进行离散化处理后得到的信号,L为对所述采集信号进行离散化处理的采样点的数量,kl为所述分辨系数,tl为各个采样点对应的时间点,p为所述分辨方程的计算结果,l为1到L的自然数,n为0到N的自然数。
12.一种量子态信息的获取装置,其特征在于,量子态信息包含在从量子比特上获取的采集信号中,所述获取装置包括:
第一模块,用于获取第一信号及其对应的分辨系数,其中,所述第一信号为所述采集信号进行离散化处理后得到的信号,所述分辨系数根据从所述采集信号中提取和确定量子态时的相关参数确定,所述相关参数包括解调参数以及态分类方程的参数,所述解调参数为对所述采集信号进行解调过程中配置的参数,所述态分类方程为预先配置用于区分不同的量子态;
模型训练模块,用于基于获取的第二信号及其对应的分辨系数和所述态分类方程的参数、及标识所述第二信号的量子态的标签训练用于第一信号分析的模型,其中,所述分辨系数以及所述态分类方程的参数作为所述模型的权重的初始值,并在训练过程中被迭代更新所述权重直至获得训练好的模型;所述第二信号为用于训练的采集信号进行离散化处理后得到的信号;
第二模块,用于使用训练好的模型对所述第一信号进行分析,获取所述采集信号中的量子态信息;
所述态分类方程通过以下步骤获取:
将一量子比特制备成第一量子态并对其进行重复测量获取量子比特读取信号在正交平面坐标系上的多个坐标点数据,记为第一集合;
将所述量子比特制备成第二量子态并对其进行重复测量获取量子比特读取信号在正交平面坐标系上的多个坐标点数据,记为第二集合,其中:所述第一量子态和所述第二量子态均为已知量子态且互不相同;
基于所述第一集合、所述第二集合以及所述正交平面坐标系,获取所述态分类方程。
13.一种量子测控***,其特征在于,包括权利要求12所述的量子态信息的获取装置;
所述获取装置设置在所述量子测控***的读出信号输出侧,所述读出信号输出侧用于获取所述量子测控***输出的采集信号,所述获取装置或所述获取***用于分辨所述采集信号对应的量子态。
14.一种量子计算机,其特征在于,包括权利要求13所述的量子测控***。
15.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被一处理器执行时能实现权利要求1至11中任一项所述的量子态信息的获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110254067.8A CN113052317B (zh) | 2021-03-09 | 2021-03-09 | 量子态信息的获取方法和装置、量子测控***和计算机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110254067.8A CN113052317B (zh) | 2021-03-09 | 2021-03-09 | 量子态信息的获取方法和装置、量子测控***和计算机 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113052317A CN113052317A (zh) | 2021-06-29 |
CN113052317B true CN113052317B (zh) | 2023-10-13 |
Family
ID=76510538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110254067.8A Active CN113052317B (zh) | 2021-03-09 | 2021-03-09 | 量子态信息的获取方法和装置、量子测控***和计算机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052317B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11606230B2 (en) | 2021-03-03 | 2023-03-14 | Apple Inc. | Channel equalization |
US11784731B2 (en) * | 2021-03-09 | 2023-10-10 | Apple Inc. | Multi-phase-level signaling to improve data bandwidth over lossy channels |
CN113807526B (zh) * | 2021-09-26 | 2024-03-29 | 深圳市腾讯计算机***有限公司 | 量子体系的本征态获取方法、装置、设备及存储介质 |
CN116523058A (zh) * | 2022-01-24 | 2023-08-01 | 本源量子计算科技(合肥)股份有限公司 | 量子门操作信息的获取方法及装置、量子计算机 |
CN115115055B (zh) * | 2022-08-31 | 2022-12-06 | 合肥本源量子计算科技有限责任公司 | 联合读取信号的参数优化方法、装置及量子控制*** |
CN115146781B (zh) * | 2022-09-01 | 2022-12-06 | 合肥本源量子计算科技有限责任公司 | 联合读取信号的参数获取方法、装置及量子控制*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447271A (zh) * | 2018-10-15 | 2019-03-08 | 合肥本源量子计算科技有限责任公司 | 一种量子比特量子态读取方法及装置 |
CN110706254A (zh) * | 2019-09-19 | 2020-01-17 | 浙江大学 | 一种目标跟踪模板自适应更新方法 |
CN111311000A (zh) * | 2020-02-14 | 2020-06-19 | 北京百度网讯科技有限公司 | 用户消费行为预测模型训练方法、装置、设备及存储介质 |
CN111369003A (zh) * | 2020-03-31 | 2020-07-03 | 合肥本源量子计算科技有限责任公司 | 一种量子比特读取信号保真度的确定方法、装置 |
CN111368920A (zh) * | 2020-03-05 | 2020-07-03 | 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 |
CN111563186A (zh) * | 2020-04-30 | 2020-08-21 | 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 |
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 (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110692067A (zh) * | 2017-06-02 | 2020-01-14 | 谷歌有限责任公司 | 量子神经网络 |
US10528885B2 (en) * | 2017-09-29 | 2020-01-07 | International Business Machines Corporation | Cross-resonance fan-out for efficiency and hardware reduction |
-
2021
- 2021-03-09 CN CN202110254067.8A patent/CN113052317B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447271A (zh) * | 2018-10-15 | 2019-03-08 | 合肥本源量子计算科技有限责任公司 | 一种量子比特量子态读取方法及装置 |
CN110706254A (zh) * | 2019-09-19 | 2020-01-17 | 浙江大学 | 一种目标跟踪模板自适应更新方法 |
CN111311000A (zh) * | 2020-02-14 | 2020-06-19 | 北京百度网讯科技有限公司 | 用户消费行为预测模型训练方法、装置、设备及存储介质 |
CN111368920A (zh) * | 2020-03-05 | 2020-07-03 | 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 |
CN111369003A (zh) * | 2020-03-31 | 2020-07-03 | 合肥本源量子计算科技有限责任公司 | 一种量子比特读取信号保真度的确定方法、装置 |
CN111563186A (zh) * | 2020-04-30 | 2020-08-21 | 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 |
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 (5)
Title |
---|
Quantum pattern recognition;P. W. H. Pinkse et al.;《2013 Conference on Lasers & Electro-Optics Europe & International Quantum Electronics Conference CLEO EUROPE/IQEC》;第1页 * |
Recognition Property of Quantum Character Recognition Algorithm;Osamu Matoba et al.;《 LEOS 2006 - 19th Annual Meeting of the IEEE Lasers and Electro-Optics Society》;第350-351页 * |
机器学习在量子信息与其他物理中的应用;崔子嵬;《中国优秀硕士学位论文全文数据库基础科学辑》(第第01期期);第A005-64页 * |
量子机器学习;陆思聪等;《控制理论与应用》;第34卷(第11期);第1429-1436页 * |
量子神经元特性研究;李飞等;《电路与***学报》(第04期);第76-80页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113052317A (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113052317B (zh) | 量子态信息的获取方法和装置、量子测控***和计算机 | |
Stanev et al. | Unsupervised phase mapping of X-ray diffraction data by nonnegative matrix factorization integrated with custom clustering | |
Fayyaz et al. | Adaptive token sampling for efficient vision transformers | |
Kolosnjaji et al. | Empowering convolutional networks for malware classification and analysis | |
Ratto et al. | State dependent parameter metamodelling and sensitivity analysis | |
Gravey et al. | QuickSampling v1. 0: a robust and simplified pixel-based multiple-point simulation approach | |
Agarwal et al. | Towards the unification and robustness of perturbation and gradient based explanations | |
Moini et al. | Power side-channel attacks on BNN accelerators in remote FPGAs | |
CN112884154B (zh) | 量子态的分辨方法、装置和***、量子测控***和计算机 | |
Mamalakis et al. | Explainable artificial intelligence in meteorology and climate science: Model fine-tuning, calibrating trust and learning new science | |
Greaves-Tunnell et al. | A statistical investigation of long memory in language and music | |
Maiorino et al. | Data-driven detrending of nonstationary fractal time series with echo state networks | |
US20240013077A1 (en) | Phase-robust matched kernel acquisition for qubit state determination | |
Gulowaty et al. | SMOTE algorithm variations in balancing data streams | |
Aftab et al. | Diagnosis of plant-wide oscillations by combining multivariate empirical mode decomposition and delay vector variance | |
Wang et al. | Sampling with prior knowledge for high-dimensional gravitational wave data analysis | |
JP2019121376A (ja) | 機械学習タスクを容易にするための最適なマザーウェーブレットを得るためのシステムおよび方法 | |
Taran et al. | Challenging interferometric imaging: Machine learning-based source localization from uv-plane observations | |
Ferreira et al. | A model validation scale based on multiple indices | |
Künkel et al. | Detecting pulsars with neural networks: a proof of concept | |
Murbach et al. | Open software and datasets for the analysis of electrochemical impedance spectra | |
De Santis et al. | Quantum median filter for total variation image denoising | |
Gholami et al. | An integrated approach to neural network design, training, and inference | |
Schuld et al. | Variational circuits as machine learning models | |
Sree et al. | Intelligent Malware detection using extreme learning machine |
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 | ||
CB02 | Change of applicant information |
Address after: 230088 6th floor, E2 building, phase II, innovation industrial park, 2800 innovation Avenue, high tech Zone, Hefei City, Anhui Province Applicant after: Benyuan Quantum Computing Technology (Hefei) Co.,Ltd. Address before: 230088 6th floor, E2 building, phase II, innovation industrial park, 2800 innovation Avenue, high tech Zone, Hefei City, Anhui Province Applicant before: ORIGIN QUANTUM COMPUTING COMPANY, LIMITED, HEFEI |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |