CN114065939A - 量子芯片设计模型的训练方法、装置、设备及存储介质 - Google Patents
量子芯片设计模型的训练方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114065939A CN114065939A CN202111387819.4A CN202111387819A CN114065939A CN 114065939 A CN114065939 A CN 114065939A CN 202111387819 A CN202111387819 A CN 202111387819A CN 114065939 A CN114065939 A CN 114065939A
- Authority
- CN
- China
- Prior art keywords
- value
- chip
- design
- design parameter
- sample
- 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
- 238000013461 design Methods 0.000 title claims abstract description 236
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000012549 training Methods 0.000 title claims abstract description 72
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 239000003990 capacitor Substances 0.000 claims description 37
- 239000004020 conductor Substances 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 239000002096 quantum dot Substances 0.000 description 18
- 238000010586 diagram Methods 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 10
- 239000000243 solution Substances 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 239000000047 product Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 239000012895 dilution Substances 0.000 description 2
- 238000010790 dilution Methods 0.000 description 2
- 230000005672 electromagnetic field Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 229910052594 sapphire Inorganic materials 0.000 description 1
- 239000010980 sapphire Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000005418 spin wave Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect 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)
- Superconductor Devices And Manufacturing Methods Thereof (AREA)
Abstract
本公开提供了量子芯片设计模型的训练方法、装置、设备及存储介质,涉及量子计算领域,尤其涉及量子芯片设计领域。具体实现方案为:获取样本量子芯片的设计参数样本值及对应的芯片性能样本值;建立初始网络模型;将该芯片性能样本值输入该初始网络模型,得到设计参数预测值;根据该设计参数预测值与该设计参数样本值之间的差异,训练该初始网络模型,以得到量子芯片设计模型,其中,该量子芯片设计模型用于根据目标量子芯片的芯片性能目标值,确定对应的设计参数目标值。相比于依赖人工经验得出设计参数目标值,利用训练好的模型得到的参数目标值能够更快速地找到最优设计参数,大大降低量子芯片设计的时间和资源成本。
Description
技术领域
本公开涉及量子计算领域,尤其涉及量子芯片设计领域,具体涉及一种量子芯片设计模型的训练方法、装置、电子设备及存储介质。
背景技术
作为芯片尺寸突破经典物理极限的逻辑必然,同时也是后摩尔时代标志性的技术,量子计算及其相关技术获得了很大的关注。现如今,无论从应用层面、算法层面、还是硬件层面,量子计算都取得了一定的进展,与此同时也面临着诸多难题和挑战。特别是在量子硬件层面,在量子芯片设计的过程中,芯片上电容的多个具体尺寸均会影响量子芯片的整体性能值,但同时每个具体尺寸的设计具有较大自由度,没有形成统一规范,因此,在现有的设计方案中,需要设计人员凭经验给出多组尺寸值,再通过仿真实验反复测试、优化,最终得到最佳的尺寸结果,该方法耗时费力,直接制约了量子芯片的设计效率。
发明内容
本公开提供了一种量子芯片设计模型的训练方法装置、设备(也被称为电子设备)以及存储介质。
根据本公开的第一方面,提供了一种量子芯片设计模型的训练方法,包括:
获取样本量子芯片的设计参数样本值及对应的芯片性能样本值;
建立初始网络模型;
将该芯片性能样本值输入该初始网络模型,得到设计参数预测值;
根据该设计参数预测值与该设计参数样本值之间的差异,训练该初始网络模型,以得到量子芯片设计模型,其中,该量子芯片设计模型用于根据目标量子芯片的芯片性能目标值,确定对应的设计参数目标值。
根据本公开的第二方面,提供了一种量子芯片的设计方法,包括:
获取目标量子芯片对应的芯片性能目标值;
将该芯片性能目标值输入预先训练得到的量子芯片设计模型,得到该目标量子芯片对应的第一设计参数目标值。
根据本公开的第三方面,提供了一种量子芯片设计模型的训练装置,包括:
第一获取模块,用于获取样本量子芯片的设计参数样本值及对应的芯片性能样本值;
建立模块,用于建立初始网络模型;
预测模块,用于将该芯片性能样本值输入该初始网络模型,得到设计参数预测值;
训练模块,用于根据该设计参数预测值与该设计参数样本值之间的差异,训练该初始网络模型,以得到量子芯片设计模型,其中,该量子芯片设计模型用于根据目标量子芯片的芯片性能目标值,确定对应的设计参数目标值。
根据本公开的第四方面,提供了一种量子芯片的设计装置,包括:
第二获取模块,用于获取目标量子芯片对应的芯片性能目标值;
第一设计参数获得模块,用于将该芯片性能目标值输入预先训练得到的量子芯片设计模型,得到该目标量子芯片对应的第一设计参数目标值。
根据本公开的第五方面,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。
根据本公开的第六方面,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。
根据本公开的第七方面,提供了一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现本公开任一实施例中的方法。
本公开的技术,可以基于量子芯片的设计参数和对应的芯片性能训练网络模型,训练好的模型可以用于根据目标量子芯片的芯片性能目标值,确定对应的设计参数目标值。相比于依赖人工经验得出设计参数目标值,利用训练好的模型得到的参数目标值能够更快速地找到最优设计参数,大大降低量子芯片设计的时间和资源成本。
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是根据本公开一实施例的X-mon量子比特的构型示意图;
图2是根据本公开一实施例的量子芯片设计模型的训练方法示意图;
图3是根据本公开一实施例的量子芯片的设计方法示意图;
图4是根据本公开另一实施例的量子芯片的设计方法示意图;
图5是根据本公开一实施例的处理流程示意图;
图6(a)和图6(b)是根据本公开一实施例的芯片性能样本值和设计参数样本值的关系示意图;
图7(a)和图7(b)是根据本公开一实施例的设计值与实际值的比对示意图;
图8是根据本公开一实施例的量子芯片设计模型的训练装置示意图;
图9是根据本公开一实施例的量子芯片的设计装置示意图;
图10是根据本公开另一实施例的量子芯片的设计装置示意图;
图11是用来实现本公开实施例的量子芯片设计模型的训练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。
作为芯片尺寸突破经典物理极限的逻辑必然,同时也是后摩尔时代标志性的技术,量子计算及其相关技术获得了很大的关注。现如今,无论从应用层面、算法层面、还是硬件层面,量子计算都取得了重大的进展,与此同时也面临着诸多难题和挑战。在量子硬件层面,以目前被工业界广泛认可并使用的超导电路为例,1999年诞生时的电荷量子比特(charge qubit)构型只有1纳秒的相干时间,现在的构型可以达到100微秒甚至毫秒量级。此外,从规模上来看,50-100数量级的超导量子比特的芯片也逐渐成熟。量子芯片中,量子比特是实现量子计算的基本单元,超导量子比特有多种构型,例如电荷量子比特、相位量子比特、磁通量子比特等。近些年来,为提升超导量子比特的相干时间,Transmon、X-mon等构型的量子芯片陆续被提出。其中,X-mon是一种重要的量子比特结构,以X-mon为基础的量子芯片是近些年来备受关注的芯片类型,首次实现量子霸权的超导电路就是基于X-mon实现的。
X-mon由两部分构成:约瑟夫森结和与之并联的电容。与之对应的,决定X-mon性能的关键参数分别是约瑟夫森结的电感以及并联电容的参数值。其中,并联电容的参数值由电容的具体几何尺寸决定,同时考虑到在平面电容的设计过程中多个尺寸参数共同影响电容的参数值,因此电容尺寸的设计具有较大自由度,没有形成统一规范,不利于X-mon电容的标准化设计。
在设计超导芯片中的量子比特X-mon时,业界的做法常常利用定性的方法,依靠实验经验寻找需求的尺寸和约瑟夫森结电感,并对几何尺寸进行仿真,同时结合实验测量结果,进一步优化设计参数,最终计算出该设计参数所对应的具体本征频率和非谐频率。然后,在实际流片之后,还需要在稀释制冷机的低温环境下,利用复杂的测控***对设计参数进行验证,这造成了相对昂贵的资源和成本投入。
量子器件设计参数的定量化和高效化,是突破量子比特规模进一步提升的逻辑必然,同时也是实现量子大规模集成电路的基础。但是,在现有的设计方案中,约瑟夫森结的电感大小主要依赖于先验知识,没有明确的解析公式用于确定合适的电感值;平面电容的设计与构型相关,目前仅给出了单一参数对电容影响的近似解析公式,在指导电容结构设计的过程中仅能够起到有限的作用。综上,在确定X-mon量子比特的主要参数——约瑟夫森电感、并联电容尺寸方面,当前并没有形成成熟的、有效的设计方法。
图1示出了X-mon量子比特的构型,可以看出,X-mon的结构由约瑟夫森结和并联的叉号形状(X形,十字形等)的旁路大电容组成。图1的灰色阴影部分为金属铝或其他具有超导性质的金属层,在低温下进入超导态,白色部分为衬底,衬底材料一般选用高阻硅或蓝宝石,101部分为约瑟夫森结结构。如图1所示,并联电容的尺寸包括:电容长度(X_xsize,也叫作电容导体长度或并联电容导体长度)、电容高度(X_ysize)、电容导体宽度(X_width)、沟槽宽度(channel_width)、电容半高度(X_up)。上述各项电容尺寸决定了X-mon电容的参数值,从而决定了芯片的性能。
本公开提供一种量子芯片设计模型的训练方法,具体请参照图2,其为本公开的实施例中提供的一种量子芯片设计模型的训练方法的流程图。该方法可以包括以下步骤:
步骤S201:获取样本量子芯片的设计参数样本值及对应的芯片性能样本值;
一示例中,先获取设计参数样本值,然后再根据设计参数样本值计算出对应的芯片性能样本值。一般来说,设计参数样本值取值范围的下限为0,上限为同类芯片典型值的2-3倍。
一示例中,设计参数样本值中包括电感值和几何参数值,其中,电感值可以为约瑟夫森电感值,该电感值的取值范围为0nH~25nH。该取值范围,是发明人根据现有的已经成功流片的量子芯片的经验值,经过反复试验确定的,该范围涵盖了用于量子芯片的约瑟夫森结的电感值的主要范围,在该范围内取值可以得到合理的约瑟夫森电感值。
一示例中,设计参数样本值中的几何参数值包括并联电容导体长度值(对应图1中X_xsize)和沟槽宽度值(对应图1中X_width),该并联电容导体长度值的取值范围为0mm~2mm,该沟槽宽度值的取值范围为0mm~0.05mm,这是两个关键的特征几何参数,其他特征几何参数可由上述参数结合约束条件给出。该取值范围,也是发明人根据现有的已经流片的实际经验值经过反复试验得出的,上述范围可以覆盖芯片的主要取值范围,从上述范围中取数据点生成样本值可以更好地反映实际芯片的几何属性,训练出的神经网络模型更加准确。
一示例中,根据已给出的约瑟夫森电感值、并联电容导体长度值和沟槽宽度值取值范围,分别在上述三个范围内等间距取N个数据点,构成N*N*N个训练数据样本。
需要强调的是,虽然如图1所示,X-mon有多个几何设计参数,但是在训练的时候,最少基于约瑟夫森电感值、电容导体长度值和沟槽宽度值这三个进行训练,因为这三个值对X-mon的影响最直接,其余参数可以在得到上述三个值的基础上,通过结合约束条件给出算出。因此,为了提高模型训练的效率,一般仅选择上述三个值进行训练。如果想得到更加精确的结果,可以选择更多的参数进行训练。
一示例中,芯片性能样本值包括量子比特的本征频率值和非谐频率值。本征频率有时也称为特征频率,固有频率,本振频率等,是表示所研究对象内在属性的一种参数。本征频率和非谐频率均可表征量子芯片的性能,是量子芯片产品测试的具体指标。利用本征频率值和非谐频率值,可以更加直观地确定量子芯片的性能指标,在实际设计中,往往也是给定一个性能指标,然后对量子芯片进行测试,看是否能满足性能指标。因此,本公开中将本征频率值和非谐频率值选为训练出神经网络的输入,可以更好地将训练好的神经网络直接应用于量子芯片的设计。
一示例中,在确定设计参数样本值的基础上,通过下述两种方法获得对应的芯片性能样本值:
第一种计算芯片性能样本值的步骤包括:
获取该设计参数样本值;利用该设计参数样本值计算出哈密顿量;利用该哈密顿量计算出该芯片性能样本值。
具体地,在理想情况下,不考虑量子比特与读取谐振腔,量子比特之间的耦合,仅考虑单量子比特的情况,描述该超导量子比特的哈密顿量可用公式(1)表示。
利用二次量子化的方法,用产生湮灭算符来表示上式,并在旋波近似下,哈密顿量写做:
其中,ωq,αq表示量子比特的频率和非谐频率值。此外,分别表示量子比特的升降算符。对X-mon而言,为了抑制噪声,一般设计要求EJ>>EC,在等效电路的层面上ωq,αq都可以被解析求解。本征频率一般取3-6GHz,非谐频率αq=-EC,一般取100-300MHz。通过上述公式(1)-(3),可以基于设计参数样本值生成量子比特的频率和非谐频率值,即生成对应的芯片性能样本值。通过哈密顿量,可以快速得到对应的芯片性能样本值,计算过程比较简单,易于操作。
第二种计算芯片性能样本值的步骤包括:
获取该设计参数样本值;基于该设计参数样本值,通过有限元分析和能量配分比方法计算出该芯片性能样本值。
具体地,对于给定的芯片性能样本值,可以通过有限元分析的方法得到其本征频率ωq,电场和磁场能量分布εelec和εmag,通过约瑟夫森结的电流Imj。再通过能量配分比(EPR,energy-participation-ratio)的方法得到其非谐频率,能量配分比的计算方法如下:
非谐频率的计算方法如下:
通过第二种方法,虽然计算步骤更加复杂,但可以得到比第一种方法更精确的本征频率和非谐频率结果。
综上,可以根据实际算力的对结果的精度要求,选择任一上述方法计算得到芯片性能样本值。
需要补充的是,如果计算出的频率出现负数,或是数量级完全不对(比如大了103倍,或是连续的涉及参数样本值计算出的芯片性能样本值的结果不连续),则将其作为异常样本,不予采用。
步骤S202:建立初始网络模型;
一示例中,利用该设计参数样本值和该芯片性能样本值之间的对数线性关系,建立该初始网络模型。具体地,由于本征频率、非谐频率与设计参数样本值(本示例中以并联电容导体长度L,和约瑟夫森电感Li为例)的依赖关系是单调的。由于本征频率、非谐频率的依赖关系是乘积关系,其对数近似为线性关系,构造训练模型:
公式(6)的矩阵形式:
实际操作中,使用Python语言的scikit-learn进行机器学习应用。对数据调用train_test_split进行拆分。利用LinearRegression().fit方法得到斜率参数w,矩阵和截距b。这样利用式(7)就可以快速得到本征频率和非谐频率及设计参数样本值之间的关系,对神经网络的基础架构进行快速初始化。
需要说明的是,沟槽宽度值与本征频率、非谐频率之间也满足上述对数线性关系,可以参考上述公式建立沟槽宽度的对应公式,此处不再赘述。
步骤S203:将该芯片性能样本值输入该初始网络模型,得到设计参数预测值;
步骤S204:根据该设计参数预测值与该设计参数样本值之间的差异,训练该初始网络模型,以得到量子芯片设计模型,其中,该量子芯片设计模型用于根据目标量子芯片的芯片性能目标值,确定对应的设计参数目标值。
综上所述,上述方案从预设范围中取样本量子芯片对应的设计参数样本值,然后计算出对应的芯片性能样本值,再建立初始网络模型,然后用设计参数样本值和芯片性能样本值训练神经网络模型,得到量子芯片设计模型,该量子芯片设计模型可以输入目标量子芯片的芯片性能目标值,输出对应的设计参数目标值,本方案有如下有益效果:
1、传统方法只能在实际流片之后,在稀释制冷机的低温环境下,利用复杂的测控***对设计参数进行验证,需要相对昂贵的资源和成本投入。与之对比,本公开使用神经网络得到符合要求的设计参数,大大降低时间和资源成本。
2、设计超导量子芯片过程中,设计参数非常繁多,例如电容的几何尺寸同时由多个参数共同确定,同时这些参数影响着量子比特的相干时间,很难通过解析的方法确定各参数的约束条件,以实现高相干时间。本公开训练出的神经网络模型可以衡量每个设计参数对目标特征参数的影响程度,为进一步优化设计参数提供重要的参考依据。
3、传统方法依靠经验得出设计参数的大概范围,但是事实上并不是所有性能值都存在唯一的一组设计参数,因此,本申请中先获取大量样本量子芯片的数据进行训练,最终训练出的神经网络可以根据输入的芯片性能目标值得到设计参数的空间范围,对设计参数的存在性进行先验。进一步地,针对存在满足性能值的多组设计参数解的问题,传统方法只能找到一个解,本公开中利用训练好的神经网络模型可以得到解空间中的所有设计参数,可以进一步引入更多的考虑因素,挑选其中的最优解。
本公开提供一种量子芯片的设计方法,具体请参照图3,其为本公开的实施例中提供的一种量子芯片的设计方法的流程图。该方法可以包括以下步骤:
步骤S301:获取目标量子芯片对应的芯片性能目标值;
一示例中,芯片性能目标值包括本征频率值和非谐频率值。
步骤S302:将该芯片性能目标值输入预先训练得到的量子芯片设计模型,得到该目标量子芯片对应的第一设计参数目标值。
一示例中,第一设计参数目标值包括约瑟夫森电感值、并联电容导体长度值和沟槽宽度值。第一设计参数的目标值是从训练好的神经网络中直接得出的,和训练模型时的样本一致,即,如果训练模型时选择的是约瑟夫森电感值、电容导体长度值和沟槽宽度值,训练好的神经网络模型的直接输出也是上述三个值,如果训练模型时选择的有更多的参数值,对应训练好的模型输出的设计参数也会变化。
一示例中,第一设计参数目标值可以是一组值,即给出空间解的范围。传统方法只能找到一个解,本公开中利用训练好的神经网络模型可以得到解空间中的所有设计参数,可以进一步引入更多的考虑因素,挑选其中的最优解。
得到第一设计参数目标值后,可以根据其生成量子芯片的设计图。采用上述神经网络的方法进行量子芯片设计,有如下有益效果:
第一,简单、直观、高效。基于本公开,可以利用训练好的神经网络非常高效地给出超导量子电路中量子器件X-mon的设计参数,比起现有的依靠设计师经验“试”出的设计参数样本值,可以大大降低时间和资源成本,有非常好的应用价值。
第二,具有通用性和启发性。对于其他超导电路的参数设计具有指导意义。通过本公开方案提供的方法,可以进行推广到各种超导器件,即本申请虽然以X-mon量子芯片为例,但是可以推广到其余基础架构的量子芯片,比如Transmon量子芯片,同样利用设计参数和性能之间的关系训练出一个神经网络模型即可,然后该模型可以针对目标性能参数,得到期望的设计参数。
第三,可扩展性强。在本公开方案中,着重考虑了量子比特X-mon的设计流程。当然考虑其他类似的器件,甚至基于哈密顿量、有限元分析和能量配分比的求解思路来求解多量子比特电路的初始化问题,比特间的耦合电容的自动初始化。此外,在应用场景上也可以扩展。运用该发明方案提供的思路,也可以支持其他更复杂的超导电路自动化设计。
最后,精度更高。与经验方法相比,本公开的方案除了可以给出量子器件的设计方案之外,还可以通过比较给出的多组设计参数,得到各个设计参数对其性能的影响程度。
本公开还提供一种量子芯片的设计方法,具体请参照图4,其为本公开的实施例中提供的一种量子芯片的设计方法的流程图。该方法可以包括以下步骤:
步骤S401:获取目标量子芯片对应的芯片性能目标值;
步骤S402:将该芯片性能目标值输入预先训练得到的量子芯片设计模型,得到该目标量子芯片对应的第一设计参数目标值;
步骤S403:根据该并联电容导体长度值和该沟槽宽度值确定第二设计参数目标值。
上述步骤S401-S402与步骤S301-S302实质相同,此处不再赘述。在得到第一设计参数目标值后,可以根据第一设计参数目标值中的并联电容导体长度值和该沟槽宽度值确定其余的尺寸参数,包括:
电容高度(X_ysize):对于X_ysize,其与X_xsize的作用相同,取与X_xsize相同的值即可得到相同的结果;
电容导体宽度(X_width):对于X_width,对于本征频率和非谐频率的影响很小,但是其受到其他方面的影响,主要是约瑟夫森结的几何尺寸限制,以及尺寸过小会引入复杂的边界条件,从而导致边界处电磁场分布非常集中而产生能量的耗散,受到这些诸多因素的影响,一般取值可以取附近20%的范围,即0.20-0.30。X_width/X_channel_width两者之间根据设计经验,通常使二者保持相等或等比例变化,二者是等价的,因此只对其中一个参数进行训练即可。
电容半高度(X_up):对于X_up,对结果是几乎没有影响的,其大小是根据器件的空间布局而确定的,可以取0-X_size的尺寸。
综上,可以通过上述方式,快速得到合理、全面的并联电容的尺寸,可以基于该并联电容尺寸,结合约瑟夫森电感值,得到目标量子芯片。
应用示例:
应用本公开实施例一处理流程如图5所示,包括六个步骤,具体包括:制作训练集、构造训练模型、数据处理、构造损失函数、梯度下降求解和验证输出结果,其中,设计参数相当于设计参数样本值,模拟特征参数就是对应的芯片性能样本值。
其中,最重要的步骤包括“制作训练集”、“构造训练模型”和“验证输出结果”,会在下面做详细阐述:
一、生成训练集
关于训练集的构造,选取三个关键特征参数进行组合构造训练集,分别是:约瑟夫森电感Lj、并联电容的X_xsize、以及电容的沟槽宽度channel_width。
尽管图1中列举了5个尺寸参数,但是在进行训练的时候仅对其中3个进行了数据集生成。这样做的原因是因为尺寸参数中,X_ysize/X_xsize(此处表示并列关系,非除法)由于对称性二者是等价的,因此只对X_xsize进行了遍历获取样本值;X_up参数决定了十字形电容两条臂的相对位置,不影响电容的变化,仅作为结构形状的调节参数。X_width/channel_width两者之间根据设计经验,通常使二者保持相等或等比例变化,二者是等价的,因此只对其中一个参数进行训练即可,此处选channel_width。
训练集的构建依据是现有的设计经验(比如IBM公司Qiskit metal中的设计参数)作为参考,取典型值的两倍到三倍。其中,约瑟夫森电感Lj训练范围可设为[0nH,25nH],并联电容的X_xsize训练范围可设为[0mm,2mm],沟槽宽度channel_width训练范围可设为[0mm,0.05mm],上述范围可根据具体的设计需求进行变更,并非固定。上述三个参数范围,分别等间距取50个数据点,构成50*50*50个训练数据样本,然后根据上文中介绍的电磁仿真结合EPR方法,或是通过计算哈密顿量等方法,得到其对应的本征频率,非谐频率。
可以得知,X_ysize/X_xsize由于对称性二者是等价的,是影响电容设计的关键因素,因此二者的训练范围相同,可以假设二者是相同的,进行降维处理。
此外,X_width/channel_width二者保持相等或等比例变化,也是等价的,但是这两个结构参数不仅影响了电容的参数值,同时影响了X-mon的其他特征参数,如相干时间,因此这两个参数仅可进行细微变化。
基于上述方法,可以得到样本量子芯片对应的设计参数样本值和芯片性能样本值如下表所示:
表1设计参数样本值和芯片性能样本值
其中,上述表中的本征频率和非谐频率是基于设计参数样本值计算出来的,具体计算步骤参考上述步骤S201中的描述。
在获取样本集后,可以将其分为两部分,其中一部分用于训练,叫做训练集,另一部分用于训练好后测试,叫做测试集。
二、构造训练模型,利用训练集开始训练
上述步骤中,已经完成了获取设计参数样本值和芯片性能样本值,作为机器学习的训练集。下面对该训练集进行初步的分析,为了更加直观地了解二者之间的关系,这里选取其中两类设计参数(X-mon并联大电容的长度X_xsize在图中记作L,以及约瑟夫森电感Lj)为例,用连续取样的数据点分别画出芯片性能样本值和设计参数样本值的关系,如图6所示。其中,图6(a)表示本征频率(单位GHz)与并联电容导体长度L(单位mm)、约瑟夫森电感L_j(单位nH)的依赖关系;图6(b)表示非谐频率(单位MHz)与并联电容导体长度L(单位mm)、约瑟夫森电感L_j(单位nH)的依赖关系。
可以看出,本征频率、非谐频率与并联电容导体长度L,和约瑟夫森电感Lj的依赖关系是单调的。得出结论本征频率、非谐频率的依赖关系是乘积关系,其对数近似为线性关系,并基于该结论构造初始网络模型。该网络模型的形式如上文中公式(7)、(8)所展示。
构造好初始网络模型后,使用Python语言的scikit-learn进行机器学习应用。对数据调用train_test_split进行拆分。利用LinearRegression().fit方法得到斜率参数w,矩阵和截距b。
基于初始网络模型开始训练,将所训练集中的芯片性能样本值输入该初始网络模型,得到设计参数预测值;根据该设计参数预测值与该设计参数样本值之间的差异,训练该初始网络模型,以得到最终的量子芯片设计模型
三、利用验证集对已经训练好的模型做验证和评估
为了验证模型是否训练好,利用score方法测试机器学习结果的性能,值越接近1,说明训练结果越好,一般超过0.9即可认为模型训练完成;对于训练集为,score值为0.952926,测试集的score值为0.957908。说明模型已经训练完毕,且从另一个角度充分验证了本公开方案的可行性。
为了更直接地展示成果,我们展示固定下列几个设计参数:
对设计参数样本值X_ysize=0.25mm,X_width=0.025mm,X_channel_width=0.0025mm,X_up=0.085mm,计算出对应的性能样本值:本征频率ω=6GHz。
不同非谐频率值对应的电容导体长度和约瑟夫森电感如图7所示,其中,散点为实际值,直线为采用本公开方案获得的结果。从图中可见,本公开模拟出的值与实际值相差不大,即,本公开训练出的模型可以很好地用来设计超导量子比特X-mon.
一实施例中,选取芯片性能样本值ω=4.5GHz,α=250MHz,将其输入训练好的神经网络,得到对应的设计参数样本值,如下表所示:
补上其余设计参数后,得到全部设计参数样本值如下表所示:
补充其余涉及参数的过程如下:在已经得到训练好的神经网络的情况下,输入一个特征参数,得到对应的X_xsize和约瑟夫森电感Lj后,对于X_ysize,其与X_xsize的作用相同,取与X_xsize相同的值即可得到相同的结果。尺寸参数X_width,对于本征频率和非谐频率的影响很小,但是其受到其他方面的影响,主要是约瑟夫森结的几何尺寸限制,以及尺寸过小会引入复杂的边界条件,从而导致边界处电磁场分布非常集中而产生能量的耗散,受到这些诸多因素的影响,一般取值可以取附近20%的范围,即0.020-0.030。对于X_up,对结果是几乎没有影响的,其大小是根据器件的空间布局而确定的,可以取0-X_size的尺寸。
验证结果,采用有限元仿真方法,即前文中提到的最接近实际流片的仿真方法得到其本征频率:ω=4.665GHz,相对误差为3.67%。采用前述能量分配方法得到其非谐频率:α=267.56MHz,相对误差为7.03%,与一开始设置的芯片性能目标值误差在可允许的范围内,充分验证了本公开中通过神经网络模型设计量子芯片的可行性。
如图8所示,本公开的实施例中提供一种量子芯片设计模型的训练装置800,该装置包括:
第一获取模块801,用于获取样本量子芯片的设计参数样本值及对应的芯片性能样本值;
建立模块802,用于建立初始网络模型;
预测模块803,用于将该芯片性能样本值输入该初始网络模型,得到设计参数预测值;
训练模块804,用于根据该设计参数预测值与该设计参数样本值之间的差异,训练该初始网络模型,以得到量子芯片设计模型,其中,该量子芯片设计模型用于根据目标量子芯片的芯片性能目标值,确定对应的设计参数目标值。
其中,第一获取模块801,用于:
获取该设计参数样本值;
利用该设计参数样本值计算出哈密顿量;
利用该哈密顿量计算出该芯片性能样本值。
其中,第一获取模块801,用于:
获取该设计参数样本值;
基于该设计参数样本值,通过有限元分析和能量配分比方法计算出该芯片性能样本值。
其中,该建立模块802,用于:
利用该设计参数样本值和该芯片性能样本值之间的对数线性关系,建立该初始网络模型。
其中,该设计参数样本值包括约瑟夫森电感值,该约瑟夫森电感值的取值范围为0nH~25nH。
其中,该设计参数样本值包括并联电容导体长度值和沟槽宽度值,该并联电容导体长度值的取值范围为0mm~2mm,该沟槽宽度值的取值范围为0mm~0.05mm。
其中,该芯片性能样本值包括本征频率值和非谐频率值。
如图9所示,本公开的实施例中提供一种量子芯片的设计装置900,该装置包括:
第二获取模块901,用于获取目标量子芯片对应的芯片性能目标值;
第一设计参数获得模块902,用于将该芯片性能目标值输入预先训练得到的量子芯片设计模型,得到该目标量子芯片对应的第一设计参数目标值。
其中,该芯片性能目标值包括本征频率值和非谐频率值;该第一设计参数目标值包括约瑟夫森电感值、并联电容导体长度值和沟槽宽度值。
如图10所示,本公开的实施例中提供另一种量子芯片的设计装置1000,该装置包括:
第二获取模块1001,用于获取目标量子芯片对应的芯片性能目标值;
第一设计参数获得模块1002,用于将该芯片性能目标值输入预先训练得到的量子芯片设计模型,得到该目标量子芯片对应的第一设计参数目标值;
第二设计参数获得模块1003,用于根据该并联电容导体长度值和该沟槽宽度值确定出第二设计参数目标值。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
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。
本公开实施例各装置中的各模块的功能可以参见上述方法中的对应描述,在此不再赘述。
图11示出了可以用来实施本公开的实施例的示例电子设备1100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/或者要求的本公开的实现。
如图11所示,设备1100包括计算单元1101,其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序,来执行各种适当的动作和处理。在RAM 1103中,还可存储设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
设备1100中的多个部件连接至I/O接口1105,包括:输入单元1106,例如键盘、鼠标等;输出单元1107,例如各种类型的显示器、扬声器等;存储单元1108,例如磁盘、光盘等;以及通信单元1109,例如网卡、调制解调器、无线通信收发机等。通信单元1109允许设备1100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1101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1101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1101执行上文所描述的各个方法和处理,例如方法训练量子芯片设计模型。例如,在一些实施例中,方法训练量子芯片设计模型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1108。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时,可以执行上文描述的方法训练量子芯片设计模型的一个或多个步骤。备选地,在其他实施例中,计算单元1101可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法训练量子芯片设计模型。
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。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
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,本发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 (23)
1.一种量子芯片设计模型的训练方法,包括:
获取样本量子芯片的设计参数样本值及对应的芯片性能样本值;
建立初始网络模型;
将所述芯片性能样本值输入所述初始网络模型,得到设计参数预测值;
根据所述设计参数预测值与所述设计参数样本值之间的差异,训练所述初始网络模型,以得到量子芯片设计模型,其中,所述量子芯片设计模型用于根据目标量子芯片的芯片性能目标值,确定对应的设计参数目标值。
2.根据权利要求1所述的方法,其中,获取样本量子芯片设计的参数样本值及对应的芯片性能样本值,包括:
获取所述设计参数样本值;
利用所述设计参数样本值计算出哈密顿量;
利用所述哈密顿量计算出所述芯片性能样本值。
3.根据权利要求1所述的方法,其中,获取样本量子芯片设计的参数样本值及对应的芯片性能样本值,包括:
获取所述设计参数样本值;
基于所述设计参数样本值,通过有限元分析和能量配分比方法计算出所述芯片性能样本值。
4.根据权利要求1所述的方法,其中,建立初始网络模型,包括:
利用所述设计参数样本值和所述芯片性能样本值之间的对数线性关系,建立所述初始网络模型。
5.根据权利要求1所述的方法,其中,所述设计参数样本值包括约瑟夫森电感值,所述约瑟夫森电感值的取值范围为0nH~25nH。
6.根据权利要求1所述的方法,其中,所述设计参数样本值包括并联电容导体长度值和沟槽宽度值,所述并联电容导体长度值的取值范围为0mm~2mm,所述沟槽宽度值的取值范围为0mm~0.05mm。
7.根据权利要求1-6中任一项所述的方法,其中,所述芯片性能样本值包括本征频率值和非谐频率值。
8.一种量子芯片的设计方法,包括:
获取目标量子芯片对应的芯片性能目标值;
将所述芯片性能目标值输入预先训练得到的量子芯片设计模型,得到所述目标量子芯片对应的第一设计参数目标值。
9.根据权利要求8所述的方法,其中,所述芯片性能目标值包括本征频率值和非谐频率值;所述第一设计参数目标值包括约瑟夫森电感值、并联电容导体长度值和沟槽宽度值。
10.根据权利要求9所述的方法,还包括:
根据所述并联电容导体长度值和所述沟槽宽度值确定第二设计参数目标值。
11.一种量子芯片设计模型的训练装置,包括:
第一获取模块,用于获取样本量子芯片的设计参数样本值及对应的芯片性能样本值;
建立模块,用于建立初始网络模型;
预测模块,用于将所述芯片性能样本值输入所述初始网络模型,得到设计参数预测值;
训练模块,用于根据所述设计参数预测值与所述设计参数样本值之间的差异,训练所述初始网络模型,以得到量子芯片设计模型,其中,所述量子芯片设计模型用于根据目标量子芯片的芯片性能目标值,确定对应的设计参数目标值。
12.根据权利要求11所述的装置,其中,所述第一获取模块,用于:
获取所述设计参数样本值;
利用所述设计参数样本值计算出哈密顿量;
利用所述哈密顿量计算出所述芯片性能样本值。
13.根据权利要求11所述的装置,其中,所述第一获取模块,用于:
获取所述设计参数样本值;
基于所述设计参数样本值,通过有限元分析和能量配分比方法计算出所述芯片性能样本值。
14.根据权利要求11所述的装置,其中,所述建立模块,用于:
利用所述设计参数样本值和所述芯片性能样本值之间的对数线性关系,建立所述初始网络模型。
15.根据权利要求11所述的装置,其中,所述设计参数样本值包括约瑟夫森电感值,所述约瑟夫森电感值的取值范围为0nH~25nH。
16.根据权利要求11所述的装置,其中,所述设计参数样本值包括并联电容导体长度值和沟槽宽度值,所述并联电容导体长度值的取值范围为0mm~2mm,所述沟槽宽度值的取值范围为0mm~0.05mm。
17.根据权利要求11-16中任一项所述的装置,其中,所述芯片性能样本值包括本征频率值和非谐频率值。
18.一种量子芯片的设计装置,包括:
第二获取模块,用于获取目标量子芯片对应的芯片性能目标值;
第一设计参数获得模块,用于将所述芯片性能目标值输入预先训练得到的量子芯片设计模型,得到所述目标量子芯片对应的第一设计参数目标值。
19.根据权利要求18所述的装置,其中,所述芯片性能目标值包括本征频率值和非谐频率值;所述第一设计参数目标值包括约瑟夫森电感值、并联电容导体长度值和沟槽宽度值。
20.根据权利要求19所述的装置,还包括:
第二设计参数获得模块,用于根据所述并联电容导体长度值和所述沟槽宽度值确定出第二设计参数目标值。
21.一种电子设备,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执行权利要求1-10中任一项所述的方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-10中任一项所述的方法。
23.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111387819.4A CN114065939B (zh) | 2021-11-22 | 2021-11-22 | 量子芯片设计模型的训练方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111387819.4A CN114065939B (zh) | 2021-11-22 | 2021-11-22 | 量子芯片设计模型的训练方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114065939A true CN114065939A (zh) | 2022-02-18 |
CN114065939B CN114065939B (zh) | 2022-10-11 |
Family
ID=80279034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111387819.4A Active CN114065939B (zh) | 2021-11-22 | 2021-11-22 | 量子芯片设计模型的训练方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114065939B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114819164A (zh) * | 2022-04-12 | 2022-07-29 | 北京百度网讯科技有限公司 | 量子芯片结构及确定方法、装置、设备、存储介质 |
CN115048901A (zh) * | 2022-08-16 | 2022-09-13 | 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 |
CN115329975A (zh) * | 2022-08-04 | 2022-11-11 | 北京百度网讯科技有限公司 | 仿真方法、装置、设备及存储介质 |
CN115659905A (zh) * | 2022-10-24 | 2023-01-31 | 北京百度网讯科技有限公司 | 超导量子芯片版图中量子器件间的耦合强度确定方法及装置 |
WO2023246285A1 (zh) * | 2022-06-22 | 2023-12-28 | 腾讯科技(深圳)有限公司 | 量子芯片的制备方法、装置、电子设备、计算机可读存储介质、计算机程序产品及量子芯片 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190286986A1 (en) * | 2018-01-11 | 2019-09-19 | Huawei Technologies Co., Ltd. | Machine Learning Model Training Method And Apparatus |
CN110458284A (zh) * | 2019-08-13 | 2019-11-15 | 深圳小墨智能科技有限公司 | 一种模拟神经网芯片的设计方法及模拟神经网芯片 |
CN110738320A (zh) * | 2019-10-11 | 2020-01-31 | 北京百度网讯科技有限公司 | 一种超导电路结构及超导量子芯片、超导量子计算机 |
CN111539178A (zh) * | 2020-04-26 | 2020-08-14 | 成都市深思创芯科技有限公司 | 一种基于神经网络的芯片版图设计方法和***及制作方法 |
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 |
CN111612151A (zh) * | 2020-05-27 | 2020-09-01 | 济南浪潮高新科技投资发展有限公司 | 一种量子计算机的控制方法、***及相关组件 |
CN111752630A (zh) * | 2020-05-27 | 2020-10-09 | 济南浪潮高新科技投资发展有限公司 | 一种量子测控***的初始化参数确定方法、设备及介质 |
CN112561069A (zh) * | 2020-12-23 | 2021-03-26 | 北京百度网讯科技有限公司 | 模型处理方法、装置、设备、存储介质及产品 |
CN112733486A (zh) * | 2021-01-20 | 2021-04-30 | 河南城建学院 | 一种用于芯片设计的智能布线方法及*** |
US20210182721A1 (en) * | 2019-01-25 | 2021-06-17 | Origin Quantum Computing Company, Limited, Hefei | Method and apparatus for constructing quantum machine learning framework, quantum computer and computer storage medium |
CN113033703A (zh) * | 2021-04-21 | 2021-06-25 | 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 |
CN113516246A (zh) * | 2021-05-11 | 2021-10-19 | 阿里巴巴新加坡控股有限公司 | 参数优化方法、量子芯片的控制方法及装置 |
CN113517530A (zh) * | 2020-07-22 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 量子芯片的制备方法、装置、设备及量子芯片 |
CN113516247A (zh) * | 2021-05-20 | 2021-10-19 | 阿里巴巴新加坡控股有限公司 | 参数校准方法、量子芯片的控制方法、装置及*** |
CN113568821A (zh) * | 2021-07-26 | 2021-10-29 | 北京百度网讯科技有限公司 | 一种ai芯片计算性能的测试方法、装置、设备、及介质 |
CN113657465A (zh) * | 2021-07-29 | 2021-11-16 | 北京百度网讯科技有限公司 | 预训练模型的生成方法、装置、电子设备和存储介质 |
-
2021
- 2021-11-22 CN CN202111387819.4A patent/CN114065939B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190286986A1 (en) * | 2018-01-11 | 2019-09-19 | Huawei Technologies Co., Ltd. | Machine Learning Model Training Method And Apparatus |
US20210182721A1 (en) * | 2019-01-25 | 2021-06-17 | Origin Quantum Computing Company, Limited, Hefei | Method and apparatus for constructing quantum machine learning framework, quantum computer and computer storage medium |
CN110458284A (zh) * | 2019-08-13 | 2019-11-15 | 深圳小墨智能科技有限公司 | 一种模拟神经网芯片的设计方法及模拟神经网芯片 |
CN110738320A (zh) * | 2019-10-11 | 2020-01-31 | 北京百度网讯科技有限公司 | 一种超导电路结构及超导量子芯片、超导量子计算机 |
CN111539178A (zh) * | 2020-04-26 | 2020-08-14 | 成都市深思创芯科技有限公司 | 一种基于神经网络的芯片版图设计方法和***及制作方法 |
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 |
CN111612151A (zh) * | 2020-05-27 | 2020-09-01 | 济南浪潮高新科技投资发展有限公司 | 一种量子计算机的控制方法、***及相关组件 |
CN111752630A (zh) * | 2020-05-27 | 2020-10-09 | 济南浪潮高新科技投资发展有限公司 | 一种量子测控***的初始化参数确定方法、设备及介质 |
CN113517530A (zh) * | 2020-07-22 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 量子芯片的制备方法、装置、设备及量子芯片 |
CN112561069A (zh) * | 2020-12-23 | 2021-03-26 | 北京百度网讯科技有限公司 | 模型处理方法、装置、设备、存储介质及产品 |
CN112733486A (zh) * | 2021-01-20 | 2021-04-30 | 河南城建学院 | 一种用于芯片设计的智能布线方法及*** |
CN113033703A (zh) * | 2021-04-21 | 2021-06-25 | 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 |
CN113516246A (zh) * | 2021-05-11 | 2021-10-19 | 阿里巴巴新加坡控股有限公司 | 参数优化方法、量子芯片的控制方法及装置 |
CN113516247A (zh) * | 2021-05-20 | 2021-10-19 | 阿里巴巴新加坡控股有限公司 | 参数校准方法、量子芯片的控制方法、装置及*** |
CN113568821A (zh) * | 2021-07-26 | 2021-10-29 | 北京百度网讯科技有限公司 | 一种ai芯片计算性能的测试方法、装置、设备、及介质 |
CN113657465A (zh) * | 2021-07-29 | 2021-11-16 | 北京百度网讯科技有限公司 | 预训练模型的生成方法、装置、电子设备和存储介质 |
Non-Patent Citations (5)
Title |
---|
BRUCEK KHAILANY等: "Accelerating Chip Design With Machine Learning", 《IEEE MICRO》 * |
CHRISTA ZOUFAL等: "Quantum generative adversarial networks for learning and loading random distributions", 《NATURE》 * |
MEDINA BANDIC等: "On structured design space exploration for mapping of quantum algorithms", 《2020 XXXV CONFERENCE ON DESIGN OF CIRCUITS AND INTEGRATED SYSTEMS (DCIS)》 * |
程鹏等: "量子人工智能的工程哲学探析", 《工程研究-跨学科视野中的工程》 * |
郑小龙: "人工智能探境科技之得"芯"应手", 《电子产品世界》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114819164A (zh) * | 2022-04-12 | 2022-07-29 | 北京百度网讯科技有限公司 | 量子芯片结构及确定方法、装置、设备、存储介质 |
CN114819164B (zh) * | 2022-04-12 | 2023-09-01 | 北京百度网讯科技有限公司 | 量子芯片结构及确定方法、装置、设备、存储介质 |
WO2023246285A1 (zh) * | 2022-06-22 | 2023-12-28 | 腾讯科技(深圳)有限公司 | 量子芯片的制备方法、装置、电子设备、计算机可读存储介质、计算机程序产品及量子芯片 |
CN115329975A (zh) * | 2022-08-04 | 2022-11-11 | 北京百度网讯科技有限公司 | 仿真方法、装置、设备及存储介质 |
CN115048901A (zh) * | 2022-08-16 | 2022-09-13 | 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 |
CN115659905A (zh) * | 2022-10-24 | 2023-01-31 | 北京百度网讯科技有限公司 | 超导量子芯片版图中量子器件间的耦合强度确定方法及装置 |
CN115659905B (zh) * | 2022-10-24 | 2023-06-30 | 北京百度网讯科技有限公司 | 超导量子芯片版图中量子器件间的耦合强度确定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114065939B (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114065939B (zh) | 量子芯片设计模型的训练方法、装置、设备及存储介质 | |
CN114861576B (zh) | 超导量子芯片版图的仿真方法及装置、电子设备和介质 | |
US20220027774A1 (en) | Quantum control pulse generation method, device, and storage medium | |
US20240046140A1 (en) | Simulation method, electronic device, and storage medium | |
CN116187258B (zh) | 量子芯片版图的仿真方法、装置、计算设备及存储介质 | |
EP4113316A2 (en) | Method and apparatus for processing table, device, and storage medium | |
JP2023058606A (ja) | 超伝導量子チップの設計方法及び装置、電子機器並びに媒体 | |
US20220130495A1 (en) | Method and Device for Determining Correlation Between Drug and Target, and Electronic Device | |
CN115660093A (zh) | 含耦合器超导量子比特结构的性能检验信息输出方法及装置 | |
US20220309912A1 (en) | Method and apparatus for predicting traffic data and electronic device | |
CN115018079A (zh) | 量子电路、仿真方法、装置、设备及存储介质 | |
CN114580645B (zh) | 随机量子测量的模拟方法、装置、设备及存储介质 | |
US20240046130A1 (en) | Simulation method, electronic device, and storage medium | |
US20140258955A1 (en) | Metal Interconnect Modeling | |
CN115577777B (zh) | 超导量子芯片版图中器件电感能量占比的确定方法及装置 | |
CN115577779B (zh) | 超导量子芯片版图中多体***的裸态信息确定方法及装置 | |
CN115511095B (zh) | 含耦合器超导量子比特结构的设计信息输出方法及装置 | |
CN116341454A (zh) | 超导量子芯片的耦合关断点信息生成方法、装置和介质 | |
US20230111511A1 (en) | Intersection vertex height value acquisition method and apparatus, electronic device and storage medium | |
CN113642654B (zh) | 图像特征的融合方法、装置、电子设备和存储介质 | |
CN115329975A (zh) | 仿真方法、装置、设备及存储介质 | |
CN115659905B (zh) | 超导量子芯片版图中量子器件间的耦合强度确定方法及装置 | |
CN115329976B (zh) | 仿真方法、装置、设备及存储介质 | |
CN116151168B (zh) | 一种地网等效导体确定方法、装置、设备及存储介质 | |
CN114373635B (zh) | 量子比特的电容、量子比特及其构建方法 |
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 |