CN114372582B - 基于机器学习框架的量子自动编码方法及相关装置 - Google Patents
基于机器学习框架的量子自动编码方法及相关装置 Download PDFInfo
- Publication number
- CN114372582B CN114372582B CN202210280770.0A CN202210280770A CN114372582B CN 114372582 B CN114372582 B CN 114372582B CN 202210280770 A CN202210280770 A CN 202210280770A CN 114372582 B CN114372582 B CN 114372582B
- Authority
- CN
- China
- Prior art keywords
- quantum
- state
- quantum state
- automatic coding
- logic gate
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computational Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Logic Circuits (AREA)
Abstract
本发明公开了一种基于机器学习框架的量子自动编码方法及相关装置,本发明通过调用量子模块创建量子自动编码线路,该量子自动编码线路用于将初始量子态演化至压缩量子态,初始量子态表示的输入数据与压缩量子态表示的输出数据之间的偏差小于预设阈值,且初始量子态对应的第一量子比特数量大于压缩量子态对应的第二量子比特的数量;将待编码数据作为输入数据输入至该量子自动编码线路,以及运行该量子自动编码线路得到压缩量子态表示的输出数据,实现了量子数据的压缩和自动编码,同时利用量子叠加的性质,减少了经典自动编码器对计算资源的占用率,提升了自动编码器的速度。
Description
技术领域
本发明属于量子计算技术领域,特别是涉及一种基于机器学习框架的量子自动编码方法及相关装置。
背景技术
自动编码器是一种无监督的神经网络模型,可以学习到输入数据的隐含特征,称为编码,同时可以用学习到的新特征重构出原始输入数据,称为解码。它既可以用于特征降维,又可以用于特征提取。作为无监督学习模型,自动编码器还可以用于生成与训练样本不同的新数据,这样自动编码器就是生成式模型。
随着待编码数据的增大,经典的自动编码器会非常占用计算资源,计算速度越来越慢。量子计算的发展为解决该问题带来了曙光,如能将量子计算与自动编码器相结合,利用量子计算机远超经典计算机的效率,将进一步提高自动编码器的数据处理能力。因此,如何实现量子自动编码器是一个需要解决的技术问题。
发明内容
本发明的目的是提供一种基于机器学习框架的量子自动编码方法及相关装置,旨在减少经典自动编码器对计算资源的占用率,提升自动编码器的速度。
本发明的一个实施例提供了一种基于机器学习框架的量子自动编码方法,所述机器学习框架包括量子模块,所述方法包括:
调用所述量子模块创建量子自动编码线路,所述量子自动编码线路用于将初始量子态演化至压缩量子态,所述初始量子态表示的输入数据与所述压缩量子态表示的输出数据之间的偏差小于预设阈值,且所述初始量子态对应的第一量子比特数量大于所述压缩量子态对应的第二量子比特的数量;
将待编码数据作为所述输入数据输入至所述量子自动编码线路,以及运行所述量子自动编码线路得到所述压缩量子态表示的输出数据。
可选的,所述量子模块包括量子态演化逻辑门单元,所述调用所述量子模块创建量子自动编码线路,包括:
调用所述量子态演化逻辑门单元获取单量子旋转逻辑门和受控单量子旋转逻辑门,以及将所述单量子旋转逻辑门和所述受控单量子旋转逻辑门作用于所述第一量子比特,得到量子自动编码线路。
可选的,所述将所述单量子旋转逻辑门和所述受控单量子旋转逻辑门作用于所述第一量子比特,包括:
将所述单量子旋转逻辑门作用于所述第一量子比特,将所述受控单量子旋转逻辑门作用于每两个所述第一量子比特,以及将所述单量子旋转逻辑门作用于所述第一量子比特。
可选的,所述机器学习框架还包括经典模块,所述将待编码数据作为所述输入数据输入至所述量子自动编码线路之前,所述方法还包括:
调用所述量子态演化逻辑门单元创建SWAP测试线路;
调用所述经典模块基于所述SWAP测试线路对所述量子自动编码线路进行优化,得到优化后的所述量子自动编码线路。
可选的,所述量子自动编码线路还用于将所述初始量子态演化至垃圾量子态,所述垃圾量子态表示的输出数据为所述输入数据中的待丢弃数据,所述垃圾量子态对应第三量子比特,所述第一量子比特包括所述第二量子比特和所述第三量子比特。
可选的,所述调用所述量子态演化逻辑门单元创建SWAP测试线路,包括:
调用所述量子态演化逻辑门单元获取H门和受控SWAP门;
将所述H门作用于辅助量子比特,将所述受控SWAP门作用于所述辅助量子比特和所述第三量子比特,以及将所述H门作用于所述辅助量子比特,得到SWAP测试线路。
可选的,所述经典模块包括损失函数单元和优化器单元,所述调用所述经典模块基于所述SWAP测试线路对所述量子自动编码线路进行优化,包括:
运行所述SWAP测试线路,得到所述SWAP测试线路的输出数据;
基于所述SWAP测试线路的输出数据确定所述初始量子态与所述压缩量子态的保真度;
调用所述损失函数单元基于所述保真度计算损失函数;
调用所述优化器单元基于所述损失函数对所述量子自动编码线路中的参数进行优化。
本发明的又一实施例提供了一种基于机器学习框架的量子自动编码装置,所述机器学习框架包括量子模块,所述装置包括:
线路创建单元,用于调用所述量子模块创建量子自动编码线路,所述量子自动编码线路用于将初始量子态演化至压缩量子态,所述初始量子态表示的输入数据与所述压缩量子态表示的输出数据之间的偏差小于预设阈值,且所述初始量子态对应的第一量子比特数量大于所述压缩量子态对应的第二量子比特的数量;
线路运行单元,用于将待编码数据作为所述输入数据输入至所述量子自动编码线路,以及运行所述量子自动编码线路得到所述压缩量子态表示的输出数据。
可选的,所述量子模块包括量子态演化逻辑门单元,在所述调用所述量子模块创建量子自动编码线路方面,所述线路创建单元,具体用于:
调用所述量子态演化逻辑门单元获取单量子旋转逻辑门和受控单量子旋转逻辑门,以及将所述单量子旋转逻辑门和所述受控单量子旋转逻辑门作用于所述第一量子比特,得到量子自动编码线路。
可选的,在所述将所述单量子旋转逻辑门和所述受控单量子旋转逻辑门作用于所述第一量子比特方面,所述线路创建单元,具体用于:
将所述单量子旋转逻辑门作用于所述第一量子比特,将所述受控单量子旋转逻辑门作用于每两个所述第一量子比特,以及将所述单量子旋转逻辑门作用于所述第一量子比特。
可选的,所述机器学习框架还包括经典模块,在所述将待编码数据作为所述输入数据输入至所述量子自动编码线路之前,所述线路创建单元,还用于:
调用所述量子态演化逻辑门单元创建SWAP测试线路;
调用所述经典模块基于所述SWAP测试线路对所述量子自动编码线路进行优化,得到优化后的所述量子自动编码线路。
可选的,所述量子自动编码线路还用于将所述初始量子态演化至垃圾量子态,所述垃圾量子态表示的输出数据为所述输入数据中的待丢弃数据,所述垃圾量子态对应第三量子比特,所述第一量子比特包括所述第二量子比特和所述第三量子比特。
可选的,在所述调用所述量子态演化逻辑门单元创建SWAP测试线路方面,所述线路创建单元,具体用于:
调用所述量子态演化逻辑门单元获取H门和受控SWAP门;
将所述H门作用于辅助量子比特,将所述受控SWAP门作用于所述辅助量子比特和所述第三量子比特,以及将所述H门作用于所述辅助量子比特,得到SWAP测试线路。
可选的,所述经典模块包括损失函数单元和优化器单元,在所述调用所述经典模块基于所述SWAP测试线路对所述量子自动编码线路进行优化方面,所述线路创建单元,具体用于:
运行所述SWAP测试线路,得到所述SWAP测试线路的输出数据;
基于所述SWAP测试线路的输出数据确定所述初始量子态与所述压缩量子态的保真度;
调用所述损失函数单元基于所述保真度计算损失函数;
调用所述优化器单元基于所述损失函数对所述量子自动编码线路中的参数进行优化。
本发明的又一实施例提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项中所述的方法。
本发明的又一实施例提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项中所述的方法。
与现有技术相比,本发明通过调用量子模块创建量子自动编码线路,该量子自动编码线路用于将初始量子态演化至压缩量子态,初始量子态表示的输入数据与压缩量子态表示的输出数据之间的偏差小于预设阈值,且初始量子态对应的第一量子比特数量大于压缩量子态对应的第二量子比特的数量;将待编码数据作为输入数据输入至该量子自动编码线路,以及运行该量子自动编码线路得到压缩量子态表示的输出数据,实现了量子数据的压缩和自动编码,同时利用量子叠加的性质,减少了经典自动编码器对计算资源的占用率,提升了自动编码器的速度。
附图说明
图1为本发明实施例提供的一种基于机器学习框架的量子自动编码方法的计算机终端的硬件结构框图;
图2为本发明实施例提供的一种基于机器学习框架的量子自动编码方法的流程示意图;
图3为本发明实施例提供一种单量子旋转逻辑门R的结构示意图;
图4为本发明实施例提供的一种量子自动编码线路的结构示意图;
图5为本发明实施例提供的一种SWAP测试线路的结构示意图;
图6为本发明实施例提供的一种包括量子自动编码线路和SWAP测试线路的机器学习模型的结构示意图;
图7为本发明实施例提供的另一种包括量子自动编码线路和SWAP测试线路的机器学习模型的结构示意图;
图8为本发明实施例提供的一种基于机器学习框架的量子自动编码装置的结构示意图。
具体实施方式
下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本发明实施例首先提供了一种基于机器学习框架的量子自动编码方法,该方法可以应用于电子设备,如计算机终端,具体如普通电脑、量子计算机等。
下面以运行在计算机终端上为例对其进行详细说明。图1为本发明实施例提供的一种基于机器学习框架的量子自动编码方法的计算机终端的硬件结构框图。如图1所示,计算机终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储基于机器学习框架的量子自动编码方法的存储器104,可选地,上述计算机终端还可以包括用于通信功能的传输装置106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述计算机终端的结构造成限定。例如,计算机终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储应用软件的软件程序以及模块,如本发明实施例中的基于机器学习框架的量子自动编码方法对应的程序指令/模块,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
需要说明的是,真正的量子计算机是混合结构的,它包含两大部分:一部分是经典计算机,负责执行经典计算与控制;另一部分是量子设备,负责运行量子程序进而实现量子计算。而量子程序是由量子语言如QRunes语言编写的一串能够在量子计算机上运行的指令序列,实现了对量子逻辑门操作的支持,并最终实现量子计算。具体的说,量子程序就是一系列按照一定时序操作量子逻辑门的指令序列。
在实际应用中,因受限于量子设备硬件的发展,通常需要进行量子计算模拟以验证量子算法、量子应用等等。量子计算模拟即借助普通计算机的资源搭建的虚拟架构(即量子虚拟机)实现特定问题对应的量子程序的模拟运行的过程。通常,需要构建特定问题对应的量子程序。本发明实施例所指量子程序,即是经典语言编写的表征量子比特及其演化的程序,其中与量子计算相关的量子比特、量子逻辑门等等均有相应的经典代码表示。
量子线路作为量子程序的一种体现方式,也称量子逻辑电路,是最常用的通用量子计算模型,表示在抽象概念下对于量子比特进行操作的线路,其组成包括量子比特、线路(时间线)、以及各种量子逻辑门,最后常需要通过量子测量操作将结果读取出来。
不同于传统电路是用金属线所连接以传递电压信号或电流信号,在量子线路中,线路可看成是由时间所连接,亦即量子比特的状态随着时间自然演化,在这过程中按照哈密顿运算符的指示,一直到遇上逻辑门而***作。
一个量子程序整体上对应有一条总的量子线路,本发明所述量子程序即指该条总的量子线路,其中,该总的量子线路中的量子比特总数与量子程序的量子比特总数相同。可以理解为:一个量子程序可以由量子线路、针对量子线路中量子比特的测量操作、保存测量结果的寄存器及控制流节点(跳转指令)组成,一条量子线路可以包含几十上百个甚至成千上万个量子逻辑门操作。量子程序的执行过程,就是对所有的量子逻辑门按照一定时序执行的过程。需要说明的是,时序即单个量子逻辑门被执行的时间顺序。
需要说明的是,经典计算中,最基本的单元是比特,而最基本的控制模式是逻辑门,可以通过逻辑门的组合来达到控制电路的目的。类似地,处理量子比特的方式就是量子逻辑门。使用量子逻辑门,能够使量子态发生演化,量子逻辑门是构成量子线路的基础,量子逻辑门包括单比特量子逻辑门,如Hadamard门(H门,阿达马门)、泡利-X门(X门)、泡利-Y门(Y门)、泡利-Z门(Z门)、RX门、RY门、RZ门等等;多比特量子逻辑门,如CNOT门、CR门、iSWAP门、Toffoli门等等。量子逻辑门一般使用酉矩阵表示,而酉矩阵不仅是矩阵形式,也是一种操作和变换。一般量子逻辑门在量子态上的作用是通过酉矩阵左乘以量子态右矢对应的矩阵进行计算。
参见图2,图2为本发明实施例提供的一种基于机器学习框架的量子自动编码方法的流程示意图,所述机器学习框架包括量子模块,所述方法包括:
步骤201:调用所述量子模块创建量子自动编码线路,所述量子自动编码线路用于将初始量子态演化至压缩量子态,所述初始量子态表示的输入数据与所述压缩量子态表示的输出数据之间的偏差小于预设阈值,且所述初始量子态对应的第一量子比特数量大于所述压缩量子态对应的第二量子比特的数量;
步骤202:将待编码数据作为所述输入数据输入至所述量子自动编码线路,以及运行所述量子自动编码线路得到所述压缩量子态表示的输出数据。
其中,机器学习框架集成了众多用于创建和训练机器学习模型的函数集,通过其定义的接口可以方便的调用函数集中的函数实现对机器学习模型的相关操作。机器学习框架包括的上述量子模块可以被配置为创建机器学习模型中的量子计算层,量子计算层为包含量子程序的程序模块,可以用于实现对应量子程序的量子计算,通过对量子程序按照一定的标准进行封装得到量子计算层,便于在创建和训练机器学习模型时进行使用。量子程序为实现量子计算的程序,可以通过调用量子模块创建按特定顺序作用于量子比特的量子逻辑门得到量子程序,并对量子程序进行封装得到量子计算层。量子计算层包括量子自动编码线路。
进一步,在所述调用所述量子模块创建量子自动编码线路之前,所述方法还包括:
调用所述量子模块创建数据编码量子线路,所述数据编码量子线路用于将所述输入数据编码至初始量子态。
其中,所述数据编码量子线路可以为以下其中一种:基态编码量子线路、幅度编码量子线路、角度编码量子线路、瞬时量子多项式IQP(Instantaneous Quantum Polynomial)编码线路。
具体来讲,基态相对于任意量子态,相当于基向量相对于任意向量。例如,对于量子态,其中和为基态,对于量子态,其中为基态。基态编码量子线路用于将输入数据编码至量子比特的量子态中的基态。例如对于输入数据5,其二进制码为101,进而可以将其编码至量子比特的量子态中的基态。
具体来讲,角度编码量子线路中包括含参量子逻辑门,例如可以为RX旋转门、RY旋转门和RZ旋转门中的任意一者。对输入数据进行反三角函数变换,将变换得到的角度作为旋转门的旋转角度参数,从而实现对输入数据的编码。
具体来讲,IQP编码指的是通过创建IQP编码线路的逻辑门作用于指定量子比特得到IQP编码线路,并将输入数据作为该IQP编码线路的参数,运行该IQP编码线路可以将输入数据x编码至量子态,其中,x为张量数据,H为上述H门,n为指定量子比特的数量,表示n个指定量子比特的初始量子态均为,r表示的重复次数,如下:
进一步地,若所述数据编码量子线路为基态编码量子线路,则所述基态编码量子线路包括X门。通过X门可以将演化为,例如对于输入数据5,其二进制码为101,进而可以用X门主用于第一个和第三个第一量子比特,从而将输入数据5编码至第一量子比特的量子态中的基态。
其中,预设阈值可以为预先设定的,所述初始量子态表示的输入数据与所述压缩量子态表示的输出数据之间的偏差可以用保真度来表示,也可以用距离来表示,这里距离包括欧氏距离、曼哈顿距离、夹角余弦、切比雪夫距离、汉明距离等等。
其中,第二量子比特是第一量子比特中的一个或几个。
与现有技术相比,本发明通过调用量子模块创建量子自动编码线路,该量子自动编码线路用于将初始量子态演化至压缩量子态,初始量子态表示的输入数据与压缩量子态表示的输出数据之间的偏差小于预设阈值,且初始量子态对应的第一量子比特数量大于压缩量子态对应的第二量子比特的数量;将待编码数据作为输入数据输入至该量子自动编码线路,以及运行该量子自动编码线路得到压缩量子态表示的输出数据,实现了量子数据的压缩和自动编码,同时利用量子叠加的性质,减少了经典自动编码器对计算资源的占用率,提升了自动编码器的速度。
可选的,所述量子模块包括量子态演化逻辑门单元,所述调用所述量子模块创建量子自动编码线路,包括:
调用所述量子态演化逻辑门单元获取单量子旋转逻辑门和受控单量子旋转逻辑门,以及将所述单量子旋转逻辑门和所述受控单量子旋转逻辑门作用于所述第一量子比特,得到量子自动编码线路。
其中,所述单量子旋转逻辑门和所述受控单量子旋转逻辑门中包括的单量子旋转逻辑门可以相同,也可以不同;单量子旋转逻辑门可以是绕x轴、y轴或z轴的单量子旋转逻辑门RX、RY、RZ,也可以是绕任意旋转轴的单量子旋转逻辑门;单量子旋转逻辑门的数量可以是一个,也可以是多个,在此,均不做限定。
举例说明,如图3所示,图3为本发明实施例提供一种单量子旋转逻辑门R的结构示意图。单量子旋转逻辑门由两个RZ门和一个RY门组成,在第一量子比特上的作用顺序依次为:RZ门、RY门、RZ门。
可选的,所述将所述单量子旋转逻辑门和所述受控单量子旋转逻辑门作用于所述第一量子比特,包括:
将所述单量子旋转逻辑门作用于所述第一量子比特,将所述受控单量子旋转逻辑门作用于每两个所述第一量子比特,以及将所述单量子旋转逻辑门作用于所述第一量子比特。
进一步地,所述第一量子比特的数量为N,所述单量子旋转逻辑门的额数量为2N,所述受控单量子旋转逻辑门的数量为N×(N-1),每个所述第一量子比特对应N-1个所述受控单量子旋转逻辑门,N-1个所述受控单量子旋转逻辑门的受控比特相同且为其对应的所述第一量子比特,控制比特不同且为除其对应的所述第一量子比特之外的第一量子比特。
进一步地,所述将所述单量子旋转逻辑门作用于所述第一量子比特,将所述受控单量子旋转逻辑门作用于每两个所述第一量子比特,以及将所述单量子旋转逻辑门作用于所述第一量子比特,包括:
将其中N个所述单量子旋转逻辑门分别作用于N个所述第一量子比特,将N×(N-1)个所述受控单量子旋转逻辑门作用于每两个所述第一量子比特,以及将另外N个所述单量子旋转逻辑门作用于N个所述第一量子比特,N个所述单量子旋转逻辑门与N个第一量子比特一一对应。
举例说明,如图4所示,图4为本发明实施例提供的一种量子自动编码线路的结构示意图。第一量子比特的数量为4个,单量子旋转逻辑门为8个,受控单量子旋转逻辑门为12个。先将4个单量子旋转逻辑门R作用于4个第一量子比特,然后将3个控制比特为第一个第一量子比特的受控单量子旋转逻辑门作用于4个第一量子比特,再将3个控制比特为第二个第一量子比特的受控单量子旋转逻辑门作用于4个第一量子比特,再将3个控制比特为第三个第一量子比特的受控单量子旋转逻辑门作用于4个第一量子比特,再将3个控制比特为第四个第一量子比特的受控单量子旋转逻辑门作用于4个第一量子比特,最后将3个控制比特为第一个第一量子比特的受控单量子旋转逻辑门作用于4个第一量子比特。
可选的,所述机器学习框架还包括经典模块,所述将待编码数据作为所述输入数据输入至所述量子自动编码线路之前,所述方法还包括:
调用所述量子态演化逻辑门单元创建SWAP测试线路;
调用所述经典模块基于所述SWAP测试线路对所述量子自动编码线路进行优化,得到优化后的所述量子自动编码线路。
可选的,所述量子自动编码线路还用于将所述初始量子态演化至垃圾量子态,所述垃圾量子态表示的输出数据为所述输入数据中的待丢弃数据,所述垃圾量子态对应第三量子比特,所述第一量子比特包括所述第二量子比特和所述第三量子比特。
可选的,所述调用所述量子态演化逻辑门单元创建SWAP测试线路,包括:
调用所述量子态演化逻辑门单元获取H门和受控SWAP门;
将所述H门作用于辅助量子比特,将所述受控SWAP门作用于所述辅助量子比特和所述第三量子比特,以及将所述H门作用于所述辅助量子比特,得到SWAP测试线路。
如图5所示,图5为本发明实施例提供的一种SWAP测试线路的结构示意图。其输入态为:
经过第一个H门,量子态演化为:
然后经过SWAP门,量子态演化为:
经过第二个H门,量子态演化为:
又举例说明,如图6所示,图6为本发明实施例提供的一种包括量子自动编码线路和SWAP测试线路的机器学习模型的结构示意图。辅助量子比特包括、和,第一量子比特包括、、和,其中,和为第二量子比特,和为第三量子比特。将待编码数据编码至第一量子比特表示的初始量子态,然后经过量子自编码线路演化得到第二量子比特表示的压缩量子态和第三量子比特表示的垃圾量子态。
可选的,所述经典模块包括损失函数单元和优化器单元,所述调用所述经典模块基于所述SWAP测试线路对所述量子自动编码线路进行优化,包括:
运行所述SWAP测试线路,得到所述SWAP测试线路的输出数据;
基于所述SWAP测试线路的输出数据确定所述初始量子态与所述压缩量子态的保真度;
调用所述损失函数单元基于所述保真度计算损失函数;
调用所述优化器单元基于所述损失函数对所述量子自动编码线路中的参数进行优化。
若所述初始量子态与所述压缩量子态的保真度越高,这垃圾量子态越接近,因此,垃圾量子态与辅助比特的量子态的保真度也越高。可见,所述初始量子态与所述压缩量子态的保真度等价于所述初始量子态与所述压缩量子态的保真度。
如图7所示,图7为本发明实施例提供的另一种包括量子自动编码线路和SWAP测试线路的机器学习模型的结构示意图。图7中的量子自动编码线路与图4中的量子自动编码线路相同,图7中的单量子旋转逻辑门与图3中的单量子旋转逻辑门相同,单量子旋转逻辑门与受控单量子旋转逻辑门中的单量子旋转逻辑门相同。对于第一量子比特的数量为4个时,辅助量子比特的数量为3个。SWAP测试线路具体为,第一个H门作用于辅助量子比特,第一个受控SWAP门作用于辅助比特、和第三量子比特,第二个受控SWAP门作用于辅助比特、和第三量子比特,第二个H门作用于辅助量子比特,第一个受控SWAP门的控制比特为辅助比特,第二个受控SWAP门的控制比特为辅助比特。
参见图8,图8为本发明实施例提供的一种基于机器学习框架的量子自动编码装置的结构示意图,所述机器学习框架包括量子模块,所述装置包括:
线路创建单元801,用于调用所述量子模块创建量子自动编码线路,所述量子自动编码线路用于将初始量子态演化至压缩量子态,所述初始量子态表示的输入数据与所述压缩量子态表示的输出数据之间的偏差小于预设阈值,且所述初始量子态对应的第一量子比特数量大于所述压缩量子态对应的第二量子比特的数量;
线路运行单元802,用于将待编码数据作为所述输入数据输入至所述量子自动编码线路,以及运行所述量子自动编码线路得到所述压缩量子态表示的输出数据。
可选的,所述量子模块包括量子态演化逻辑门单元,在所述调用所述量子模块创建量子自动编码线路方面,所述线路创建单元801,具体用于:
调用所述量子态演化逻辑门单元获取单量子旋转逻辑门和受控单量子旋转逻辑门,以及将所述单量子旋转逻辑门和所述受控单量子旋转逻辑门作用于所述第一量子比特,得到量子自动编码线路。
可选的,在所述将所述单量子旋转逻辑门和所述受控单量子旋转逻辑门作用于所述第一量子比特方面,所述线路创建单元801,具体用于:
将所述单量子旋转逻辑门作用于所述第一量子比特,将所述受控单量子旋转逻辑门作用于每两个所述第一量子比特,以及将所述单量子旋转逻辑门作用于所述第一量子比特。
可选的,所述机器学习框架还包括经典模块,在所述将待编码数据作为所述输入数据输入至所述量子自动编码线路之前,所述线路创建单元801,还用于:
调用所述量子态演化逻辑门单元创建SWAP测试线路;
调用所述经典模块基于所述SWAP测试线路对所述量子自动编码线路进行优化,得到优化后的所述量子自动编码线路。
可选的,所述量子自动编码线路还用于将所述初始量子态演化至垃圾量子态,所述垃圾量子态表示的输出数据为所述输入数据中的待丢弃数据,所述垃圾量子态对应第三量子比特,所述第一量子比特包括所述第二量子比特和所述第三量子比特。
可选的,在所述调用所述量子态演化逻辑门单元创建SWAP测试线路方面,所述线路创建单元801,具体用于:
调用所述量子态演化逻辑门单元获取H门和受控SWAP门;
将所述H门作用于辅助量子比特,将所述受控SWAP门作用于所述辅助量子比特和所述第三量子比特,以及将所述H门作用于所述辅助量子比特,得到SWAP测试线路。
可选的,所述经典模块包括损失函数单元和优化器单元,在所述调用所述经典模块基于所述SWAP测试线路对所述量子自动编码线路进行优化方面,所述线路创建单元801,具体用于:
运行所述SWAP测试线路,得到所述SWAP测试线路的输出数据;
基于所述SWAP测试线路的输出数据确定所述初始量子态与所述压缩量子态的保真度;
调用所述损失函数单元基于所述保真度计算损失函数;
调用所述优化器单元基于所述损失函数对所述量子自动编码线路中的参数进行优化。
与现有技术相比,本发明通过调用量子模块创建量子自动编码线路,该量子自动编码线路用于将初始量子态演化至压缩量子态,初始量子态表示的输入数据与压缩量子态表示的输出数据之间的偏差小于预设阈值,且初始量子态对应的第一量子比特数量大于压缩量子态对应的第二量子比特的数量;将待编码数据作为输入数据输入至该量子自动编码线路,以及运行该量子自动编码线路得到压缩量子态表示的输出数据,实现了量子数据的压缩和自动编码,同时利用量子叠加的性质,减少了经典自动编码器对计算资源的占用率,提升了自动编码器的速度。
本发明实施例还提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
具体的,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
调用所述量子模块创建量子自动编码线路,所述量子自动编码线路用于将初始量子态演化至压缩量子态,所述初始量子态表示的输入数据与所述压缩量子态表示的输出数据之间的偏差小于预设阈值,且所述初始量子态对应的第一量子比特数量大于所述压缩量子态对应的第二量子比特的数量;
将待编码数据作为所述输入数据输入至所述量子自动编码线路,以及运行所述量子自动编码线路得到所述压缩量子态表示的输出数据。
具体的,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的再一实施例还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项中方法实施例中的步骤。
具体的,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
具体的,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
调用所述量子模块创建量子自动编码线路,所述量子自动编码线路用于将初始量子态演化至压缩量子态,所述初始量子态表示的输入数据与所述压缩量子态表示的输出数据之间的偏差小于预设阈值,且所述初始量子态对应的第一量子比特数量大于所述压缩量子态对应的第二量子比特的数量;
将待编码数据作为所述输入数据输入至所述量子自动编码线路,以及运行所述量子自动编码线路得到所述压缩量子态表示的输出数据。
以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果,以上所述仅为本发明的较佳实施例,但本发明不以图面所示限定实施范围,凡是依照本发明的构想所作的改变,或修改为等同变化的等效实施例,仍未超出说明书与图示所涵盖的精神时,均应在本发明的保护范围内。
Claims (9)
1.一种基于机器学习框架的量子自动编码方法,其特征在于,所述机器学习框架包括量子模块,所述方法包括:
调用所述量子模块创建量子自动编码线路,所述量子自动编码线路用于将初始量子态演化至压缩量子态和垃圾量子态,所述初始量子态表示的输入数据与所述压缩量子态表示的输出数据之间的偏差小于预设阈值,且所述初始量子态对应的第一量子比特数量大于所述压缩量子态对应的第二量子比特的数量,所述垃圾量子态表示的输出数据为所述输入数据中的待丢弃数据,所述垃圾量子态对应第三量子比特,所述第一量子比特包括所述第二量子比特和所述第三量子比特;
将待编码数据作为所述输入数据输入至所述量子自动编码线路,以及运行所述量子自动编码线路得到所述压缩量子态表示的输出数据。
2.如权利要求1所述的方法,其特征在于,所述量子模块包括量子态演化逻辑门单元,所述调用所述量子模块创建量子自动编码线路,包括:
调用所述量子态演化逻辑门单元获取单量子旋转逻辑门和受控单量子旋转逻辑门,以及将所述单量子旋转逻辑门和所述受控单量子旋转逻辑门作用于所述第一量子比特,得到量子自动编码线路。
3.如权利要求2所述的方法,其特征在于,所述第一量子比特的数量为N,所述单量子旋转逻辑门的数量为2N,所述受控单量子旋转逻辑门的数量为N×(N-1);所述将所述单量子旋转逻辑门和所述受控单量子旋转逻辑门作用于所述第一量子比特,包括:
将其中N个所述单量子旋转逻辑门分别作用于N个所述第一量子比特,将N×(N-1)个所述受控单量子旋转逻辑门作用于每两个所述第一量子比特,以及将另外N个所述单量子旋转逻辑门分别作用于N个所述第一量子比特。
4.如权利要求2或3所述的方法,其特征在于,所述机器学习框架还包括经典模块,所述将待编码数据作为所述输入数据输入至所述量子自动编码线路之前,所述方法还包括:
调用所述量子态演化逻辑门单元创建SWAP测试线路;
调用所述经典模块基于所述SWAP测试线路对所述量子自动编码线路进行优化,得到优化后的所述量子自动编码线路。
5.如权利要求4所述的方法,其特征在于,所述调用所述量子态演化逻辑门单元创建SWAP测试线路,包括:
调用所述量子态演化逻辑门单元获取H门和受控SWAP门;
将所述H门作用于辅助量子比特,将所述受控SWAP门作用于所述辅助量子比特和所述第三量子比特,以及将所述H门作用于所述辅助量子比特,得到SWAP测试线路。
6.如权利要求4所述的方法,其特征在于,所述经典模块包括损失函数单元和优化器单元,所述调用所述经典模块基于所述SWAP测试线路对所述量子自动编码线路进行优化,包括:
运行所述SWAP测试线路,得到所述SWAP测试线路的输出数据;
基于所述SWAP测试线路的输出数据确定所述初始量子态与所述压缩量子态的保真度;
调用所述损失函数单元基于所述保真度计算损失函数;
调用所述优化器单元基于所述损失函数对所述量子自动编码线路中的参数进行优化。
7.一种基于机器学习框架的量子自动编码装置,其特征在于,所述机器学习框架包括量子模块,所述装置包括:
线路创建单元,用于调用所述量子模块创建量子自动编码线路,所述量子自动编码线路用于将初始量子态演化至压缩量子态和垃圾量子态,所述初始量子态表示的输入数据与所述压缩量子态表示的输出数据之间的偏差小于预设阈值,且所述初始量子态对应的第一量子比特数量大于所述压缩量子态对应的第二量子比特的数量,所述垃圾量子态表示的输出数据为所述输入数据中的待丢弃数据,所述垃圾量子态对应第三量子比特,所述第一量子比特包括所述第二量子比特和所述第三量子比特;
线路运行单元,用于将待编码数据作为所述输入数据输入至所述量子自动编码线路,以及运行所述量子自动编码线路得到所述压缩量子态表示的输出数据。
8.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至6任一项中所述的方法。
9.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至6任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210280770.0A CN114372582B (zh) | 2022-03-22 | 2022-03-22 | 基于机器学习框架的量子自动编码方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210280770.0A CN114372582B (zh) | 2022-03-22 | 2022-03-22 | 基于机器学习框架的量子自动编码方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114372582A CN114372582A (zh) | 2022-04-19 |
CN114372582B true CN114372582B (zh) | 2022-06-21 |
Family
ID=81146493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210280770.0A Active CN114372582B (zh) | 2022-03-22 | 2022-03-22 | 基于机器学习框架的量子自动编码方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114372582B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004289817A (ja) * | 2003-03-05 | 2004-10-14 | National Institute Of Information & Communication Technology | 量子情報源符号化装置、および量子情報通信システム |
CN110929873A (zh) * | 2019-12-11 | 2020-03-27 | 合肥本源量子计算科技有限责任公司 | 一种量子程序的处理方法、装置、存储介质和电子装置 |
WO2020255076A1 (en) * | 2019-06-19 | 2020-12-24 | 1Qb Information Technologies Inc. | Method and system for mapping a dataset from a hilbert space of a given dimension to a hilbert space of a different dimension |
CN112633507A (zh) * | 2020-11-27 | 2021-04-09 | 合肥本源量子计算科技有限责任公司 | 一种将复向量编码到量子线路的方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030093451A1 (en) * | 2001-09-21 | 2003-05-15 | International Business Machines Corporation | Reversible arithmetic coding for quantum data compression |
CN110692067A (zh) * | 2017-06-02 | 2020-01-14 | 谷歌有限责任公司 | 量子神经网络 |
CA3103471A1 (en) * | 2018-07-02 | 2020-01-09 | Zapata Computing, Inc. | Compressed unsupervised quantum state preparation with quantum autoencoders |
-
2022
- 2022-03-22 CN CN202210280770.0A patent/CN114372582B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004289817A (ja) * | 2003-03-05 | 2004-10-14 | National Institute Of Information & Communication Technology | 量子情報源符号化装置、および量子情報通信システム |
WO2020255076A1 (en) * | 2019-06-19 | 2020-12-24 | 1Qb Information Technologies Inc. | Method and system for mapping a dataset from a hilbert space of a given dimension to a hilbert space of a different dimension |
CN110929873A (zh) * | 2019-12-11 | 2020-03-27 | 合肥本源量子计算科技有限责任公司 | 一种量子程序的处理方法、装置、存储介质和电子装置 |
CN112633507A (zh) * | 2020-11-27 | 2021-04-09 | 合肥本源量子计算科技有限责任公司 | 一种将复向量编码到量子线路的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114372582A (zh) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112232513B (zh) | 一种量子态的制备方法及装置 | |
CN112633508B (zh) | 一种量子线路的生成方法、装置、存储介质及电子装置 | |
CN112633507B (zh) | 一种将复向量编码到量子线路的方法及装置 | |
CN114358216B (zh) | 基于机器学习框架的量子聚类方法及相关装置 | |
CN114358319B (zh) | 基于机器学习框架的分类方法及相关装置 | |
CN114358318B (zh) | 基于机器学习框架的分类方法及相关装置 | |
CN113222153B (zh) | 一种量子态的模拟方法、装置、存储介质和电子装置 | |
CN114358295B (zh) | 基于机器学习框架的二分类方法及相关装置 | |
CN114819163B (zh) | 量子生成对抗网络的训练方法、装置、介质及电子装置 | |
CN115311515A (zh) | 混合量子经典的生成对抗网络的训练方法及相关设备 | |
CN114358317B (zh) | 基于机器学习框架的数据分类方法及相关设备 | |
CN115293254A (zh) | 基于量子多层感知器的分类方法及相关设备 | |
CN113222161A (zh) | 一种自定义量子逻辑门的实现方法、装置 | |
CN113222151B (zh) | 一种量子态的变换方法及装置 | |
CN114372582B (zh) | 基于机器学习框架的量子自动编码方法及相关装置 | |
CN115346080B (zh) | 基于量子计算的图像处理方法及相关设备 | |
CN113222157A (zh) | 一种量子模拟方法、装置、电子装置及存储介质 | |
CN115809707B (zh) | 量子比较运算方法、装置、电子装置及基础算术组件 | |
CN115879562B (zh) | 一种量子程序初始映射的确定方法、装置及量子计算机 | |
CN114764619A (zh) | 一种基于量子线路的卷积操作方法及装置 | |
CN114764620A (zh) | 一种量子卷积操作器 | |
CN114372584B (zh) | 基于机器学习框架的迁移学习方法及相关装置 | |
CN114764618B (zh) | 一种针对线性***的量子预处理方法及装置 | |
CN116431807B (zh) | 一种文本分类方法、装置、存储介质及电子装置 | |
CN116740343B (zh) | 一种基于量子经典混合神经网络的图像分割方法及装置 |
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 |