CN114418108A - 酉算子编译方法、计算设备、装置及存储介质 - Google Patents
酉算子编译方法、计算设备、装置及存储介质 Download PDFInfo
- Publication number
- CN114418108A CN114418108A CN202210050122.6A CN202210050122A CN114418108A CN 114418108 A CN114418108 A CN 114418108A CN 202210050122 A CN202210050122 A CN 202210050122A CN 114418108 A CN114418108 A CN 114418108A
- Authority
- CN
- China
- Prior art keywords
- quantum
- preset
- ith
- state
- circuit
- 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 103
- 238000005259 measurement Methods 0.000 claims abstract description 73
- 238000012545 processing Methods 0.000 claims abstract description 27
- 239000002096 quantum dot Substances 0.000 claims description 174
- 230000006870 function Effects 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 description 44
- 238000004422 calculation algorithm Methods 0.000 description 21
- 239000011159 matrix material Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000005457 optimization Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000203 mixture Substances 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
- 238000013461 design Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 101100272279 Beauveria bassiana Beas gene Proteins 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
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000005610 quantum mechanics Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
本公开提供了酉算子编译方法、计算设备、装置及存储介质,涉及数据处理领域,尤其涉及量子计算领域。具体实现方案为:获取至少n+1个度量结果,其中,所述至少n+1个度量结果中的第i个度量结果表征第i个第一输出态与第i个目标输出态之间的第i迹距离;基于所述第i个度量结果所表征的所述第i个迹距离,计算得到表征平均迹距离的损失函数的损失值;在所述损失函数的损失值满足迭代要求的情况下,将可调参数处于第一参数值的预设参数化量子电路作为目标参数化量子电路,所述目标参数化量子电路为所述待编译的目标酉算子的近似量子电路。如此,编译得到目标酉算子的近似量子电路。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及量子计算领域。
背景技术
随着量子计算技术的飞速发展,越来越多的量子算法和应用正在不断涌现,展现了量子计算机超越经典计算机的巨大潜力。但是,在近期含噪声的中等规模量子(Noisyintermediate-scale quantum)设备上,由于量子比特的数量、结构和电路深度方面的限制,要想实现复杂的量子算法仍然十分困难。为了解决这个问题,需要使用酉算子编译(Unitary compiling)技术将量子算法中的酉算子编译为一系列的量子门序列,从而使得量子算法能够在近期量子设备上运行。因此,如何使用简单的量子电路去模拟或者编译酉算子便成为了量子计算中的一个核心问题。
发明内容
本公开提供了一种酉算子编译方法、计算设备、装置及存储介质。
根据本公开的一方面,提供了一种酉算子编译方法,应用于经典计算设备;包括:
获取至少n+1个度量结果,其中,所述至少n+1个度量结果中的第i个度量结果表征第i个第一输出态与第i个目标输出态之间的第i迹距离;其中,所述第i个第一输出态是预设参数化量子电路在自身可调参数处于第一参数值的情况下,作用到至少n+1个预设量子态中的第i个预设量子态后的输出态;第i个目标输出态表征待编译的目标酉算子作用到所述第i个预设量子态后的输出态;所述目标酉算子为包含有n个量子比特的酉算子;所述预设参数化量子电路为包含有所述n个量子比特的量子电路;所述n为大于等于1的自然数,所述i为大于等于1小于等于n+1的自然数;
基于所述第i个度量结果所表征的所述第i迹距离,计算得到表征平均迹距离的损失函数的损失值;
在所述损失函数的损失值满足迭代要求的情况下,将所述可调参数处于第一参数值的预设参数化量子电路作为目标参数化量子电路,其中,所述目标参数化量子电路为所述待编译的目标酉算子的近似量子电路。
根据本公开的另一方面,提供了一种酉算子编译方法,应用于量子计算设备;包括:
将预设参数化量子电路在自身可调参数处于第一参数值的情况下,作用到至少n+1个预设量子态中的第i个预设量子态,得到第i个第一输出态;
得到第i个度量结果,其中,所述第i个度量结果表征所述第i个第一输出态与第i个目标输出态之间的第i迹距离;其中,所述第i个目标输出态表征待编译的目标酉算子作用到所述第i个预设量子态后的输出态;所述目标酉算子为包含有n个量子比特的酉算子;所述预设参数化量子电路为包含有所述n个量子比特的量子电路;所述n为大于等于1的自然数,所述i为大于等于1小于等于n+1的自然数;
发送所述第i个度量结果。
根据本公开的再一方面,提供了一种经典计算设备,包括:
第一获取单元,用于获取至少n+1个度量结果,其中,所述至少n+1个度量结果中的第i个度量结果表征第i个第一输出态与第i个目标输出态之间的第i迹距离;其中,所述第i个第一输出态是预设参数化量子电路在自身可调参数处于第一参数值的情况下,作用到至少n+1个预设量子态中的第i个预设量子态后的输出态;第i个目标输出态表征待编译的目标酉算子作用到所述第i个预设量子态后的输出态;所述目标酉算子为包含有n个量子比特的酉算子;所述预设参数化量子电路为包含有n个量子比特的量子电路;所述n为大于等于1的自然数,所述i为大于等于1小于等于n+1的自然数;
损失值计算单元,用于基于所述第i个度量结果所表征的所述第i迹距离,计算得到表征平均迹距离的损失函数的损失值;
确定单元,用于在所述损失函数的损失值满足迭代要求的情况下,将所述可调参数处于第一参数值的预设参数化量子电路作为目标参数化量子电路,其中,所述目标参数化量子电路为所述待编译的目标酉算子的近似量子电路。
根据本公开的再一方面,提供了一种量子计算设备,包括:
输出态确定单元,用于将预设参数化量子电路在自身可调参数处于第一参数值的情况下,作用到至少n+1个预设量子态中的第i个预设量子态,得到第i个第一输出态;
度量单元,用于得到第i个度量结果,其中,所述第i个度量结果表征所述第i个第一输出态与第i个目标输出态之间的第i迹距离;其中,所述第i个目标输出态表征待编译的目标酉算子作用到所述第i个预设量子态后的输出态;所述目标酉算子为包含有n个量子比特的酉算子;所述预设参数化量子电路为包含有所述n个量子比特的量子电路;所述n为大于等于1的自然数,所述i为大于等于1小于等于n+1的自然数;
第二发送单元,用于发送所述第i个度量结果。
根据本公开的再一方面,提供了一种经典计算设备,所述经典计算设备包括:
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以上应用于经典计算设备所述的方法。
根据本公开的再一方面,提供了一种量子计算设备,所述量子计算设备包括:
至少一个量子处理单元(quantum processing unit,QPU);
存储器,耦合到所述至少一个QPU并用于存储可执行指令,
所述指令被所述至少一个量子处理单元执行,以使所述至少一个量子处理单元能够执行以上应用于量子计算设备所述的方法。
根据本公开的再一方面,提供了一种计算装置,包括:
以上所述的经典计算设备,以及以上所述的量子计算设备。
根据本公开的再一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行以上应用于经典计算设备所述的方法。
根据本公开的再一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,当至少一个量子处理单元执行时,所述计算机指令使得所述至少一个量子处理单元执行以上应用于量子计算设备所述的方法。
根据本公开的再一方面,提供了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以上应用于经典计算设备所述的方法;
或者,所述计算机程序在被至少一个量子处理单元执行时实现以上应用于量子计算设备所述的方法。
这样,实现了基于预设参数化量子电路去模拟或者编译目标酉算子,解决了量子计算的一个核心问题。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开实施例应用于经典计算设备中的酉算子编译方法的实现流程示意图;
图2是根据本公开实施例预设参数化量子电路在一示例中的示意图;
图3是根据本公开实施例预设参数化量子电路在另一示例中的示意图;
图4是根据本公开实施例应用于量子计算设备中的酉算子编译方法的实现流程示意图;
图5是根据本公开实施例酉算子编译方法在一具体示例中的实现流程示意图;
图6是根据本公开实施例酉算子编译方法在一具体示例中的场景示意图;
图7是根据本公开实施例经典计算设备的结构示意图;
图8是根据本公开实施例量子计算设备的结构示意图;
图9是根据本公开实施例计算设备的结构示意图;
图10是用来实现本公开实施例的酉算子编译方法的经典电子设备的框图。
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。
本公开方案主要采用变分量子电路编译技术来实现酉算子的编译;这里,变分量子电路编译是一个通过优化参数化量子电路(Parametrized quantum circuit)来模拟或者学***均迹距离,通过训练V(θ)来最小化该损失函数,进而得到目标酉算子U的一个近似电路V(θ*)。而且,本公开方案还可以使用量子门保真度来作为衡量编译效果的指标,这里,所述量子门保真度公式如下:
tr(·)代表一个矩阵的迹,n是量子比特的数量,保真度接近于1意味着训练效果良好。
在现有的量子硬件技术下,制备和保存量子态需要耗费大量的资源,训练数据集中量子态的数量直接决定了训练参数化量子电路所需要的成本(比如资源成本和时间成本等),因此,如何使用尽可能少的训练数据达到较好的训练效果成为本公开方案酉算子编译过程所需考虑的一个重要问题。
基于此,本公开方案提供了一种使用n+1个预设量子态作为训练集的变分量子电路编译方案,而且,能够将任意的酉算子(也即目标酉算子)编译成简单的量子门序列,因此,实用性、通用性和高效性均强。这里,实用性指能够在近期量子设备上实现,并能够提升近期量子设备的实际应用价值;通用性指其对任意酉算子有效,且不受量子比特的数量的限制;高效性指能够降低酉算子编译所需的资源成本和时间成本。
具体地,本公开方案提供了一种酉算子编译方法,应用于经典计算设备;这里,所述经典计算设备是相对于量子计算设备而言的,也即非量子计算设备;具体地,如图1所示,所述方法包括:
步骤S101:获取至少n+1个度量结果,比如,从量子计算设备处获取到n+1个度量结果。其中,所述至少n+1个度量结果中的第i个度量结果表征第i个第一输出态与第i个目标输出态之间的第i迹距离;其中,所述第i个第一输出态是预设参数化量子电路在自身可调参数处于第一参数值的情况下,作用到至少n+1个预设量子态中的第i个预设量子态后的输出态;所述第i个目标输出态表征待编译的目标酉算子作用到所述第i个预设量子态后的输出态;所述目标酉算子为包含有n个量子比特的酉算子;所述预设参数化量子电路为包含有所述n个量子比特的量子电路;所述n为大于等于1的自然数,所述i为大于等于1小于等于n+1的自然数。
步骤S102:所述经典计算设备基于所述第i个度量结果所表征的所述第i迹距离,计算得到表征平均迹距离的损失函数的损失值。
步骤S103:所述经典计算设备在所述损失函数的损失值满足迭代要求(比如收敛,或者迭代次数达到预设次数)的情况下,将所述可调参数处于第一参数值的预设参数化量子电路作为目标参数化量子电路,其中,所述目标参数化量子电路为所述待编译的目标酉算子的近似量子电路。
这里,所述第一参数值可以为初始化时的参数值,还可以是上一次迭代处理过程所调整后的参数值,本公开方案对此不作限制。
这样,本公开方案至少使用n+1个预设量子态,即可实现酉算子的编译,降低了酉算子编译的资源成本和时间成本,极大提高了酉算子编译的实用性。
而且,由于解决了酉算子的编译问题,所以,为近期量子设备能够运行复杂量子算法提供了技术支持,同时,间接提升了近期量子设备的实际应用价值。
同时,本公开方案所述的酉算子为未知酉算子,因此,相比需要酉算子作为输入的方案,本公开方案适用范围更广、通用性更高。而且,对于一个未知酉算子U,本公开方案不需要直接将未知酉算子接入用于训练的预设参数化量子电路中,只需要将构造的至少n+1对量子态作为输入数据即可完成编译任务。
可以理解的是,本公开方案所述的可调参数可以为一个参数或多个参数,本公开方案对此不作限制,只要能够基于预设参数化量子电路训练得到目标酉算子的近似量子电路即可。相应地,当可调参数为两个或多个时,第一参数值,以及后续所述的第二参数值,也并非为一个具体数值,为指相应参数对应的参数值,比如,为参数组对应的一组参数值。
在本公开方案的一具体示例中,还包括:在所述损失函数的损失值不满足所述迭代要求(比如未收敛,或者迭代次数不足预设次数)的情况下,所述经典计算设备将所述可调参数的第一参数值调整至第二参数值;发送所述可调参数的第二参数值。比如,通过梯度下降法或者其他优化方法,来调整参数,并调整至第二参数值,进而将所述可调参数的第二参数值发送至量子计算设备,以便量子计算设备基于更新后的参数值得到新度量结果。如此,为实现量子-经典混合的算法,并得到目标酉算子的近似量子电路提供了技术支持。
在本公开方案的一具体示例中,在所述损失函数的损失值不满足所述迭代要求(比如未收敛,或者迭代次数不足预设次数)的情况下,以及将所述可调参数的第二参数值发送至量子计算设备之后,所述经典计算设备还会获取第i个新度量结果,并得到n+1个新度量结果,其中,所述第i个新度量结果表征第i个新第一输出态与所述第i个目标输出态之间的第i新迹距离;其中,所述第i个新第一输出态是所述预设参数化量子电路在自身可调参数处于第二参数值的情况下,作用到所述第i个预设量子态后的输出态;进而基于所述第i个新度量结果所表征的所述第i新迹距离,计算得到所述损失函数的新损失值,并重新确定新的损失值是否满足迭代要求,依此循环,直至新损失值满足所述迭代要求为止。
也就是说,本公开方案中,量子计算设备用于准备预设参数化量子电路,并得到度量结果,而经典计算设备负责计算损失值,并更新参数,如此来训练预设参数化量子电路,实现量子-经典混合的算法,为得到目标酉算子的近似量子电路提供了技术支持。
在本公开方案的一具体示例中,所述预设参数化量子电路包含有D层电路,所述D层电路中的第d层电路包括:n个量子比特,n个预设单量子比特门以及n个受控非CNOT门;其中,所述D与所述目标酉算子所包含的量子比特的数量n相关,所述D为大于等于1的自然数,所述d为大于等于1小于等于D的自然数。
这样,本公开方案所需要的电路宽度(也即预设参数化量子电路所使用的量子比特数)为n,小于现有方案所需的电路宽度2n,因此,相比于现有方案,本公开方案在相同的量子计算设备下,可以编译更大规模的酉算子。
在本公开方案的一具体示例中,所述预设单量子比特门作用到所述量子比特上。比如,所述预设单量子比特门与量子比特一一对应,即一个量子比特上作用一个预设单量子比特门。如此,为基于该预设参数化量子电路训练得到目标酉算子的近似量子电路提供了电路支持。
在本公开方案的一具体示例中,所述预设单量子比特门为U3旋转门,所述U3旋转门中包含有三个可调参数,各可调参数分别对应于X轴、Y轴和Z轴,如此,为能够编译任意目标酉算子提供了电路支持。
在本公开方案的一具体示例中,第d层共包含有3×n个可调参数。如此,为能够编译任意目标酉算子提供了电路支持。
在本公开方案的一具体示例中,相邻两个量子比特之间作用一个受控非CNOT门,所述n个量子比特中的第一个量子比特与所述n个量子比特中的最后一个量子比特之间作用一个受控非CNOT门。如此,进一步为能够编译任意目标酉算子提供了电路支持。
举例来说,预设参数化量子电路V(θ)包括:层结构相同的D(D为大于等于1的自然数)层电路,也即包括D层电路,对于n个量子比特的目标酉算子U而言,待训练的该预设参数化量子电路V(θ)也需要包含有n个量子比特。此时,每层电路包括:n个量子比特,n个单量子比特旋转门U3(即布洛赫球面上的一个广义旋转操作,比如,在X轴、Y轴或Z轴上进行旋转操作)以及n个CNOT门。这里,所述D(大于等于1的自然数)与n相关,比如,若n越大,目标酉算子越复杂,则需要的层数越多,以增加电路的表达能力。
具体地,对于第d(d为大于等于1小于等于D的自然数)层电路而言,包括:n个量子比特,分别为量子比特Q1至Qn,以及作用于各量子比特上的单量子比特旋转门U3,共n个;以及相邻两个量子比特之间作用的CNOT门,共n-1个,以及第一个量子比特Q1与最后一个量子比特Qn之间作用的一个CNOT门,也即共n个CNOT门。
这里,所述单量子比特旋转门U3包含有3个可调参数θ,各可调参数分别对应于X轴、Y轴和Z轴,基于此,每层电路则包含有3×n个可调参数θ。
进一步地,如图2所示,对于4个量子比特的预设参数化量子电路V(θ)而言,第一层电路包括:
量子比特Q1、量子比特Q2、量子比特Q3以及量子比特Q4;
以及,各量子比特作用的单量子比特旋转门U3,共4个单量子比特旋转门U3;进一步地,每个单量子比特旋转门U3均有三个参数,对于作用于量子比特Q1的单量子比特旋转门U3而言,三个可调参数可分别记为θ11,θ12以及θ13,即该作用于量子比特Q1的单量子比特旋转门U3可记为U3(θ11,θ12,θ13);同理,作用于量子比特Q2的单量子比特旋转门U3可记为U3(θ21,θ22,θ23),作用于量子比特Q3的单量子比特旋转门U3可记为U3(θ31,θ32,θ33),以及作用于量子比特Q4的单量子比特旋转门U3可记为U3(θ41,θ42,θ43),共3×4=12个可调参数;
以及量子比特Q1与量子比特Q2之间作用的CNOT门,量子比特Q2与量子比特Q3之间作用的CNOT门,量子比特Q3与量子比特Q4之间作用的CNOT门,以及量子比特Q1与量子比特Q4之间作用的CNOT门,即共4个CNOT门。
在本公开方案的一具体示例中,每层电路结构均相同。继续以4个量子比特为例,如图3所示,第二层电路(也即D=2层的电路结构)与第一层电路(也即D=1层的电路)的电路结构相同,这里不再赘述;只是为了区分可调参数,可以将第二层电路中作用于量子比特Q1的单量子比特旋转门U3可记为U3(θ51,θ52,θ53);同理,将第二层电路中作用于量子比特Q2的单量子比特旋转门U3可记为U3(θ61,θ62,θ63),将第二层电路中作用于量子比特Q3的单量子比特旋转门U3可记为U3(θ71,θ72,θ73),以及将第二层电路中作用于量子比特Q4的单量子比特旋转门U3可记为U3(θ81,θ82,θ83)。
需要说明的是,当将该预设参数化量子电路V(θ)作用到特定量子态上的时候,可以逐层作用,比如,先将第一层的电路结构作用到该特定量子态,然后再将第二层作用到该特定量子态,如此类推。可以理解的是,图3为示例性说明,仅给出了两层结构,实际应用中,还可以有更多层,本公开方案对此不作限制。
这样,相比需要酉算子作为输入的方案,本公开方案适用范围更广、通用性更高。而且,对于一个未知酉算子U,本公开方案不需要直接将未知酉算子接入用于训练的预设参数化量子电路中,只需要将构造的n+1对量子态作为输入数据即可完成编译任务。而且,即便在使用未知酉算子作为输入的场景下,对于一个量子比特数为n的未知酉算子而言,本公开方案所需要的电路宽度(也即预设参数化量子电路所使用的量子比特数)为n,小于现有方案所需的电路宽度2n,因此,相比于现有方案,本公开方案在相同的量子计算设备下,可以编译更大规模的酉算子。
在本公开方案的一具体示例中,所述至少n+1个预设量子态满足如下要求:
其中,所述U为所述目标酉算子;所述V(θ)为所述预设参数化量子电路,所述θ为可调参数。
这样,为使用最少地输入态来训练得到该目标酉算子的近似量子电路提供支持。而且,相比于现有方案,本公开方案在效率和成本消耗方面具有很大的优势。比如,在n较大时,本公开方案能够有效降低制备和保存量子态的消耗,同时,降低训练参数化量子电路所需要的时间。再有,本公开方案能够使用较少的数据来计算损失函数,意味着本公开方案具有更小的误差,所以精确度更高,具有更强的实用性。
在本公开方案的一具体示例中,所述至少n+1个预设量子态包括:一个预设纯态和n个预设混合态。
这样,本公开方案创新性地使用了纯态和混合态作为训练数据,设计出了高效通用的酉算子编译方案,从而能够为在近期量子设备上运行复杂的量子算法提供了技术支持,提高了近期量子设备的实用性。
而且,相比于现有仅使用纯态作为训练数据集的方案,本公开方案的效率更高,成本更低。比如,对于包含n个量子比特的未知酉算子,现有方案所需要使用的纯态的数量为指数级别(O(2n)),而本公开方案至少使用n+1对量子态即可,或者可以说本公开方案仅需使用n+1对量子态即可。
在本公开方案的一具体示例中,所述预设混合态ρi(i=1,2,…,n)为第一预设单比特量子态与n个第二预设单比特量子态的张量积;在张量积计算的过程,不同的预设混合态ρi中,所述第一预设单比特量子态的计算位置不同。如此,为使用较少的输入态来编译未知酉算子提供了支持。
举例来说,在一具体示例中,构造的预设纯态ρ0具体为:
这里,不同的预设混合态中σ的计算位置不同。进一步地,σ为一单比特量子态,本公开方案称为第一预设单比特量子态,具体为:
τ也为一单比特量子态,本公开方案称为第二预设单比特量子态,具体为:
需要说明的是,基于本公开方案所构造的n+1个预设量子态对预设参数化量子电路V(θ)进行训练,即可得到未知酉算子的近似量子电路。
这里,需要说明的是,本公开方案中,若使用n+2或者更多个预设量子态,此时,只需前n+1个预设量子态满足如上要求即可,第n+2个预设量子态则可为任意的量子态。
这样,本公开方案使用了量子-经典混合的模型,结合机器学习中的优化算法,创新性地使用了纯态和混合态作为训练数据,设计出了高效通用的酉算子编译方案,从而能够为在近期量子设备上运行复杂的量子算法提供了技术支持,提高了近期量子设备的实用性。
而且,相比现有方案,本公开方案通用性更强,效率更高,是一个兼具实用性、高效性和精确性的酉算子编译方案。
本公开方案还提供了一种酉算子编译方法,应用于量子计算设备;如图4所示,包括:
步骤S401:量子计算设备将预设参数化量子电路在自身可调参数处于第一参数值的情况下,作用到至少n+1个预设量子态中的第i个预设量子态,得到第i个第一输出态。
步骤S402:量子计算设备得到第i个度量结果,其中,所述第i个度量结果表征所述第i个第一输出态与第i个目标输出态之间的第i迹距离;其中,所述第i个目标输出态表征待编译的目标酉算子作用到所述第i个预设量子态后的输出态;所述目标酉算子为包含有n个量子比特的酉算子;所述预设参数化量子电路为包含有所述n个量子比特的量子电路;所述n为大于等于1的自然数,所述i为大于等于1小于等于n+1的自然数。按照该方案,量子计算设备即可得到至少n+1个度量结果。
步骤S403:发送所述第i个度量结果。进而发送得到的至少n+1个度量结果。
需要说明的是,量子计算设备可以得到一个度量结果后即将该度量结果发送至经典计算设备,也可以在得到全部的度量结果后,一并发送至经典计算设备,本公开方案对此不作限制。
这样,本公开方案使用至少n+1个预设量子态,即可实现酉算子的编译,降低了酉算子编译的资源成本和时间成本,极大提高了酉算子编译的实用性。
而且,由于解决了酉算子的编译问题,所以,为近期量子设备能够运行复杂量子算法提供了技术支持,同时,间接提升了近期量子设备的实际应用价值。
同时,本公开方案所述的酉算子为未知酉算子,因此,相比需要酉算子作为输入的方案,本公开方案适用范围更广、通用性更高。而且,对于一个未知酉算子U,本公开方案不需要直接将未知酉算子接入用于训练的预设参数化量子电路中,只需要将构造的至少n+1对量子态作为输入数据即可完成编译任务。
可以理解的是,本公开方案所述的可调参数可以为一个参数或多个参数,本公开方案对此不作限制,只要能够基于预设参数化量子电路训练得到目标酉算子的近似量子电路即可。相应地,当可调参数为两个或多个时,第一参数值,以及后续所述的第二参数值,也并非为一个具体数值,为指相应参数对应的参数值,比如,为参数组对应的一组参数值。
在本公开方案的一具体示例中,量子计算设备将所述待编译的目标酉算子作用到所述至少n+1个预设量子态中的所述第i个预设量子态,得到所述第i个目标输出态。如此,来得到训练数据集,为编译得到目标酉算子的近似电路提供的数据支持。
在本公开方案的一具体示例中,量子计算设备接收所述可调参数的第二参数值;将所述预设参数化量子电路在自身可调参数处于所述第二参数值的情况下,作用到至少n+1个预设量子态中的第i个预设量子态,得到第i个新第一输出态;得到第i个新度量结果;其中,所述第i个新度量结果表征所述第i个新第一输出态与所述第i个目标输出态之间的第i新迹距离;发送所述第i个新度量结果。也就是说,本公开方案中,量子计算设备用于准备预设参数化量子电路,并得到度量结果,而经典计算设备负责计算损失值,并更新参数,如此来训练预设参数化量子电路,实现量子-经典混合的算法,为得到目标酉算子的近似量子电路提供了技术支持。
在本公开方案的一具体示例中,所述预设参数化量子电路包含有D层电路,所述D层电路中的第d层电路包括:
n个量子比特,n个预设单量子比特门以及n个受控非CNOT门;
其中,所述D与所述目标酉算子所包含的量子比特的数量n相关,所述D为大于等于1的自然数,所述d为大于等于1小于等于D的自然数。
这样,本公开方案所需要的电路宽度(也即预设参数化量子电路所使用的量子比特数)为n,小于现有方案所需的电路宽度2n,因此,相比于现有方案,本公开方案在相同的量子计算设备下,可以编译更大规模的酉算子。
在本公开方案的一具体示例中,所述预设单量子比特门作用到所述量子比特上。比如,所述预设单量子比特门与量子比特一一对应,即一个量子比特上作用一个预设单量子比特门。如此,为基于该预设参数化量子电路训练得到目标酉算子的近似量子电路提供了电路支持。
在本公开方案的一具体示例中,所述预设单量子比特门为U3旋转门,所述U3旋转门中包含有三个可调参数,各可调参数分别对应于X轴、Y轴和Z轴,如此,为能够编译任意目标酉算子提供了电路支持。
在本公开方案的一具体示例中,所述第d层共包含有3×n个可调参数。如此,为能够编译任意目标酉算子提供了电路支持。
在本公开方案的一具体示例中,相邻两个量子比特之间作用一个受控非CNOT门,所述n个量子比特中的第一个量子比特与所述n个量子比特中的最后一个量子比特之间作用一个受控非CNOT门。如此,进一步为能够编译任意目标酉算子提供了电路支持。
举例来说,预设参数化量子电路V(θ)包括:层结构相同的D(D为大于等于1的自然数)层电路,也即包括D层电路,对于n个量子比特的目标酉算子U而言,待训练的该预设参数化量子电路V(θ)也需要包含有n个量子比特。此时,每层电路包括:n个量子比特,n个单量子比特旋转门U3(即布洛赫球面上的一个广义旋转操作,比如,在X轴、Y轴或Z轴上进行旋转操作)以及n个CNOT门。这里,所述D(大于等于1的自然数)与n相关,比如,若n越大,目标酉算子越复杂,则需要的层数越多,以增加电路的表达能力。
具体地,对于第d(d为大于等于1小于等于D的自然数)层电路而言,包括:n个量子比特,分别为量子比特Q1至Qn,以及作用于各量子比特上的单量子比特旋转门U3,共n个;以及相邻两个量子比特之间作用的CNOT门,共n-1个,以及第一个量子比特Q1与最后一个量子比特Qn之间作用的一个CNOT门,也即共n个CNOT门。
这里,所述单量子比特旋转门U3包含有3个可调参数θ,各可调参数分别对应于X轴、Y轴和Z轴,基于此,每层电路则包含有3×n个可调参数θ。
进一步地,如图2所示,对于4个量子比特的预设参数化量子电路V(θ)而言,第一层电路包括:
量子比特Q1、量子比特Q2、量子比特Q3以及量子比特Q4;
以及,各量子比特作用的单量子比特旋转门U3,共4个单量子比特旋转门U3;进一步地,每个单量子比特旋转门U3均有三个参数,对于作用于量子比特Q1的单量子比特旋转门U3而言,三个可调参数可分别记为θ11,θ12以及θ13,即该作用于量子比特Q1的单量子比特旋转门U3可记为U3(θ11,θ12,θ13);同理,作用于量子比特Q2的单量子比特旋转门U3可记为U3(θ21,θ22,θ23),作用于量子比特Q3的单量子比特旋转门U3可记为U3(θ31,θ32,θ33),以及作用于量子比特Q4的单量子比特旋转门U3可记为U3(θ41,θ42,θ43),共3×4=12个可调参数;
以及量子比特Q1与量子比特Q2之间作用的CNOT门,量子比特Q2与量子比特Q3之间作用的CNOT门,量子比特Q3与量子比特Q4之间作用的CNOT门,以及量子比特Q1与量子比特Q4之间作用的CNOT门,即共4个CNOT门。
在本公开方案的一具体示例中,每层电路结构均相同。继续以4个量子比特为例,如图3所示,第二层电路(也即D=2层的电路结构)与第一层电路(也即D=1层的电路)的电路结构相同,这里不再赘述;只是为了区分可调参数,可以将第二层电路中作用于量子比特Q1的单量子比特旋转门U3可记为U3(θ51,θ52,θ53);同理,将第二层电路中作用于量子比特Q2的单量子比特旋转门U3可记为U3(θ61,θ62,θ63),将第二层电路中作用于量子比特Q3的单量子比特旋转门U3可记为U3(θ71,θ72,θ73),以及将第二层电路中作用于量子比特Q4的单量子比特旋转门U3可记为U3(θ81,θ82,θ83)。
需要说明的是,当将该预设参数化量子电路V(θ)作用到特定量子态上的时候,可以逐层作用,比如,先将第一层的电路结构作用到该特定量子态,然后再将第二层作用到该特定量子态,如此类推。可以理解的是,图3为示例性说明,仅给出了两层结构,实际应用中,还可以有更多层,本公开方案对此不作限制。
这样,相比需要酉算子作为输入的方案,本公开方案适用范围更广、通用性更高。而且,对于一个未知酉算子U,本公开方案不需要直接将未知酉算子接入用于训练的预设参数化量子电路中,只需要将构造的n+1对量子态作为输入数据即可完成编译任务。而且,即便在使用未知酉算子作为输入的场景下,对于一个量子比特数为n的未知酉算子而言,本公开方案所需要的电路宽度(也即预设参数化量子电路所使用的量子比特数)为n,小于现有方案所需的电路宽度2n,因此,相比于现有方案,本公开方案在相同的量子计算设备下,可以编译更大规模的酉算子。
在本公开方案的一具体示例中,所述至少n+1个预设量子态满足如下要求:
其中,所述U为所述目标酉算子;所述V(θ)为所述预设参数化量子电路,所述θ为可调参数。
这样,为使用最少地输入态来训练得到该目标酉算子的近似量子电路提供支持。而且,相比于现有方案,本公开方案在效率和成本消耗方面具有很大的优势。比如,在n较大时,本公开方案能够有效降低制备和保存量子态的消耗,同时,降低训练参数化量子电路所需要的时间。再有,本公开方案能够使用较少的数据来计算损失函数,意味着本公开方案具有更小的误差,所以精确度更高,具有更强的实用性。
在本公开方案的一具体示例中,所述至少n+1个预设量子态包括:一个预设纯态和n个预设混合态。
这样,本公开方案创新性地使用了纯态和混合态作为训练数据,设计出了高效通用的酉算子编译方案,从而能够为在近期量子设备上运行复杂的量子算法提供了技术支持,提高了近期量子设备的实用性。
而且,相比于现有仅使用纯态作为训练数据集的方案,本公开方案的效率更高,成本更低。比如,对于包含n个量子比特的未知酉算子,现有方案所需要使用的纯态的数量为指数级别(O(2n)),而本公开方案需要至少n+1对量子态即可。
在本公开方案的一具体示例中,所述预设混合态ρi(i=1,2,…,n)为第一预设单比特量子态与n个第二预设单比特量子态的张量积;在张量积计算的过程,不同的预设混合态ρi中,所述第一预设单比特量子态的计算位置不同。如此,为使用较少的输入态来编译未知酉算子提供了支持。
举例来说,在一具体示例中,构造的预设纯态ρ0具体为:
这里,不同的预设混合态中σ的计算位置不同。进一步地,σ为一单比特量子态,本公开方案称为第一预设单比特量子态,具体为:
τ也为一单比特量子态,本公开方案称为第二预设单比特量子态,具体为:
需要说明的是,基于本公开方案所构造的n+1个预设量子态对预设参数化量子电路V(θ)进行训练,即可得到未知酉算子的近似量子电路。
这里,需要说明的是,本公开方案中,若使用n+2或者更多个预设量子态,此时,只需前n+1个预设量子态满足如上要求即可,第n+2个预设量子态则可为任意的量子态。
这样,对于酉算子编译任务而言,本公开方案的显著优势如下:
第一,相比需要酉算子作为输入的方案,本公开方案适用范围更广、通用性更高。而且,对于一个未知酉算子U,本公开方案不需要直接将未知酉算子接入用于训练的预设参数化量子电路中,只需要将构造的至少n+1对量子态作为输入数据即可完成编译任务。而且,即便在使用未知酉算子作为输入的场景下,对于一个量子比特数为n的未知酉算子而言,本公开方案所需要的电路宽度(也即预设参数化量子电路所使用的量子比特数)为n,小于现有方案所需的电路宽度2n,因此,相比于现有方案,本公开方案在相同的量子计算设备下,可以编译更大规模的酉算子。
第二,相比于现有仅使用纯态作为训练数据集的方案,本公开方案的效率更高,成本更低。具体地,对于包含n个量子比特的未知酉算子,现有方案所需要使用的纯态的数量为指数级别(O(2n)),而本公开方案需要至少n+1对量子态即可,因此,相比于现有方案,本公开方案在效率和成本消耗方面具有很大的优势。而且,在n较大时,本公开方案能够有效降低制备和保存量子态的消耗,同时,降低训练参数化量子电路所需要的时间。再有,本公开方案能够使用较少的数据来计算损失函数,意味着本公开方案具有更小的误差,所以精确度更高,具有更强的实用性。
总的来说,相比现有方案,本公开方案通用性更强,效率更高,是一个兼具实用性、高效性和精确性的酉算子编译方案。
以下结合具体示例对本公开方案做进一步详细说明,具体地,本公开方案创新性地使用了纯态和混合态作为训练数据来编译酉算子,相较于现有方案具有较强的通用性,降低了资源消耗,并且有更好的运行效率。具体来说,对于任意一个包含有n个量子比特的酉算子(也即目标酉算子)U,本公开方案只需要使用n+1对量子态(也即最少使用n+1对量子态)作为训练数据集来优化包含有n个量子比特的预设参数化量子电路V(θ),便能得到一个该目标酉算子U的近似量子电路V(θ*)。
第一部分,对预设参数化量子电路进行说明:
本示例中,预设参数化量子电路V(θ)包括:层结构相同的D(D为大于等于1的自然数)层电路,也即包括D层电路,对于n个量子比特的目标酉算子U而言,待训练的该预设参数化量子电路V(θ)也需要包含有n个量子比特。此时,每层电路包括:n个量子比特,n个单量子比特旋转门U3(即布洛赫球面上的一个广义旋转操作,比如,在X轴、Y轴或Z轴上进行旋转操作)以及n个CNOT门。这里,所述D(大于等于1的自然数)与n相关,比如,若n越大,目标酉算子越复杂,则需要的层数越多,以增加电路的表达能力。
具体地,对于第d(d为大于等于1小于等于D的自然数)层电路而言,包括:n个量子比特,分别为量子比特Q1至Qn,以及作用于各量子比特上的单量子比特旋转门U3,共n个;以及相邻两个量子比特之间作用的CNOT门,共n-1个,以及第一个量子比特Q1与最后一个量子比特Qn之间作用的一个CNOT门,也即共n个CNOT门。
这里,所述单量子比特旋转门U3包含有3个可调参数θ,各可调参数分别对应于X轴、Y轴和Z轴,基于此,每层电路则包含有3×n个可调参数θ。
举例来说,如图2所示,对于4个量子比特的预设参数化量子电路V(θ)而言,第一层电路包括:
量子比特Q1、量子比特Q2、量子比特Q3以及量子比特Q4;
以及,各量子比特作用的单量子比特旋转门U3,共4个单量子比特旋转门U3;进一步地,每个单量子比特旋转门U3均有三个参数,对于作用于量子比特Q1的单量子比特旋转门U3而言,三个可调参数可分别记为θ11,θ12以及θ13,即该作用于量子比特Q1的单量子比特旋转门U3可记为U3(θ11,θ12,θ13);同理,作用于量子比特Q2的单量子比特旋转门U3可记为U3(θ21,θ22,θ23),作用于量子比特Q3的单量子比特旋转门U3可记为U3(θ31,θ32,θ33),以及作用于量子比特Q4的单量子比特旋转门U3可记为U3(θ41,θ42,θ43),共3×4=12个可调参数;
以及量子比特Q1与量子比特Q2之间作用的CNOT门,量子比特Q2与量子比特Q3之间作用的CNOT门,量子比特Q3与量子比特Q4之间作用的CNOT门,以及量子比特Q1与量子比特Q4之间作用的CNOT门,即共4个CNOT门。
进一步地,如图3所示,第二层电路(也即D=2层的电路结构)与第一层电路(也即D=1层的电路)的电路结构相同,这里不再赘述;只是为了区分可调参数,可以将第二层电路中作用于量子比特Q1的单量子比特旋转门U3可记为U3(θ51,θ52,θ53);同理,将第二层电路中作用于量子比特Q2的单量子比特旋转门U3可记为U3(θ61,θ62,θ63),将第二层电路中作用于量子比特Q3的单量子比特旋转门U3可记为U3(θ71,θ72,θ73),以及将第二层电路中作用于量子比特Q4的单量子比特旋转门U3可记为U3(θ81,θ82,θ83)。
需要说明的是,当将该预设参数化量子电路V(θ)作用到特定量子态上的时候,可以逐层作用,比如,先将第一层的电路结构作用到该特定量子态,然后再将第二层作用到该特定量子态,如此类推。
可以理解的是,图3为示例性说明,仅给出了两层结构,实际应用中,还可以有更多层,本公开方案对此不作限制。
第二部分:构造n+1个预设量子态,为训练预设参数化量子电路提供数据支持;具体地:
对于一个给定的量子态(也即预设量子态)ρ,将预设参数化量子电路V(θ)作用于预设量子态ρ上,则会得到一个输出态(也即第一输出态)为了方便可以记为Vθ(ρ)。同样的,将一个酉算子U(也即待编译的目标酉算子)作用于预设量子态ρ上,也得到一个输出态(目标输出态)
基于此,本公开方案的输入则可具体包括:
同时,将损失函数定义为和之间的平均迹距离,进而通过参数优化的方式,来训练预设参数化量子电路V(θ),以最小化该损失函数,如此,得到目标酉算子U的一个近似量子电路V(θ*),即训练后得到的预设参数化量子电路V(θ*)作为该目标酉算子U的近似量子电路。
这里,对本公开方案所述的纯态和混合态做简单说明;具体地,在量子力学中,量子态(quantum state)可以由密度矩阵(density matrix)表示,可分为纯态(pure state)和混态(也即混合态)(mixed state)。为便于与本公开方案的具体示例进行区别,此处可将纯态记为ρp,混合态记为ρm;可以理解的是,本公开方案所述的预设纯态和预设混合态均满足下述要求;具体地,
纯态ρp的密度矩阵可以表达为ρp=|ψ><ψ|,而混合态ρm则可以表示为两个以上纯态的系综(ensemble)形式,即混态ρm的密度矩阵可以表达为:
其中,∑i ci=1。进一步地,若一个混态对应的密度矩阵是满秩(full rank)的,则可称混态为满秩混态。
进一步地,本公开方案中,构造的预设纯态ρ0具体为:
这里,σ为一单比特量子态,本公开方案称为第一预设单比特量子态,具体为:
τ也为一单比特量子态,本公开方案称为第二预设单比特量子态,具体为:
需要说明的是,基于本公开方案所构造的n+1个预设量子态对预设参数化量子电路V(θ)进行训练,即可得到未知酉算子的近似量子电路。以下简单证明基于本公开方案所构造的n+1个预设量子态能使预设参数化量子电路V(θ)和目标酉算子(也可称为目标酉矩阵)U相同,即V(θ)=U;思路如下:
根据酉矩阵的性质,可知:
其中,I表示单位矩阵。
如此,证明得到基于本公开方案所构造的n+1个预设量子态能够使预设参数化量子电路V(θ)和目标酉算子(也可称为目标酉矩阵)U相同,换言之,基于本公开方案所构造的n+1个预设量子态,就足以保证通过训练预设参数化量子电路V(θ)来学习得到目标酉算子U。即本公开方案的输出为目标酉算子U的近似量子电路V(θ*)。
第三部分:量子-经典混合的模型训练的主要步骤包括:
具体如图5和图6所示,包括:
步骤3:在量子计算设备中,度量作用到第i量子态ρi上,得到的第i个第一输出态Vθ(ρi),与作用到第i量子态ρi上得到的第i个目标输出态U(ρi)之间的迹距离T(Vθ(ρi),U(ρi))。
其中,T(·,·)表示两个量子态之间的迹距离。
基于步骤3即可得到该损失函数的损失值。
步骤5:在经典计算设备中,通过梯度下降法或者其他优化方法,调整参数θ,并重复步骤2至步骤4,以最小化损失函数C(θ)的损失值,并在损失函数C(θ)的损失值小于预设阈值,或收敛至一固定值的情况下,得到目标参数化量子电路V(θ*),该V(θ*)即为目标酉算子U的近似量子电路。
值得注意的是,本公开方案采取了量子-经典混合的算法,在量子计算机(也即量子计算设备)上设置预设参数化量子电路V(θ)并度量输出态(第一输出态)和目标输出态之间的迹距离,并在经典计算机(也即经典计算设备)上计算损失函数C(θ),使用传统的优化方法对参数θ进行优化,然后将优化后的θ传回至量子计算机更新预设参数化量子电路,如此,来完成训练。
本公开方案使用了量子-经典混合的模型,结合机器学习中常用的优化算法,创新性地使用了纯态和混合态作为训练数据,设计出了高效通用的酉算子编译方案,从而能够为在近期量子设备上运行复杂的量子算法提供了技术支持,提高了近期量子设备的实用性。
第四部分:具体示例;即基于本公开方案编译一个随机生成的目标酉算子U,具体地:
本示例对包含2个量子比特、3个量子比特以及4个量子比特的目标酉算子U进行编译,并计算目标酉算子U与得到的近似量子电路V之间的量子门保真度F(U,V),得到的结果如下表所示。
量子比特数量 | 2 | 3 | 4 |
量子门保真度 | 0.99998040 | 0.99994125 | 0.99974797 |
通过实验结果可以看出,本公开方案得到的近似量子电路V和目标酉算子U之间的量子门保真度非常高。值得注意的是,考虑到实验的效率,本示例在损失函数小于10-4时就停止了优化。事实上,若损失函数被优化到0,本公开方案的保真度将精确达到1,即完美编译了目标酉算子。
综上所述,对于酉算子编译任务,本公开方案的显著优势如下:
第一,相比需要酉算子作为输入的方案,本公开方案适用范围更广、通用性更高。而且,对于一个未知酉算子U,本公开方案不需要直接将未知酉算子接入用于训练的预设参数化量子电路中,只需要将构造的n+1对量子态作为输入数据即可完成编译任务。而且,即便在使用未知酉算子作为输入的场景下,对于一个量子比特数为n的未知酉算子而言,本公开方案所需要的电路宽度(也即预设参数化量子电路所使用的量子比特数)为n,小于现有方案所需的电路宽度2n,因此,相比于现有方案,本公开方案在相同的量子计算设备下,可以编译更大规模的酉算子。
第二,相比于现有仅使用纯态作为训练数据集的方案,本公开方案的效率更高,成本更低。具体地,对于包含n个量子比特的未知酉算子,现有方案所需要使用的纯态的数量为指数级别(O(2n)),而本公开方案需要至少n+1对量子态即可,因此,相比于现有方案,本公开方案在效率和成本消耗方面具有很大的优势。而且,在n较大时,本公开方案能够有效降低制备和保存量子态的消耗,同时,降低训练参数化量子电路所需要的时间。再有,本公开方案能够使用较少的数据来计算损失函数,意味着本公开方案具有更小的误差,所以精确度更高,具有更强的实用性。
总的来说,相比现有方案,本公开方案通用性更强,效率更高,是一个兼具实用性、高效性和精确性的酉算子编译方案。
本公开方案还提供了一种经典计算设备,如图7所示,包括:
第一获取单元701,用于至少获取n+1个度量结果,其中,所述至少n+1个度量结果中的第i个度量结果表征第i个第一输出态与第i个目标输出态之间的第i迹距离;其中,所述第i个第一输出态是预设参数化量子电路在自身可调参数处于第一参数值的情况下,作用到至少n+1个预设量子态中的第i个预设量子态后的输出态;第i个目标输出态表征待编译的目标酉算子作用到所述第i个预设量子态后的输出态;所述目标酉算子为包含有n个量子比特的酉算子;所述预设参数化量子电路为包含有n个量子比特的量子电路;所述n为大于等于1的自然数,所述i为大于等于1小于等于n+1的自然数;
损失值计算单元702,用于基于所述第i个度量结果所表征的所述第i迹距离,计算得到表征平均迹距离的损失函数的损失值;
确定单元703,用于在所述损失函数的损失值满足迭代要求的情况下,将所述可调参数处于第一参数值的预设参数化量子电路作为目标参数化量子电路,其中,所述目标参数化量子电路为所述待编译的目标酉算子的近似量子电路。
在本公开方案的一具体示例中,还包括:第一发送单元;其中,
所述确定单元,还用于在所述损失函数的损失值不满足所述迭代要求的情况下,将所述可调参数的第一参数值调整至第二参数值;
所述第一发送单元,用于发送所述可调参数的第二参数值。
在本公开方案的一具体示例中,其中,
所述第一获取单元,还用于获取第i个新度量结果,并得到n+1个新度量结果,其中,所述第i个新度量结果表征第i个新第一输出态与所述第i个目标输出态之间的第i新迹距离;其中,所述第i个新第一输出态是所述预设参数化量子电路在自身可调参数处于第二参数值的情况下,作用到所述第i个预设量子态后的输出态;
所述损失值计算单元,还用于基于所述第i个新度量结果所表征的所述第i新迹距离,计算得到所述损失函数的新损失值,直至新损失值满足所述迭代要求为止。
在本公开方案的一具体示例中,所述预设参数化量子电路包含有D层电路,所述D层电路中的第d层电路包括:
n个量子比特,n个预设单量子比特门以及n个受控非CNOT门;
其中,所述D与所述目标酉算子所包含的量子比特的数量n相关,所述D为大于等于1的自然数,所述d为大于等于1小于等于D的自然数。
在本公开方案的一具体示例中,所述预设单量子比特门作用到所述量子比特上。
在本公开方案的一具体示例中,所述预设单量子比特门为U3旋转门,所述U3旋转门中包含有三个可调参数。
在本公开方案的一具体示例中,所述第d层共包含有3×n个可调参数。
在本公开方案的一具体示例中,相邻两个量子比特之间作用一个受控非CNOT门,所述n个量子比特中的第一个量子比特与最后一个量子比特之间作用一个受控非CNOT门。
在本公开方案的一具体示例中,每层电路结构均相同。
在本公开方案的一具体示例中,所述至少n+1个预设量子态满足如下要求:
其中,所述U为所述目标酉算子;所述V(θ)为所述预设参数化量子电路,所述θ为可调参数。
在本公开方案的一具体示例中,所述至少n+1个预设量子态包括:一个预设纯态和n个预设混合态。
在本公开方案的一具体示例中,
所述预设混合态ρi(i=1,2,…,n)为第一预设单比特量子态与n个第二预设单比特量子态的张量积;在张量积计算的过程,不同的预设混合态ρi中,所述第一预设单比特量子态的计算位置不同。
上述经典计算设备中各单元具体功能可参照上述方法描述,这里不再赘述。
这样,本公开方案使用了量子-经典混合的模型,结合机器学习中的优化算法,创新性地使用了纯态和混合态作为训练数据,设计出了高效通用的酉算子编译方案,从而能够为在近期量子设备上运行复杂的量子算法提供了技术支持,提高了近期量子设备的实用性。
而且,相比现有方案,本公开方案通用性更强,效率更高,是一个兼具实用性、高效性和精确性的酉算子编译方案。
本公开方案还提供了一种量子计算设备,如图8所示,包括:
输出态确定单元801,用于将预设参数化量子电路在自身可调参数处于第一参数值的情况下,作用到至少n+1个预设量子态中的第i个预设量子态,得到第i个第一输出态;
度量单元802,用于得到第i个度量结果,其中,所述第i个度量结果表征所述第i个第一输出态与第i个目标输出态之间的第i迹距离;其中,所述第i个目标输出态表征待编译的目标酉算子作用到所述第i个预设量子态后的输出态;所述目标酉算子为包含有n个量子比特的酉算子;所述预设参数化量子电路为包含有所述n个量子比特的量子电路;所述n为大于等于1的自然数,所述i为大于等于1小于等于n+1的自然数;
第二发送单元803,用于发送所述第i个度量结果。
在本公开方案的一具体示例中,其中,
所述输出态确定单元,还用于将所述待编译的酉算子作用到所述至少n+1个预设量子态中的所述第i个预设量子态,得到所述第i个目标输出态。
在本公开方案的一具体示例中,还包括接收单元;其中,
所述接收单元,用于接收所述可调参数的第二参数值;
所述输出态确定单元,还用于将所述预设参数化量子电路在自身可调参数处于所述第二参数值的情况下,作用到至少n+1个预设量子态中的第i个预设量子态,得到第i个新第一输出态;
所述度量单元,还用于得到第i个新度量结果;其中,所述第i个新度量结果表征所述第i个新第一输出态与所述第i个目标输出态之间的第i新迹距离;
所述第二发送单元,还用于发送所述第i个新度量结果。
在本公开方案的一具体示例中,所述预设参数化量子电路包含有D层电路,所述D层电路中的第d层电路包括:
n个量子比特,n个预设单量子比特门以及n个受控非CNOT门;
其中,所述D与所述目标酉算子所包含的量子比特的数量n相关,所述D为大于等于1的自然数,所述d为大于等于1小于等于D的自然数。
在本公开方案的一具体示例中,所述预设单量子比特门作用到所述量子比特上。
在本公开方案的一具体示例中,所述预设单量子比特门为U3旋转门,所述U3旋转门中包含有三个可调参数。
在本公开方案的一具体示例中,所述第d层共包含有3×n个可调参数。
在本公开方案的一具体示例中,相邻两个量子比特之间作用一个受控非CNOT门,所述n个量子比特中的第一个量子比特与最后一个量子比特之间作用一个受控非CNOT门。
在本公开方案的一具体示例中,每层电路结构均相同。
在本公开方案的一具体示例中,所述至少n+1个预设量子态满足如下要求:
其中,所述U为所述目标酉算子;所述V(θ)为所述预设参数化量子电路,所述θ为可调参数。
在本公开方案的一具体示例中,所述至少n+1个预设量子态包括:一个预设纯态和n个预设混合态。
在本公开方案的一具体示例中,所述预设混合态ρi(i=1,2,…,n)为第一预设单比特量子态与n个第二预设单比特量子态的张量积;在张量积计算的过程,不同的预设混合态ρi中,所述第一预设单比特量子态的计算位置不同。
上述量子计算设备中各单元具体功能可参照上述方法描述,这里不再赘述。
这样,本公开方案使用了量子-经典混合的模型,结合机器学习中的优化算法,创新性地使用了纯态和混合态作为训练数据,设计出了高效通用的酉算子编译方案,从而能够为在近期量子设备上运行复杂的量子算法提供了技术支持,提高了近期量子设备的实用性。
而且,相比现有方案,本公开方案通用性更强,效率更高,是一个兼具实用性、高效性和精确性的酉算子编译方案。
本公开方案还提供了一种计算装置,如图9所示,包括:
以上所述的经典计算设备901;以及
以上所述的量子计算设备902。
上述经典计算设备的具体结构,以及经典计算设备中各单元具体功能可参照上述方法描述,同理,上述量子计算设备的具体结构,以及量子计算设备中各单元具体功能可参照上述方法描述,这里不再赘述。
本公开方案还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,当至少一个量子处理单元执行时,所述计算机指令使得所述至少一个量子处理单元执行以上应用量子计算设备的所述方法。
本公开方案还提供了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以上应用于经典计算设备所述的方法;
或者,所述计算机程序在被至少一个量子处理单元执行时实现应用于量子计算设备所述的方法。
本公开方案还提供了一种量子计算设备,所述量子计算设备包括:
至少一个量子处理单元;
存储器,耦合到所述至少一个QPU并用于存储可执行指令,
所述指令被所述至少一个量子处理单元执行,以使所述至少一个量子处理单元能够执行应用于量子计算设备所述的方法。
可以理解的是,本公开方案所述的中使用的量子处理单元(quantum processingunit,QPU),也可称为量子处理器或量子芯片,可以涉及包括多个以特定方式互连的量子比特的物理芯片。
而且,可以理解的是,本公开方案所述的量子比特可以指量子计算设备的基本信息单元。量子比特包含在QPU中,并推广了经典数字比特的概念。
根据本公开的实施例,本公开还提供了一种经典计算设备(以下以该经典计算设备具体为电子设备为例进行说明)、一种可读存储介质和一种计算机程序产品。
图10示出了可以用来实施本公开的实施例的示例电子设备1000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10所示,设备1000包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM 1003中,还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006,例如键盘、鼠标等;输出单元1007,例如各种类型的显示器、扬声器等;存储单元1008,例如磁盘、光盘等;以及通信单元1009,例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000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1001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1001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1001执行上文所描述的各个方法和处理,例如应用于经典计算设备的酉算子编译方法。例如,在一些实施例中,应用于经典计算设备的酉算子编译方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的应用于经典计算设备的酉算子编译方法的一个或多个步骤。备选地,在其他实施例中,计算单元1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行应用于经典计算设备的酉算子编译方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入、或者触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。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 (62)
1.一种酉算子编译方法,应用于经典计算设备;包括:
获取至少n+1个度量结果,其中,所述至少n+1个度量结果中的第i个度量结果表征第i个第一输出态与第i个目标输出态之间的第i迹距离;其中,所述第i个第一输出态是预设参数化量子电路在自身可调参数处于第一参数值的情况下,作用到至少n+1个预设量子态中的第i个预设量子态后的输出态;所述第i个目标输出态表征待编译的目标酉算子作用到所述第i个预设量子态后的输出态;所述目标酉算子为包含有n个量子比特的酉算子;所述预设参数化量子电路为包含有所述n个量子比特的量子电路;所述n为大于等于1的自然数,所述i为大于等于1小于等于n+1的自然数;
基于所述第i个度量结果所表征的所述第i迹距离,计算得到表征平均迹距离的损失函数的损失值;
在所述损失函数的损失值满足迭代要求的情况下,将所述可调参数处于第一参数值的预设参数化量子电路作为目标参数化量子电路,其中,所述目标参数化量子电路为所述待编译的目标酉算子的近似量子电路。
2.根据权利要求1所述的方法,还包括:
在所述损失函数的损失值不满足所述迭代要求的情况下,将所述可调参数的第一参数值调整至第二参数值;
发送所述可调参数的第二参数值。
3.根据权利要求2所述的方法,还包括:
获取第i个新度量结果,并得到至少n+1个新度量结果,其中,所述第i个新度量结果表征第i个新第一输出态与所述第i个目标输出态之间的第i新迹距离;其中,所述第i个新第一输出态是所述预设参数化量子电路在自身可调参数处于第二参数值的情况下,作用到所述第i个预设量子态后的输出态;
基于所述第i个新度量结果所表征的所述第i新迹距离,计算得到所述损失函数的新损失值,直至新损失值满足所述迭代要求为止。
4.根据权利要求1至3任一项所述的方法,其中,所述预设参数化量子电路包含有D层电路,所述D层电路中的第d层电路包括:
n个量子比特,n个预设单量子比特门以及n个受控非CNOT门;
其中,所述D与所述目标酉算子所包含的量子比特的数量n相关,所述D为大于等于1的自然数,所述d为大于等于1小于等于D的自然数。
5.根据权利要求4所述的方法,其中,所述预设单量子比特门作用到所述量子比特上。
6.根据权利要求4或5所述的方法,其中,所述预设单量子比特门为U3旋转门,所述U3旋转门中包含有三个可调参数。
7.根据权利要求4至6任一项所述的方法,其中,所述第d层共包含有3×n个可调参数。
8.根据权利要求4至7任一项所述的方法,其中,相邻两个量子比特之间作用一个受控非CNOT门,所述n个量子比特中的第一个量子比特与最后一个量子比特之间作用一个受控非CNOT门。
9.根据权利要求4至8任一项所述的方法,其中,每层电路结构均相同。
11.根据权利要求10所述的方法,其中,所述至少n+1个预设量子态包括:一个预设纯态和n个预设混合态。
13.根据权利要求11或12所述的方法,其中,所述预设混合态ρi(i=1,2,…,n)为第一预设单比特量子态与n个第二预设单比特量子态的张量积;在张量积计算的过程,不同的预设混合态ρi中,所述第一预设单比特量子态的计算位置不同。
15.一种酉算子编译方法,应用于量子计算设备;包括:
将预设参数化量子电路在自身可调参数处于第一参数值的情况下,作用到至少n+1个预设量子态中的第i个预设量子态,得到第i个第一输出态;
得到第i个度量结果,其中,所述第i个度量结果表征所述第i个第一输出态与第i个目标输出态之间的第i迹距离;其中,所述第i个目标输出态表征待编译的目标酉算子作用到所述第i个预设量子态后的输出态;所述目标酉算子为包含有n个量子比特的酉算子;所述预设参数化量子电路为包含有所述n个量子比特的量子电路;所述n为大于等于1的自然数,所述i为大于等于1小于等于n+1的自然数;
发送所述第i个度量结果。
16.根据权利要求15所述的方法,还包括:
将所述待编译的目标酉算子作用到所述至少n+1个预设量子态中的所述第i个预设量子态,得到所述第i个目标输出态。
17.根据权利要求15或16所述的方法,还包括:
接收所述可调参数的第二参数值;
将所述预设参数化量子电路在自身可调参数处于所述第二参数值的情况下,作用到至少n+1个预设量子态中的第i个预设量子态,得到第i个新第一输出态;
得到第i个新度量结果;其中,所述第i个新度量结果表征所述第i个新第一输出态与所述第i个目标输出态之间的第i新迹距离;
发送所述第i个新度量结果。
18.根据权利要求15至17任一项所述的方法,其中,所述预设参数化量子电路包含有D层电路,所述D层电路中的第d层电路包括:
n个量子比特,n个预设单量子比特门以及n个受控非CNOT门;
其中,所述D与所述目标酉算子所包含的量子比特的数量n相关,所述D为大于等于1的自然数,所述d为大于等于1小于等于D的自然数。
19.根据权利要求18所述的方法,其中,所述预设单量子比特门作用到所述量子比特上。
20.根据权利要求18或19所述的方法,其中,所述预设单量子比特门为U3旋转门,所述U3旋转门中包含有三个可调参数。
21.根据权利要求18至20任一项所述的方法,其中,所述第d层共包含有3×n个可调参数。
22.根据权利要求18至21任一项所述的方法,其中,相邻两个量子比特之间作用一个受控非CNOT门,所述n个量子比特中的第一个量子比特与最后一个量子比特之间作用一个受控非CNOT门。
23.根据权利要求18至22任一项所述的方法,其中,每层电路结构均相同。
25.根据权利要求24所述的方法,其中,所述至少n+1个预设量子态包括:一个预设纯态和n个预设混合态。
27.根据权利要求25或26所述的方法,其中,所述预设混合态ρi(i=1,2,…,n)为第一预设单比特量子态与n个第二预设单比特量子态的张量积;在张量积计算的过程,不同的预设混合态ρi中,所述第一预设单比特量子态的计算位置不同。
29.一种经典计算设备,包括:
第一获取单元,用于获取至少n+1个度量结果,其中,所述至少n+1个度量结果中的第i个度量结果表征第i个第一输出态与第i个目标输出态之间的第i迹距离;其中,所述第i个第一输出态是预设参数化量子电路在自身可调参数处于第一参数值的情况下,作用到至少n+1个预设量子态中的第i个预设量子态后的输出态;第i个目标输出态表征待编译的目标酉算子作用到所述第i个预设量子态后的输出态;所述目标酉算子为包含有n个量子比特的酉算子;所述预设参数化量子电路为包含有n个量子比特的量子电路;所述n为大于等于1的自然数,所述i为大于等于1小于等于n+1的自然数;
损失值计算单元,用于基于所述第i个度量结果所表征的所述第i迹距离,计算得到表征平均迹距离的损失函数的损失值;
确定单元,用于在所述损失函数的损失值满足迭代要求的情况下,将所述可调参数处于第一参数值的预设参数化量子电路作为目标参数化量子电路,其中,所述目标参数化量子电路为所述待编译的目标酉算子的近似量子电路。
30.根据权利要求29所述的经典计算设备,还包括:第一发送单元;其中,
所述确定单元,还用于在所述损失函数的损失值不满足所述迭代要求的情况下,将所述可调参数的第一参数值调整至第二参数值;
所述第一发送单元,用于发送所述可调参数的第二参数值。
31.根据权利要求30所述的经典计算设备,其中,
所述第一获取单元,还用于获取第i个新度量结果,并得到至少n+1个新度量结果,其中,所述第i个新度量结果表征第i个新第一输出态与所述第i个目标输出态之间的第i新迹距离;其中,所述第i个新第一输出态是所述预设参数化量子电路在自身可调参数处于第二参数值的情况下,作用到所述第i个预设量子态后的输出态;
所述损失值计算单元,还用于基于所述第i个新度量结果所表征的所述第i新迹距离,计算得到所述损失函数的新损失值,直至新损失值满足所述迭代要求为止。
32.根据权利要求29至31任一项所述的经典计算设备,其中,所述预设参数化量子电路包含有D层电路,所述D层电路中的第d层电路包括:
n个量子比特,n个预设单量子比特门以及n个受控非CNOT门;
其中,所述D与所述目标酉算子所包含的量子比特的数量n相关,所述D为大于等于1的自然数,所述d为大于等于1小于等于D的自然数。
33.根据权利要求32所述的经典计算设备,其中,所述预设单量子比特门作用到所述量子比特上。
34.根据权利要求32或33所述的经典计算设备,其中,所述预设单量子比特门为U3旋转门,所述U3旋转门中包含有三个可调参数。
35.根据权利要求32至34任一项所述的经典计算设备,其中,所述第d层共包含有3×n个可调参数。
36.根据权利要求32至35任一项所述的经典计算设备,其中,相邻两个量子比特之间作用一个受控非CNOT门,所述n个量子比特中的第一个量子比特与最后一个量子比特之间作用一个受控非CNOT门。
37.根据权利要求32至36任一项所述的经典计算设备,其中,每层电路结构均相同。
39.根据权利要求38所述的经典计算设备,其中,所述至少n+1个预设量子态包括:一个预设纯态和n个预设混合态。
41.根据权利要求39或40所述的经典计算设备,其中,
所述预设混合态ρi(i=1,2,…,n)为第一预设单比特量子态与n个第二预设单比特量子态的张量积;在张量积计算的过程,不同的预设混合态ρi中,所述第一预设单比特量子态的计算位置不同。
43.一种量子计算设备,包括:
输出态确定单元,用于将预设参数化量子电路在自身可调参数处于第一参数值的情况下,作用到至少n+1个预设量子态中的第i个预设量子态,得到第i个第一输出态;
度量单元,用于得到第i个度量结果,其中,所述第i个度量结果表征所述第i个第一输出态与第i个目标输出态之间的第i迹距离;其中,所述第i个目标输出态表征待编译的目标酉算子作用到所述第i个预设量子态后的输出态;所述目标酉算子为包含有n个量子比特的酉算子;所述预设参数化量子电路为包含有所述n个量子比特的量子电路;所述n为大于等于1的自然数,所述i为大于等于1小于等于n+1的自然数;
第二发送单元,用于发送所述第i个度量结果。
44.根据权利要求43所述的量子计算设备,其中,
所述输出态确定单元,还用于将所述待编译的酉算子作用到所述至少n+1个预设量子态中的所述第i个预设量子态,得到所述第i个目标输出态。
45.根据权利要求43或44所述的量子计算设备,还包括:接收单元;其中,
所述接收单元,用于接收所述可调参数的第二参数值;
所述输出态确定单元,还用于将所述预设参数化量子电路在自身可调参数处于所述第二参数值的情况下,作用到至少n+1个预设量子态中的第i个预设量子态,得到第i个新第一输出态;
所述度量单元,还用于得到第i个新度量结果;其中,所述第i个新度量结果表征所述第i个新第一输出态与所述第i个目标输出态之间的第i新迹距离;
所述第二发送单元,还用于发送所述第i个新度量结果。
46.根据权利要求43至45任一项所述的量子计算设备,其中,所述预设参数化量子电路包含有D层电路,所述D层电路中的第d层电路包括:
n个量子比特,n个预设单量子比特门以及n个受控非CNOT门;
其中,所述D与所述目标酉算子所包含的量子比特的数量n相关,所述D为大于等于1的自然数,所述d为大于等于1小于等于D的自然数。
47.根据权利要求46所述的量子计算设备,其中,所述预设单量子比特门作用到所述量子比特上。
48.根据权利要求46或47所述的量子计算设备,其中,所述预设单量子比特门为U3旋转门,所述U3旋转门中包含有三个可调参数。
49.根据权利要求46至48任一项所述的量子计算设备,其中,所述第d层共包含有3×n个可调参数。
50.根据权利要求46至49任一项所述的量子计算设备,其中,相邻两个量子比特之间作用一个受控非CNOT门,所述n个量子比特中的第一个量子比特与最后一个量子比特之间作用一个受控非CNOT门。
51.根据权利要求46至50任一项所述的量子计算设备,其中,每层电路结构均相同。
53.根据权利要求52所述的量子计算设备,其中,所述至少n+1个预设量子态包括:一个预设纯态和n个预设混合态。
55.根据权利要求53或54所述的量子计算设备,其中,所述预设混合态ρi(i=1,2,…,n)为第一预设单比特量子态与n个第二预设单比特量子态的张量积;在张量积计算的过程,不同的预设混合态ρi中,所述第一预设单比特量子态的计算位置不同。
57.一种经典计算设备,其特征在于,所述经典计算设备包括:
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1-14中任一项所述的方法。
58.一种量子计算设备,其特征在于,所述量子计算设备包括:
至少一个量子处理单元;
存储器,耦合到所述至少一个QPU并用于存储可执行指令,
所述指令被所述至少一个量子处理单元执行,以使所述至少一个量子处理单元能够执行权利要求15至28中任一项所述的方法。
59.一种计算装置,其特征在于,包括:
根据权利要求29至42任一项所述的经典计算设备,
根据权利要求43至56任一项所述的量子计算设备。
60.一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1-14中任一项所述的方法。
61.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,当至少一个量子处理单元执行时,所述计算机指令使得所述至少一个量子处理单元执行根据权利要求15至28任一项所述的方法。
62.一种计算机程序产品,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1-14中任一项所述的方法;
或者,所述计算机程序在被至少一个量子处理单元执行时实现根据权利要求15-28中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210050122.6A CN114418108B (zh) | 2022-01-17 | 2022-01-17 | 酉算子编译方法、计算设备、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210050122.6A CN114418108B (zh) | 2022-01-17 | 2022-01-17 | 酉算子编译方法、计算设备、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114418108A true CN114418108A (zh) | 2022-04-29 |
CN114418108B CN114418108B (zh) | 2022-10-18 |
Family
ID=81273161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210050122.6A Active CN114418108B (zh) | 2022-01-17 | 2022-01-17 | 酉算子编译方法、计算设备、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114418108B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116108926A (zh) * | 2022-09-28 | 2023-05-12 | 北京百度网讯科技有限公司 | 量子计算方法、装置、设备及存储介质 |
CN116484959A (zh) * | 2023-03-07 | 2023-07-25 | 北京百度网讯科技有限公司 | 量子电路处理方法、装置、设备以及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109643398A (zh) * | 2016-05-17 | 2019-04-16 | 谷歌有限责任公司 | 量子计算***的保真度估计 |
US20200349050A1 (en) * | 2019-05-02 | 2020-11-05 | 1Qb Information Technologies Inc. | Method and system for estimating trace operator for a machine learning task |
CN112073126A (zh) * | 2020-08-14 | 2020-12-11 | 合肥本源量子计算科技有限责任公司 | 一种网络节点重要性的排序方法及装置 |
WO2021173029A1 (en) * | 2020-02-28 | 2021-09-02 | Huawei Technologies Co., Ltd. | Implementation of variational quantum eigensolver algorithm by using tensor network framework |
CN113592093A (zh) * | 2021-08-02 | 2021-11-02 | 腾讯科技(深圳)有限公司 | 量子态制备电路生成方法、装置、量子操作芯片及设备 |
CN113807525A (zh) * | 2021-09-22 | 2021-12-17 | 北京百度网讯科技有限公司 | 量子电路操作方法及装置、电子设备和介质 |
US20210406754A1 (en) * | 2020-06-26 | 2021-12-30 | Tokyo Institute Of Technology | Quantum Computer, Non-Transitory Computer Readable Media Storing Program, Quantum Calculation Method, And Quantum Circuit |
-
2022
- 2022-01-17 CN CN202210050122.6A patent/CN114418108B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109643398A (zh) * | 2016-05-17 | 2019-04-16 | 谷歌有限责任公司 | 量子计算***的保真度估计 |
US20200349050A1 (en) * | 2019-05-02 | 2020-11-05 | 1Qb Information Technologies Inc. | Method and system for estimating trace operator for a machine learning task |
WO2021173029A1 (en) * | 2020-02-28 | 2021-09-02 | Huawei Technologies Co., Ltd. | Implementation of variational quantum eigensolver algorithm by using tensor network framework |
CN113853617A (zh) * | 2020-02-28 | 2021-12-28 | 华为技术有限公司 | 通过张量网络框架实现变分量子本征求解器算法 |
US20210406754A1 (en) * | 2020-06-26 | 2021-12-30 | Tokyo Institute Of Technology | Quantum Computer, Non-Transitory Computer Readable Media Storing Program, Quantum Calculation Method, And Quantum Circuit |
CN112073126A (zh) * | 2020-08-14 | 2020-12-11 | 合肥本源量子计算科技有限责任公司 | 一种网络节点重要性的排序方法及装置 |
CN113592093A (zh) * | 2021-08-02 | 2021-11-02 | 腾讯科技(深圳)有限公司 | 量子态制备电路生成方法、装置、量子操作芯片及设备 |
CN113807525A (zh) * | 2021-09-22 | 2021-12-17 | 北京百度网讯科技有限公司 | 量子电路操作方法及装置、电子设备和介质 |
Non-Patent Citations (9)
Title |
---|
CAROLINA ALLENDE, ET.AL: "Quantum circuit design using neural networks assisted by entanglement", 《IEEE URUCON》 * |
FRANÇOIS VERDEIL, ET.AL: "Two-Qubit Unitary Quantum Process Tomography by Multiple-Delay Output Measurements for One Unknown Input Pure State Value", 《IEEE STATISTICAL SIGNAL PROCESSING WORKSHOP (SSP)》 * |
MARCELLO BENEDETTI, ET.AL: "Adversarial quantum circuit learning for pure state approximation", 《NEW JOURNAL OF PHYSICS》 * |
YUANLONG WANG, ET.AL: "Efficient identification of unitary quantum processes", 《AUSTRALIAN AND NEW ZEALAND CONTROL CONFERENCE (ANZCC)》 * |
中国科协学会学术部: "《量子信息技术前沿研究》", 31 March 2014, 中国科学技术出版社 * |
张林曦: "基于酉设计的噪声量子信道平均保真度研究", 《中国优秀博硕士学位论文全文数据库(博士)》 * |
李晓瑜: "量子计算与量子信息中若干问题的研究", 《中国优秀博硕士学位论文全文数据库(博士)》 * |
樱井纯等: "《现代量子力学 第2版》", 31 August 2016, 世界图书出版公司北京公司 * |
黄振友: "《高等学校数学教材 泛函分析》", 31 August 2019, 东南大学出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116108926A (zh) * | 2022-09-28 | 2023-05-12 | 北京百度网讯科技有限公司 | 量子计算方法、装置、设备及存储介质 |
CN116484959A (zh) * | 2023-03-07 | 2023-07-25 | 北京百度网讯科技有限公司 | 量子电路处理方法、装置、设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114418108B (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020151129A1 (zh) | 量子机器学习框架构建方法、装置、量子计算机及计算机存储介质 | |
CN114418107B (zh) | 酉算子编译方法、计算设备、装置及存储介质 | |
CN113011593B (zh) | 消除量子测量噪声的方法及***、电子设备和介质 | |
CN114418108B (zh) | 酉算子编译方法、计算设备、装置及存储介质 | |
CN112529201B (zh) | 纠缠量子态转换方法、装置、设备、存储介质及产品 | |
CN113065659B (zh) | 消除量子噪声的方法及装置、电子设备和介质 | |
CN112990472A (zh) | 消除量子噪声的方法及装置、电子设备和介质 | |
CN114580647A (zh) | 量子***的模拟方法、计算设备、装置及存储介质 | |
CN112668722B (zh) | 量子电路处理方法、装置、设备、存储介质及产品 | |
CN114219076A (zh) | 量子神经网络训练方法及装置、电子设备和介质 | |
CN114492823B (zh) | 消除量子噪声的方法及装置、电子设备和介质 | |
CN114021728B (zh) | 量子数据测量方法及***、电子设备和介质 | |
US20230054391A1 (en) | Calibration of quantum measurement device | |
CN115577776B (zh) | 基态能量的确定方法、装置、设备及存储介质 | |
CN115101140B (zh) | 确定分子的基态特征的方法、设备及存储介质 | |
JP2022068327A (ja) | ノードグループ化方法、装置及び電子機器 | |
CN115577789A (zh) | 量子纠缠程度确定方法、装置、设备及存储介质 | |
CN114580645A (zh) | 随机量子测量的模拟方法、装置、设备及存储介质 | |
CN116341634B (zh) | 神经结构搜索模型的训练方法、装置及电子设备 | |
CN115329971B (zh) | 消除振幅阻尼噪声的方法及装置、电子设备和介质 | |
CN114943199B (zh) | 连通特征确定方法、装置、设备及存储介质 | |
CN115577781A (zh) | 量子相对熵确定方法、装置、设备及存储介质 | |
WO2022166850A1 (zh) | 基于量子线路的风险值估算方法、装置、介质及电子装置 | |
CN115577786A (zh) | 量子熵确定方法、装置、设备及存储介质 | |
CN115458040A (zh) | 蛋白质的生成方法、装置、电子设备及存储介质 |
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 |