CN115329964A - 一种量子门操控实验最优次数熵式度量法及智能决策*** - Google Patents
一种量子门操控实验最优次数熵式度量法及智能决策*** Download PDFInfo
- Publication number
- CN115329964A CN115329964A CN202210309736.1A CN202210309736A CN115329964A CN 115329964 A CN115329964 A CN 115329964A CN 202210309736 A CN202210309736 A CN 202210309736A CN 115329964 A CN115329964 A CN 115329964A
- Authority
- CN
- China
- Prior art keywords
- quantum
- experiment
- quantum information
- optimal
- control
- 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.)
- Pending
Links
- 238000002474 experimental method Methods 0.000 title claims abstract description 188
- 238000000691 measurement method Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 185
- 230000008569 process Effects 0.000 claims abstract description 133
- 238000005457 optimization Methods 0.000 claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 230000032683 aging Effects 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000005259 measurement Methods 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000013433 optimization analysis Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 abstract description 3
- 238000013076 uncertainty analysis Methods 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 11
- 230000001276 controlling effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000002096 quantum dot Substances 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000001550 time effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公布的一种量子门操控实验流程最优策略熵式度量方法及智能决策***，属于量子计算与AI智能技术领域。针对现有技术中量子门操控实验流程缺少对不确定性分析，算法对指标依赖性强需要大规模量子门检验，以及无法预测量子门操控最优实验次数等问题，本发明提供一种量子门操控实验流程最优策略熵式度量方法，根据***操控实验流程，构建流程对应的活动网络拓扑结构，依托拓扑结构信息流层级关系、流向，给出拓扑结构时效熵、最大时效算法和最优实验次数熵式度量法。本发明提供智能决策***，从软件上将一个物理***转变成量子处理器，实现不确定条件一类量子门实验流程策略优化和最优实验次数预测，降低大规模无序实验风险，提高决策效率。
Description
技术领域
本发明涉及量子计算、量子信息操控与AI智能技术领域，更具体地说，涉及一类量子门实验流程最优策略决策、量子电路搜索方案优选，和量子信息存储操控最优实验次数确定方法以及量子信息操控流程智能决策支持***软件开发及应用方法。
背景技术
在量子态操控微波光子实现量子态转变的过程中，大规模量子信息操控方案优化非常重要，它可以提高量子信息在传输、处理及检测过程中量子计算保真度预估值的效率。在大规模量子信息操控方案优化、量子信息保真度操控实验和量子计算中，存在三大难题：一是如何在不确定条件下，优化量子门实验流程和量子电路搜索方案；二是如何在不确定条件下，围绕量子信息操控实验流程给出对应的最优实验次数；三是如何从软件上对大规模量子信息操控流程优化，通过智能决策***将一个物理***转变成量子处理器，实现量子信息操控流程最优。
目前，在相关研究中，有的采用反复实践的经验做法，存在***操控实验流程缺少对不确定因素的分析，对操控实验事前预测做出正确判断，难以实现。为防止大规模量子门检验，有的采用量子电路结构搜索算法，该算法存在依赖于树形超级网络空间搜索空间树的结构与路径，依赖于不同路径节点中权重值，并且在不确定条件下权重值确定更加难以实现。有的采用量子随机行走算法对量子电路优选，存在大规模抽样中，量子行走法是以概率幅表示转移概率的随机行走，概率幅不能完全反映不确定性，策略优化仍有不确定性。有的采用基于局域操控的最优量子信息操控法，该方法与多参数实验平台的精密度正相关，量子态的不稳定性，仍然受到硬件的约束使得操控非常困难，量子物理***操控的是软件***，这种方法也是行不通的。
量子门实验流程最优策略决策、量子电路搜索方案优选，和量子信息存储操控最优实验次数确定直接关系到量子信息获取、传输、处理及检测过程中量子计算保真度效率，为在不确定条件下，撇弃对大规模量子信息操控和量子线路验证的盲目性，就必须给出相应的算法。
从软件上纠正误差，将一个物理***转变成量子处理器，实现不确定条件下一类量子门实验流程最优策略决策、量子电路搜索方案优选，和量子信息存储操控最优实验次数确定等智能决策，就必须构建量子信息操控智能决策***。
发明内容
1.要解决的技术问题
针对现有技术中，存在量子信息操控实验流程具有不确定性，最优策略决策直接影响量子计算的准确性和时效性；多个量子比特通过某个输入统计分析确定出的概率具有不确定性，现有的量子电路策略优化方法叠加了这一不确定性；在大规模门操控实验空间，量子保真度达成效果受到硬件的约束，与平台的精密度正相关，不能很好解决如何将一个物理***转变成量子处理器。本发明提供一种量子门操控实验最优次数熵式度量法及智能决策***。利用该方法给出不确定条件下量子信息操控流程的时效、时效熵、总时效熵等算法，利用该算法给出量子信息操控实验流程熵式度量法，和量子信息操控流程最优实验次数确定的方法，并应用在一类量子门实验流程最优策略决策、量子电路搜索方案优选，和量子信息存储操控最优实验次数确定的智能决策***研制中，从软件上对大规模量子门检验优化，将一个物理***转变成量子处理器，实现实验流程最优策略和量子电路搜索方案等优选。该发明给出的理论与方法对于优化量子信息操控实验流程，事先预测量子信息操控实验最优次数，提高量子信息操控实验效率意义重大。
2.技术方案
本发明的目的提供以下技术方案实现。
量子门操控实验最优次数熵式度量法，包括，
提出量子信息操控流程优化的约束条件和一般规则，主要内容概括如下：
约束条件：量子信息操控实验流程(以下简称量子信息操控流程)确定的约束条件，是构建量子信息操控流程必须遵循的基本原则，主要包括量子信息操控流程的逻辑结构、实验操控过程和实验方式。量子信息操控流程的逻辑结构是完成量子信息保真度的操控实验逻辑过程(如，量子芯片参数标定逻辑过程、超导量子芯片实时自动化标校逻辑过程、量子比特门标校逻辑过程等)，即实验者设计***读取量子信息***完成某任务，所进行测试实验的先后顺序。实验操控过程从结构上规定量子信息流的基本走向，是量子信息操控流程形成的基础。实验操控方式是实验者完成获取实验操控过程中协作与解决冲突的基本方式，不同的实验操控方式产生不同的协作过程，协作过程与协作关系的约束制约着量子信息流的基本走向。
一般规则：量子信息操控流程具有较强的顺序性。一般来说，量子信息操控流程紧前工作是紧后工作开始的基础，但是，紧前工作往往不能一次就能满足紧后工作的要求。因此，当紧前工作不能满足紧后工作时，诸如在时间或其他约束等客观条件允许下，紧前工作就会应紧后工作的要求进行重新修订(指局部修订)，这种现象在量子信息操控实验中称为一次“反馈”，此时的初始节点被称为反馈节点。显然，量子信息操控实验中一定存在“反馈”，这是基于量子信息操控流程具有较强的顺序性，如量子比特间的纠缠现象，在原子态或光子态控制活动中，当紧前工作不能满足紧后工作时都可能出现紧前工作应紧后工作的要求进行局部重新修订，即“反馈”。
构建量子信息操控流程的活动网络拓扑结构，主要内容概括如下：
任何一个量子信息操控实验，都可以忽略其物理意义，将量子信息操控实验流程抽象为***量子信息流的运行，并依托***量子信息操控实验中任务流之间的关系构造其活动网络拓扑结构，当量子信息流通过该节点n次，则流通量为n，这样基于量子信息操控实验流程，仅考虑信息流各个节点间的联结关系和层级节点间的次序，抽象出量子信息操控实验流程的活动网络拓扑结构，对于量子信息操控实验流程优化问题就转化成对量子信息流通过拓扑结构信息流优化的问题(如说明书附图2)。
给出不确定条件下量子信息操控流程时效熵确定算法，主要内容概括如下：
从量子信息纠缠性原理出发，基于原子态或光子态的运动路径和量子信息操控实验流程，把“熵”作为不确定性状态描述的有力工具引入量子信息操控实验流程时效性测量中，用拓扑结构的“时效熵”作为不确定性状态描述的有力工具。
在量子信息操控流程的拓扑结构中，将割的节点间弧的总流量称为割的联系度。如第i个子流程，第j个割的联系度记作lij。lij的计算由割节点间弧的总流量的最短路径来确定，直接联结的长度为1，每中转一次长度加1。
在量子信息操控流程拓扑结构图割中节点的跨度个数k称为联系数，它与自然数集对应。
在量子信息操控流程拓扑结构图中，当联系数为k时对应割的联系度为lij，称
为拓扑结构微观态，且
在量子信息操控流程拓扑结构中，如果含有i个子流程，每个子流程分为j个割，微观态为Lij，称At为流程总的联系度，且
在量子信息操控流程拓扑结构中，度量信息流时效性不确定性的测度为量子信息操控流程的时效熵，记作
且
其中，
是联系数为k，第i个子流程，第j个割的节点间联系时实现的概率：
操控流程时效熵计算步骤如下，
步骤一：计算量子芯片参数标定流程对应的拓扑结构(或活动网络结构)，割的联系度lij；
步骤二：计算割中节点的联系数k；
步骤三：计算微观态Lij；
步骤四：计算总联系度At；
步骤五：计算时效熵
给出不确定条件下量子信息操控实验流程时效值算法，主要内容概括如下：
在某一种量子信息操控流程中，用以度量量子信息传递过程中量子信息流通的迅速程度，称为量子信息操控流程的时效。
在量子信息操控流程拓扑结构中，称第i个子流程的总时效熵为
且
其中，n为流程中包含子流程的个数；m为量子信息操控流程拓扑结构中割的个数，k为联系数。
若量子信息操控流程拓扑结构中n个子流程的微观态为
称Amax为最大联系度，且
称
量子信息操控流程拓扑结构的最大时效熵，且
其中，
量子信息操控流程第i个子流程的时效称为Ri，且
(i＝1，2，...，n)，其中，Ki(x)是量子信息操控流程拓扑结构的第i个子流程反馈次数x的函数，
为第i个子流程的时效熵，
为第i个子流程的最大时效熵。
操控流程时效计算步骤如下：
步骤1：计算量子信息操控流程拓扑结构的总时效熵
步骤2：计算最大联系度Amax；
步骤3：计算最大时效熵
步骤4：计算时效Ri；
步骤5：计算总时效RT。
拓扑结构反馈函数与时效测度关系，主要内容概括如下：
不妨记量子保真流的总时效记为RT，定义最大割U对应的量子保真流的最大时效为Rmax，网络W中的最大流是由割的流量决定的，显然W也是最大割，所以，最大时效应当是总时效相同，即Rmax＝RT。
最优实验次数与反馈函数之间的关系，主要内容概括如下：
量子信息操控流程最优实验次数可由对应的活动网络拓扑结构的最大反馈次数确定。设量子信息操控流程对应的活动网络W，由上述拓扑结构反馈函数与时效测度关系分析可得，网络中的最大流是由割的流量决定的，显然W也是最大割。
给出具有反馈的量子信息操控流程最优实验次数与活动网络时效测度关系的一览表(如表1)，主要内容概括如下：
表1最优实验次数与时效测度关系一览表
由表1可见，在没有反馈的情况下，当量子芯片参数标定***的总时效值越大，量子芯片参数标定流的拓扑结构就越稳定，量子信息操控实验的效率就越高。
熵式度量法计算操控流程最优实验次数，步骤如下：
步骤A：计算量子信息操控流程拓扑结构子流程的时效：
步骤B：给出***时效与反馈函数关系：
步骤C：给出量子信息操控流程最优次数满足条件：
步骤D：确定量子信息操控流程反馈节点次数：
给出QN为不确定条件下量子信息操控流程可以达成量子信息保真度的最优实验次数。
量子信息操控流程优化和最优实验次数确定智能决策支持***，主要内容概括如下：
根据量子门操控实验最优次数熵式度量法，构建的操控流程智能决策***，对于一类围绕流程进行实验流程优化和最优实验次数确定，提高量子信息操控实验效率意义重大。
量子门操控实验最优次数熵式度量法智能决策原型***，包括操控实验策略库***、量子信息数据库***、操控实验优化管理***、信息显示监测***等组成。
操控实验策略库***，包括，
记录模块A：记录量子信息存储操控方案特征信息和数量；
处理模块B：对预评估方案信息标准化处理；
调用模块C：按照权限调用待评估优化方案；
存储模块D：存储历史量子信息存储操控方案和待评估方案。
策略信息数据库***，包括，
用户层：能够同时满足信息存储操控方案仿真数据、测试数据以及优化统计数据的用户进行交互。也就是操控实验策略库在各个功能模块中，与数据库交流的部分。
应用服务器层：应用服务器层是数据库与用户层之间设置的中间层，统一管理用户对数据库的访问，保护数据库的安全与工作效率。数据库管理包括用户和权限管理，不同的用户分配不同的权限；知识库管理是对资料库、信息统计数据库等进行管理和维护，包括信息的添加、删除、编辑和查询等。用户界面通过中间层与数据库相连接。
数据层：用来存储决策支持***相关的大量数据。数据层主要包括实验原始数据库、分析模型数据库、信息分类数据库。也就是操控实验策略库在各个功能模块中，与数据库交流的部分。
操控实验优化管理***，包括，
记录模块a：记录操控流程信息和对应拓扑结构节点、层级、割、联系度、微观态等数量信息；
分析模块b：分析判断任务，将任务分类为操控实验策略流程优化或最优实验次数确定，分析得到对应参数的种类和数量；
解析模块c：解析拓扑结构反馈函数与时效测度关系；解析最优实验次数与反馈函数之间的关系；
预判模块d：判断操控实验策略流程优化或最优实验次数确定类型；
计算模块e：应用不确定条件下量子信息操控实验流程熵式度量法，转入计算模块e1或计算模块e2；
计算模块e1：应用量子信息操控实验流程时效熵算法步骤，计算流程优化时效值；
计算模块e2：应用量子信息操控实验流程最优实验次数算法步骤，计算最优实验次数；
统计模块f：量子信息操控实验流程时效熵，量子信息操控实验流程最优实验次数；
存储模块h：量子信息操控实验流程优化时效值或最优实验次数值；
信息显示监测***，包括，
状态显示模块D：输入数据初始态和中间运算过程数据显示；
监测显示模块E：量子信息操控实验流程优化运算过程显示和量子信息操控实验流程优化运算过程显示；
控制显示模块F：量子信息操控实验流程优化时效值或显示最优实验次数值显示。
3.有益效果
相比于现有技术，本发明的优点在于：
(1)本发明给出量子门操控实验最优次数熵式度量法。将“熵”作为不确定性状态描述的有力工具，引入量子信息操控实验流程时效性测量中，提出了基于量子信息操控实验流程的活动网络拓扑结构，给出用拓扑结构的“时效熵”作为量子信息操控实验流程不确定性测量，提高了量子信息操控实验流程优化的科学性和可信度。
(2)本发明给出量子信息操控流程优化最优实验次数确定方法，指出量子信息操控流程拓扑结构反馈函数与时效测度关系，以及最优实验次数与反馈函数之间的关系，给出不确定条件下最优实验次数算法，减少了大规模量子门操控的不确定性和大规模抽样的复杂性。
(3)本发明给出量子信息操控流程优化和最优实验次数确定智能决策***。根据量子门操控实验最优次数熵式度量新算法，开发智能决策原型***，降低以往出现失误只能通过改进处理器硬件这种不可行办法，提高量子信息操控和智能决策支持准确性和计算效率。
(4)本发明的方法及智能决策***也可应用在量子信息获取和量子信息存储等其他控制流程操控实验，如量子芯片结构方案操控实验和量子比特门标校操控实验、基于量子网络的中等规模超导操控实验等最优实验次数确定的智能决策支持***中，提供了一种不确定条件下量子信息***策略优化理论、方法与手段。
附图说明
图1为本发明提供的量子门操控实验最优次数熵式度量法及智能决策***摘要图；
图2为本发明提供的量子信息操控实验流程活动网络拓扑结构；
图3为本发明提供的量子门操控实验最优次数熵式度量法智能决策***流程图；
图4为发明提供的算例1-量子芯片参数标定流程图；
图5为本发明提供的算例1-量子芯片参数标定流程拓扑图；
图6为本发明提供的算例1-熵式度量法操控实验优化管理决策***整体流程图。
具体实施方式：
为使本发明的理论成果、技术路线和创新性更加明确，下面将结合本发明的附图，对本发明的理论成果、技术路线进行清楚、完整地描述。
首先结合说明书附图1，对本发明作详细描述。
参照附图1所示，任何量子信息操控实验都是一个量子物理***，操控实验流程对量子物理***的操控实现，软件的量子调控能力、计算精度都直接决定了量子门能否实现量子态保真度这一特性，本发明给出量子门操控实验最优次数熵式度量法，做到事前优化分析。基于量子信息操控实验流程，分析在复杂多变的多物理场耦合下量子信息操控实验流程的不确定性，提出量子信息操控流程优化的约束条件和一般规则；忽略其物理意义，将量子信息操控实验流程抽象为信息流的运行，并依托***量子信息操控实验中任务流之间的关系，仅考虑信息流各个节点间的联结关系和层级节点间的次序，抽象出量子信息操控实验流程的活动网络拓扑结构，对于量子信息操控实验流程优化问题转化为对量子信息流通过拓扑结构信息流优化的问题。
对智能决策任务分类，针对操控实验流程优化或最优实验次数确定。
从量子信息纠缠性原理出发，基于原子态或光子态的运动路径和量子信息操控实验流程，把“熵”作为不确定性状态描述的有力工具引入量子信息操控实验流程时效性测量中，用拓扑结构的“时效熵”作为不确定性状态描述的有力工具，提出***遍历微观态、联系度、时效等概念，给出拓扑结构时效熵、最大时效熵、时效算法，以此作为不确定条件下量子信息操控流程时效确定算法。
分析操控实验流程拓扑结构反馈函数与时效测度关系，给出时效Ri与实验反馈次数函数Ki(x)满足关系式
(R∈[0，1])。
当量子信息操控流程在第i个子流程上出现“反馈”需要重复执行此流程的全部活动时，记时效为
(R∈[0，1])，反馈函数Ki(x)最多反馈的次数满足以下条件：
特别地，当讨论量子信息操控流程只有一个子流程时，n＝1；当量子信息操控流程只看作一个割时，m＝1；当量子信息操控流程中任何一个节点都没有一个路，跨度大于1时，k＝1。
分析最优实验次数与反馈函数之间关系，给出***操控实验最优实验次数QN熵式度量算法。
如果反馈流程仅仅在某个活动网络的局部完成，则将含有反馈流程的部分当作是一个子流程对待，算法与其相同。任一子流程反馈函数Ki(x)最多反馈次数满足下式：
两边取最大值得：
记不确定条件下量子信息保真度最优实验次数为Qw(也就是活动网络W的反馈次数)，显然，对于任意的i，
构建量子门操控实验最优次数熵式度量法智能决策原型***，包括量子信息操控实验策略库***、量子信息数据库***、操控实验优化管理***、信息显示监测***等组成。
并给出实证算例1：“量子芯片参数标定流程图”验证应用。应用量子门操控实验最优次数熵式度量法及智能决策***，将操控实验优化***转变成量子处理器，实现从软件上解决量子信息操控实验智能决策问题。
结合说明书附图2，对本发明作详细描述。
图2是量子信息操控实验流程活动网络拓扑结构图，参照图2所示，任何一个量子信息操控实验流程，都可以忽略其物理意义，将量子信息操控实验流程抽象为量子信息***流活动网络，并依托量子信息操控实验中任务流之间的关系构造其活动网络拓扑结构，当量子信息流通过该节点n次，则流通量为n。这样量子信息操控实验流程就转化成对量子信息流通过拓扑结构信息流的问题。
结合说明书附图3，对本发明作详细描述。
图3量子门操控实验最优次数熵式度量法智能决策***流程图，是描述最优策略熵式度量智能决策平台原型***，按照工作流程、信息流之间关系运行的过程。量子门操控实验最优次数智能决策平台、量子算力网服务器平台和显示平台，按照信息控制流的流向实现控制；策略信息数据库***与操控实验策略库***，操控实验优化管理***与信息显示监测***之间具有交互关系，量子信息显示监测***依托操控实验优化管理***中的相关软件支撑，具有依赖关系；最优策略熵式度量智能决策平台中的各个分***内部工作按照信息运行流指向输入、输出。
给出附图4“算例1-量子芯片参数标定流程图”，以及附图5“算例1-量子芯片参数标定流程拓扑图”，给出说明书附图6算例1-熵式度量法操控实验优化管理决策***整体流程图实例应用，对本发明算法作应用方法描述，计算结果见表2。
根据附图4量子芯片参数标定流程图，依托量子信息流程层与层之间的关系，在此基础上构建附图5量子芯片参数标定流程拓扑图。
通过熵式度量法智能决策***记录模块a：记录量操控流程拓扑结构数量信息；
通过分析模块b：判断量子芯片参数标定流程任务对应拓扑结构参数的种类和数量；
通过解析模块c：解析拓扑结构反馈函数与时效测度关系，最优实验次数与反馈函数间关系；
通过预判模块d：实例预判分为量子芯片参数标定流程优化和最优实验次数确定两种运算；
通过计算模块e1：应用给出操控实验流程优化熵式度量法，对量子芯片参数标定流程优化，运用流程时效熵计算算法，步骤如下，
步骤一：计算量子信息操控流程对应的拓扑结构(或活动网络结构)，割的联系度lij；
步骤二：计算割中节点的联系数k；
步骤三：计算微观态Lij，
步骤四：计算总联系度At，
步骤五：计算时效熵
步骤六：计算总时效RT，
Rmax＝RT。
通过计算模块e2：应用操控实验最优次数确定熵式度量法，对量子芯片参数标定流程求解最优次数。调用存储模块的量子芯片参数标定流程的时效值，计算子流程的时效；根据拓扑结构反馈函数与时效测度关系、最优实验次数与反馈函数之间的关系，给出计算操控实验最优次数确定方法。
计算步骤如下：
步骤A：计算量子芯片参数标定子流程的时效：
量子芯片参数标定流程第i个子流程的时效记为Ri，Ki(x)是量子信息操控流程拓扑结构的第i个子流程反馈次数x的函数，
为第i个子流程的时效熵，
为第i个子流程的最大时效熵。
步骤B：给出***时效与反馈函数关系：
步骤C：给出最优次数满足条件：
步骤D：确定量子芯片参数标定流程反馈节点次数：
QN为不确定条件下以此量子芯片参数标定流程，可以达成量子信息保真度的最优实验次数。
上述结果由表2给出。
表2不确定条件下量子信息保真流最优实验次数一览表
由表2可以得到：当***的总时效测度值越小，反馈的次数就越多，它表明给出的“量子芯片参数标定流程”的有序化程度越低，因此，在开展读取量子保真度操控流程实验中，应尽量减少量子信息存储误差和量子信息计算误差，减少获取读取量子保真度操控流程操控过程的反馈，提高量子芯片参数标定***的时效。
以上示意性地对本发明创造及其实施方式进行了描述，该描述没有限制性，在不背离本发明的精神或者基本特征的情况下，能够以其他形式实现其发明。显然，所描述的实施验证例子是本发明一部分，而不是全部的实施例。基于本发明中的实施例，本领域研究人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
Claims (10)
1.“一种量子门操控实验最优次数熵式度量法及智能决策***”，其特征在于：包括，从量子信息纠缠性原理出发，基于原子态或光子态的运动路径，对量子信息***操控实验流程进行优化分析，得到依托量子信息流层与层之间的关系构造的活动网络拓扑结构；提出量子信息流通过节点流通量算法；给出量子信息***操控实验流程拓扑结构的跨度算法、遍历微观态和联系度算法；根据***操控实验流程活动网络拓扑结构，用拓扑结构的“时效熵”作为不确定性状态描述的有力工具，给出不确定条件下量子信息操控流程时效熵算法，步骤如下：
步骤一：计算量子信息操控流程对应的拓扑结构(或活动网络结构)，割的联系度lij：lij的计算由割节点间弧的总流量的最短路径来确定，直接联结的长度为1，每中转一次长度加1；
步骤二：计算割中节点的联系数k：量子信息操控流程拓扑结构图割中节点的跨度个数；
步骤三：计算微观态Lij，
步骤四：计算总联系度At，
步骤五：计算时效熵
2.根据权利要求1所述的把“熵”作为不确定性状态描述的有力工具引入量子信息操控实验流程时效性测量中，给出用以度量量子信息流在传递过程中流通迅速程度大小的测度-量子信息流时效算法，步骤如下：
步骤1：计算量子信息操控流程拓扑结构的总时效熵
步骤2：计算最大联系度Amax，
步骤3：计算最大时效熵
步骤4：计算时效Ri，
步骤5：计算总时效RT，Rmax＝RT。
3.根据权利要求1、2所述的基于不确定条件下量子信息操控流程时效熵、时效算法，给出量子信息***操控实验流程最优实验次数可由对应的活动网络拓扑结构的最大反馈次数确定算法，步骤如下：
步骤A：计算量子信息操控流程拓扑结构子流程的时效：
步骤B：给出***时效与反馈函数关系：
步骤C：给出量子信息操控流程最优次数满足条件：
步骤D：确定量子信息操控流程反馈节点次数：
给出QN为不确定条件下量子信息操控流程可以达成量子信息保真度的最优实验次数。
4.根据权利要求1、2、3所述的量子门操控实验最优次数熵式度量法，其特征在于：给出的量子信息操控流程优化方法和量子信息***操控实验流程最优实验次数确定方法，可以应用在开发量子门操控实验最优次数熵式度量法智能决策***中。
5.根据权利要求1、2、3所述的算法，构建的量子门操控实验最优次数智能决策平台原型***，其特征在于：将智能决策***转变成量子处理器，实现量子信息***操控实验流程优化和操控实验次数预估值确定。
6.根据权利要求5所述的量子门操控实验最优次数智能决策平台原型***，其特征在于：***架构是，基于量子算力网服务器平台，和策略信息数据库***、操控实验策略库***、操控实验优化管理***以及信息显示监测***等分***组成的一体化运行环境下的智能决策***。***具有信息记录、查询、集成、调用、处理、计算和存储等功能和状态、监测、控制等显示功能。
7.根据权利要求5、6所述的操控实验策略库***，包括，
记录模块A：记录量子信息存储操控方案特征信息和数量；
处理模块B：对预评估方案信息标准化处理；
调用模块C：按照权限调用待评估优化方案；
存储模块D：存储历史量子信息存储操控方案和待评估方案。
8.根据权利要求5、6所述的操控实验优化管理***，包括，
记录模块a：记录操控流程信息和对应拓扑结构节点、层级、割、联系度、微观态等数量信息；
分析模块b：分析判断任务，将任务分类为操控实验策略流程优化或最优实验次数确定，分析得到对应参数的种类和数量；
解析模块c：解析拓扑结构反馈函数与时效测度关系；解析最优实验次数与反馈函数之间的关系；
预判模块d：判断操控实验策略流程优化或最优实验次数确定类型；
计算模块e：应用不确定条件下量子信息操控实验流程熵式度量法，转入计算模块e1或计算模块e2；
计算模块e1：应用量子信息操控实验流程时效熵算法步骤，计算流程优化时效值；
计算模块e2：应用量子信息操控实验流程最优实验次数算法步骤，计算最优实验次数；
统计模块f：量子信息操控实验流程时效熵，量子信息操控实验流程最优实验次数；
存储模块h：量子信息操控实验流程优化时效值或最优实验次数值。
9.根据权利要求5、6、7和8所述的本发明给出实例算法，其特征在于，结合算例1-熵式度量法操控实验优化管理决策***整体流程图，和附表2(说明书中)，已经给出了量子信息***操控实验流程优化的完整定义、算法和计算公式，得到这些可以应用在量子信息获取和量子信息存储等其他控制流程优化中，以及智能决策支持***软件产品中。
10.根据权利要求5、6、7、8和9所述的本发明给出实例算法，其特征在于，结合算例1-熵式度量法操控实验优化管理决策***整体流程图，和附表2(说明书中)，已经给出了量子信息***操控实验次数优化的完整定义、算法和计算公式，对于一类围绕流程进行实验流程优化和最优实验次数确定，提高量子信息操控实验效率意义重大。得到这些理论与方法，可以开发诸如量子电路结构操控实验流程最优实验次数、量子芯片结构操控实验流程最优实验次数和基于量子网络的中等规模超导操控实验流程最优实验次数确定的智能决策支持***软件产品中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210309736.1A CN115329964A (zh) | 2022-03-28 | 2022-03-28 | 一种量子门操控实验最优次数熵式度量法及智能决策*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210309736.1A CN115329964A (zh) | 2022-03-28 | 2022-03-28 | 一种量子门操控实验最优次数熵式度量法及智能决策*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115329964A true CN115329964A (zh) | 2022-11-11 |
Family
ID=83916133
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210309736.1A Pending CN115329964A (zh) | 2022-03-28 | 2022-03-28 | 一种量子门操控实验最优次数熵式度量法及智能决策*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115329964A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001067186A1 (en) * | 2000-03-09 | 2001-09-13 | Stmicroelectronics S.R.L. | Method and hardware architecture for controlling a process or for processing data based on quantum soft computing |
| JP2002042104A (ja) * | 2000-07-27 | 2002-02-08 | Yamaha Motor Co Ltd | 量子ソフトコンピューティングを使用した制御システムと制御方法 |
| CN107818392A (zh) * | 2016-09-14 | 2018-03-20 | 广州杰赛科技股份有限公司 | 评估信息化***流程时效性的方法和装置 |
| CN108334952A (zh) * | 2017-11-24 | 2018-07-27 | 南京航空航天大学 | 一种新型通用量子门及量子线路优化方法 |
| WO2020263300A1 (en) * | 2019-06-28 | 2020-12-30 | Google Llc | Measuring quantum state purity |
-
2022
- 2022-03-28 CN CN202210309736.1A patent/CN115329964A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001067186A1 (en) * | 2000-03-09 | 2001-09-13 | Stmicroelectronics S.R.L. | Method and hardware architecture for controlling a process or for processing data based on quantum soft computing |
| JP2002042104A (ja) * | 2000-07-27 | 2002-02-08 | Yamaha Motor Co Ltd | 量子ソフトコンピューティングを使用した制御システムと制御方法 |
| CN107818392A (zh) * | 2016-09-14 | 2018-03-20 | 广州杰赛科技股份有限公司 | 评估信息化***流程时效性的方法和装置 |
| CN108334952A (zh) * | 2017-11-24 | 2018-07-27 | 南京航空航天大学 | 一种新型通用量子门及量子线路优化方法 |
| WO2020263300A1 (en) * | 2019-06-28 | 2020-12-30 | Google Llc | Measuring quantum state purity |
Non-Patent Citations (2)
| Title |
|---|
| 吴贝贝;: "基于改进灰熵并行优化量子状态转移算法求解MOJSP问题", 现代电子技术, no. 10, 15 May 2020 (2020-05-15) * |
| 周超;潘平;黄亮;: "基于量子门线路神经网络的信息安全风险评估", 计算机工程, no. 12, 15 December 2018 (2018-12-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chugh et al. | A survey on handling computationally expensive multiobjective optimization problems with evolutionary algorithms | |
| EP2742648B1 (en) | Network capacity management system and method | |
| Maher et al. | CADSYN: A case-based design process model | |
| Aliev et al. | Fuzzy optimality based decision making under imperfect information without utility | |
| Misnik | Ontological engineering on metagraphs basis | |
| Attarzadeh et al. | Improving the accuracy of software cost estimation model based on a new fuzzy logic model | |
| Guo | Towards the efficient generation of variant design in product development networks: network nodes importance based product configuration evaluation approach | |
| Wang et al. | Explaining Genetic Programming-Evolved Routing Policies for Uncertain Capacitated Arc Routing Problems | |
| CN115329964A (zh) | 一种量子门操控实验最优次数熵式度量法及智能决策*** | |
| Mazumdar et al. | An interactive framework for offline data-driven multiobjective optimization | |
| Balakrishnan et al. | Information issues in model specification | |
| Ünver et al. | A fuzzy measure theoretical approach for multi criteria decision making problems containing sub-criteria | |
| Gan et al. | Dependability modelling and analysis of networks as taking routing and traffic into account | |
| Nadjafi et al. | Quantitative based fault tree analysis: An integrated fuzzy Monte Carlo and its application on launch escape emergency detection system | |
| WO2019186243A1 (en) | Global data center cost/performance validation based on machine intelligence | |
| Le et al. | Dynamic estimation and Grid partitioning approach for Multi-Objective Optimization Problems in medical cloud federations | |
| Hasan et al. | An interval type-2 fuzzy model of compliance monitoring for quality of web service | |
| Antoniou et al. | On formulating the ground scheduling problem as a multi-objective bilevel problem | |
| Kumar et al. | Knowledgeable network-on-chip accelerator for fast and accurate simulations using supervised learning algorithms and multiprocessing | |
| Mejía-Gutiérrez et al. | A multi-agent platform to support knowledge based modelling in engineering design | |
| Egesoy et al. | Fuzzy logic support for requirements engineering | |
| Sumesh et al. | Challenges and review of goal-oriented requirements engineering based competitive non-functional requirements analysis | |
| Liu et al. | L2P-MIP: Learning to presolve for mixed integer programming | |
| CN115086225B (zh) | 算力网计算与存储最优路径确定方法和监测装置 | |
| Liu et al. | Digital twin driven process design evaluation |
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 |