CN116167407A - 一种基于量子循环神经网络的数据预测方法及相关设备 - Google Patents

一种基于量子循环神经网络的数据预测方法及相关设备 Download PDF

Info

Publication number
CN116167407A
CN116167407A CN202310024563.3A CN202310024563A CN116167407A CN 116167407 A CN116167407 A CN 116167407A CN 202310024563 A CN202310024563 A CN 202310024563A CN 116167407 A CN116167407 A CN 116167407A
Authority
CN
China
Prior art keywords
quantum
input vector
neural network
logic gate
bits
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
Application number
CN202310024563.3A
Other languages
English (en)
Inventor
请求不公布姓名
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Origin Quantum Computing Technology Co Ltd
Original Assignee
Origin Quantum Computing Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Origin Quantum Computing Technology Co Ltd filed Critical Origin Quantum Computing Technology Co Ltd
Priority to CN202310024563.3A priority Critical patent/CN116167407A/zh
Publication of CN116167407A publication Critical patent/CN116167407A/zh
Pending legal-status Critical Current

Links

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
    • G06N10/40—Physical realisations or architectures of quantum processors or components for manipulating qubits, e.g. qubit coupling or qubit control
    • 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
    • G06N10/70—Quantum error correction, detection or prevention, e.g. surface codes or magic state distillation
    • 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
    • G06N10/80—Quantum programming, e.g. interfaces, languages or software-development kits for creating or handling programs capable of running on quantum computers; Platforms for simulating or accessing quantum computers, e.g. cloud-based quantum computing

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于量子循环神经网络的数据预测方法及相关设备，涉及量子计算技术领域，所述方法包括：对获取的待处理多媒体数据进行处理，得到每一时刻的第一输入向量；将每一时刻的第一输入向量和预设的初始第二输入向量输入至量子循环神经网络，量子循环神经网络包括两组量子比特和第一量子逻辑门，其中一组量子比特在每个时间步中用于加载当前时刻的第一输入向量，另外一组量子比特在每个时间步中用于加载上一时刻量子循环神经网络输出的特征向量作为当前时刻的第二输入向量，第一量子逻辑门作用于相邻的量子比特，从编码后的第一输入向量和第二输入向量中提取特征向量；基于特征向量确定预测多媒体数据。可以提高网络模型的预测准确性。

Description

一种基于量子循环神经网络的数据预测方法及相关设备
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量子循环神经网络的数据预测方法及相关设备。
背景技术
量子计算机是一类遵循量子力学规律进行高速数学和逻辑运算、存储及处理量子信息的物理装置。当某个装置处理和计算的是量子信息，运行的是量子算法时，它就是量子计算机。量子计算机因其具有相对普通计算机更高效的处理数学问题的能力，例如，能将破解RSA密钥的时间从数百年加速到数小时，故成为一种正在研究中的关键技术。
循环神经网络可以挖掘数据中的时序信息以及语义信息，广泛应用于语音、自然语言处理和视频处理等场景，但目前经典方法实现的循环神经网络的记忆能力有限，在上述场景下模型预测的准确性低。
发明内容
本发明的目的是提供一种基于量子循环神经网络的数据预测方法及相关设备，旨在提高循环神经网络的预测准确性。
为了实现上述目的，本发明实施例的第一方面，提供一种基于量子循环神经网络的数据预测方法，所述方法包括：
对获取的待处理多媒体数据进行处理，得到每一时刻的第一输入向量；
将每一时刻的所述第一输入向量和预设的初始第二输入向量输入至量子循环神经网络，所述量子循环神经网络包括两组量子比特和第一量子逻辑门，其中一组所述量子比特在每个时间步中用于加载当前时刻的第一输入向量，另外一组所述量子比特在每个时间步中用于加载上一时刻所述量子循环神经网络输出的特征向量作为当前时刻的第二输入向量，所述第一量子逻辑门作用于相邻的所述量子比特，从编码后的所述第一输入向量和第二输入向量中提取特征向量；
基于所述特征向量确定预测多媒体数据。
可选的，所述量子循环神经网络还包括第二量子逻辑门，所述第二量子逻辑门作用于其中一组量子比特得到第一量子态，所述第二量子逻辑门的旋转角度基于所述第一输入向量确定。
可选的，所述量子循环神经网络还包括第三量子逻辑门，所述第三量子逻辑门作用于另外一组量子比特得到第二量子态，将所述第二输入向量编码至所述第二量子态中的振幅上。
可选的，所述量子循环神经网络还包括第四量子逻辑门，在所述第一量子逻辑门作用于相邻量子比特之前，所述第四量子逻辑门作用于每一量子比特，使得所述第一量子态和所述第二量子态演化至第三量子态。
可选的，所述量子循环神经网络还包括第五量子逻辑门，在所述第一量子逻辑门作用于相邻量子比特之后，所述第五量子逻辑门作用于每一量子比特，使得所述第三量子态演化至第四量子态，所述第五量子逻辑门不同于所述第四量子逻辑门。
可选的，所述从编码后的所述第一输入向量和第二输入向量中提取特征向量，包括：
对加载第一输入向量的一组量子比特进行测量，得到所述特征向量。
可选的，所述量子循环神经网络的参数通过梯度函数优化得到。
可选的，所述两组量子比特的量子比特数量相等。
本发明实施例的第二方面，提供了一种基于量子循环神经网络的数据预测装置，所述装置包括：
处理模块，用于对获取的待处理多媒体数据进行处理，得到每一时刻的第一输入向量；
输入模块，用于将每一时刻的所述第一输入向量和预设的初始第二输入向量输入至量子循环神经网络，所述量子循环神经网络包括两组量子比特和第一量子逻辑门，其中一组所述量子比特在每个时间步中用于加载当前时刻的第一输入向量，另外一组所述量子比特在每个时间步中用于加载上一时刻所述量子循环神经网络输出的特征向量作为当前时刻的第二输入向量，所述第一量子逻辑门作用于相邻的所述量子比特，从编码后的所述第一输入向量和第二输入向量中提取特征向量；
预测模块，用于基于所述特征向量确定预测多媒体数据。
可选的，所述量子循环神经网络还包括第二量子逻辑门，所述第二量子逻辑门作用于其中一组量子比特得到第一量子态，所述第二量子逻辑门的旋转角度基于所述第一输入向量确定。
可选的，所述量子循环神经网络还包括第三量子逻辑门，所述第三量子逻辑门作用于另外一组量子比特得到第二量子态，将所述第二输入向量编码至所述第二量子态中的振幅上。
可选的，所述量子循环神经网络还包括第四量子逻辑门，在所述第一量子逻辑门作用于相邻量子比特之前，所述第四量子逻辑门作用于每一量子比特，使得所述第一量子态和所述第二量子态演化至第三量子态。
可选的，所述量子循环神经网络还包括第五量子逻辑门，在所述第一量子逻辑门作用于相邻量子比特之后，所述第五量子逻辑门作用于每一量子比特，使得所述第三量子态演化至第四量子态，所述第五量子逻辑门不同于所述第四量子逻辑门。
可选的，所述输入模块，具体用于：
对加载第一输入向量的一组量子比特进行测量，得到所述特征向量。
可选的，所述量子循环神经网络的参数通过梯度函数优化得到。
可选的，所述两组量子比特的量子比特数量相等。
本发明实施例的第三方面，提供一种存储介质，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第一方面中任一项所述方法的步骤。
本发明实施例的第四方面，提供一种电子装置，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第一方面中任一项所述方法的步骤。
与现有技术相比，本发明提供的一种基于循环神经网络的数据预测方法，可以对获取的待处理多媒体数据进行处理，得到每一时刻的第一输入向量；将每一时刻的第一输入向量和预设的初始第二输入向量输入至量子循环神经网络，量子循环神经网络包括两组量子比特和第一量子逻辑门，其中一组量子比特在每个时间步中用于加载当前时刻的第一输入向量，另外一组量子比特在每个时间步中用于加载上一时刻量子循环神经网络输出的特征向量作为当前时刻的第二输入向量，第一量子逻辑门作用于相邻的量子比特，从编码后的第一输入向量和第二输入向量中提取特征向量，基于特征向量确定预测多媒体数据，如此通过第一量子逻辑门作用在相邻量子比特上，使得多个特征向量之间相互作用，发生纠缠，进而使得整个网络模型具有更好的非线性表示能力，并且两组量子比特可以传递记忆信息，提高了模型对数据的预测准确性。
附图说明
图1是根据一示例性实施例示出的一种基于量子循环神经网络的数据预测方法的计算机终端的硬件结构框图。
图2是根据一示例性实施例示出的一种基于量子循环神经网络的数据预测方法的流程图。
图3是根据一示例性实施例示出的第一量子门对量子比特作用示意图。
图4是根据一示例性实施例示出的第二量子逻辑门对量子比特进行角度编码的示意图。
图5是根据一示例性实施例示出的第三量子逻辑门对量子比特进行振幅编码的示意图。
图6是根据一示例性实施例示出的第四量子逻辑门对量子比特编码的示意图。
图7是根据一示例性实施例示出的一种基于量子循环神经网络的数据预测装置的框图。
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量子循环神经网络的数据预测方法，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是根据一示例性实施例示出的一种基于量子循环神经网络的数据预测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)和用于存储基于量子线路的基于量子循环神经网络的数据预测方法的存储器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，如本申请实施例中的基于量子循环神经网络的数据预测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(NetworkInterfaceController，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(RadioFrequency，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X门)、泡利-Y门(Y门，泡利Y门)、泡利-Z门(Z门，泡利Z门)、RX门(RX旋转门)、RY门(RY旋转门)、RZ门(RZ旋转门)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向量进行计算。例如，量子态右矢|0>对应的向量可以为
Figure BDA0004041244400000081
量子态右矢|1>对应的向量可以为/>
Figure BDA0004041244400000082
参见图2，图2是根据一示例性实施例示出的一种基于量子循环神经网络的数据预测方法的流程图。本实施例提供了一种基于量子循环神经网络的数据预测方法，该方法包括：
S201、对获取的待处理多媒体数据进行处理，得到每一时刻的第一输入向量。
本发明实施例中，待处理多媒体数据可以是自然语言处理场景下的文本数据，还可以是语音识别领域中的音频数据，还可以是视频处理场景下的视频数据。
S202、将每一时刻的第一输入向量和预设的初始第二输入向量输入至量子循环神经网络，从编码后的第一输入向量和第二输入向量中提取特征向量。
其中，量子循环神经网络包括两组量子比特和第一量子逻辑门，其中一组量子比特在每个时间步中用于加载当前时刻的第一输入向量，另外一组量子比特在每个时间步中用于加载上一时刻量子循环神经网络输出的特征向量作为当前时刻的第二输入向量，第一量子逻辑门作用于相邻的量子比特。
S203、基于特征向量确定预测多媒体数据。
针对上述S202，本发明实施例中的量子循环神经网络共包括Na和Nb两组量子比特，其中，Nb组量子比特用于加载第二输入向量，也可以被称为记忆比特模块，Na组量子比特用于加载第一输入向量，Na组量子比特在每一时间步中均会被初始化，加载当前时刻的第一输入向量。两组量子比特的量子比特数量相等，Na和Nb组量子比特的数量可以根据实际应用场景进行设置，例如，可以设置为Na＝Nb＝4，即两组量子比特的数量均为4，量子循环神经网络共包括8个量子比特，下文将以Na＝Nb＝4为例对本发明实施例进行说明。
本发明实施例中的量子循环神经网络还包括变分量子线路层，变分量子线路层包括第一量子逻辑门，变分量子线路层可以对两组量子比特进行量子态演化。
第一量子逻辑门具体包括RXX门，RXX门为含参双量子比特逻辑门，可以对相邻的量子比特进行纠缠编码，可以将记忆信息由一组量子比特传递到另一组量子比特，使得模型具有更好的非线性表达能力，RXX门具体结构为：
Figure BDA0004041244400000091
如图3所示，图3为本申请实施例提供的第一量子门对量子比特作用的示例性示意图。图3仅示出了q0至q4五个量子比特，其中q0至q3为Na组量子比特，q4为Nb组量子比特的一个量子比特，RXX门依次对相邻比特q0和q1为进行编码，对相邻比特q1和q2进行编码，对相邻比特q2和q3进行编码，对相邻比特q3和q4进行编码,图中RXX门中的参数0，1表示纠缠的两个量子比特以及纠缠顺序，RXX门参数θ1、θ2、θ3、θ4可以通过随机初始化得到。
本发明实施例中，量子循环神经网络还包括测量层，测量层可以对加载第一输入向量的一组量子比特进行测量，得到特征向量。
即测量层可以对Na组量子比特进行测量，得到特征向量。
具体地，测量层可以对加载第一输入向量的部分或全部量子比特进行期望测量或概率测量。
对于另一组量子的比特的可以计算量子态振幅，即计算Nb组量子比特的量子态振幅，计算结果作为下一时刻量子循环神经网络的第二输入向量。
量子循环神经网络的变分量子线路层还包括的其他量子逻辑门，下文将对其他量子逻辑门详细介绍。
与现有技术相比，本发明提供的一种基于循环神经网络的数据预测方法，可以对获取的待处理多媒体数据进行处理，得到每一时刻的第一输入向量；将每一时刻的第一输入向量和预设的初始第二输入向量输入至量子循环神经网络，量子循环神经网络包括两组量子比特和第一量子逻辑门，其中一组量子比特在每个时间步中用于加载当前时刻的第一输入向量，另外一组量子比特在每个时间步中用于加载上一时刻量子循环神经网络输出的特征向量作为当前时刻的第二输入向量，第一量子逻辑门作用于相邻的量子比特，从编码后的第一输入向量和第二输入向量中提取特征向量，基于特征向量确定预测多媒体数据，如此通过第一量子逻辑门作用在相邻量子比特上，使得多个特征向量之间相互作用，发生纠缠，进而使得整个网络模型具有更好的非线性表示能力，并且两组量子比特可以传递记忆信息，提高了模型对数据的预测准确性。
在本发明另一实施例中，量子循环神经网络还包括编码层，编码层包括第二量子逻辑门，第二量子逻辑门作用于其中一组量子比特得到第一量子态，第二量子逻辑门的旋转角度基于第一输入向量确定。
相比于传统计算机使用0和1作为二进制的基本单元，量子计算可以同时处理0和1，使得***可以处于0和1的线性叠加态。例如，10个量子比特最多可以用于表示2^10个维度的信息。而第一输入向量的数据形式仅能由经典计算机进行处理，因此，在使用量子循环神经网络对第一输入向量进行特征提取之前，需要将第一输入向量编码为量子线路能够处理的量子态。
其中，第二量子逻辑门包括RX门，可以通过第一输入向量编码确定RX门的旋转角度，然后将RX门作用在一组量子比特上得到第一量子态。
例如，可以先通过计算第一输入向量Xt的每一元素的反三角函数值arctan(xt)确定旋转角度，然后通过RX(arctan(xt))对一组量子比特作用得到第一量子态。
假设第一输入向量Xt＝(x1，x2，x3，x4)
则作用于q0的RX门的旋转角度为arctan(x1)，作用于q1的RX门的旋转角度为arctan(x2)，作用于q2的RX门的旋转角度为arctan(x3)，作用于q3的RX门的旋转角度为arctan(x4)。
第二量子逻辑门还可以包括其他量子旋转逻辑门，如RY和RZ门，本发明实施例对此不作具体限定。
如图4所示，图4为本发明实施例提供的第二量子逻辑门对量子比特进行角度编码的示意图，图4中示出了q0至q3四个量子比特，根据第一输入向量计算的反三角函数值确定的RX门旋转角度为0.541135，RX门分别对四个量子比特进行角度编码，得到第一量子态。
在本发明的另一实施例中，量子循环神经网络的编码层还包括第三量子逻辑门，第三量子逻辑门作用于另外一组量子比特得到第二量子态，将第二输入向量编码至第二量子态中的振幅上。
本发明实施例中，预设的初始第二输入向量可以设置为[1，0，0，0…]，预设的初始第二输入向量的元素总数为2Nb，Nb为另一组量子比特的数量。第三量子逻辑门包括依次作用的RY门和受控X门，可以将RY门和受控X门依次作用在另一组量子比特上得到第二量子态，将第二输入向量编码至第二量子态的振幅上。
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
Figure BDA0004041244400000121
其中|0>和|1>为基态，对于量子态/>
Figure BDA0004041244400000122
Figure BDA0004041244400000123
其中|00>、|01>、|10>、|11>为基态。例如，第二输入向量为[1,3]，对其归一化后，1对应于0.25，3对应于0.75，进而创建第三量子逻辑门作用于另一组量子比特使其演化至第二量子态/>
Figure BDA0004041244400000124
再例如，第二输入向量为[1,3,2,4]，对其归一化后，1对应于0.1，3对应于0.3，2对应于0.2，4对应于0.4，进而，创建第三量子逻辑门作用于另一组量子比特使其演化至第二量子态
Figure BDA0004041244400000125
如图5所示，图5为本申请实施例提供的第三量子逻辑门作用在量子比特上得到第二量子态的示意图，图5中示出了q4至q7四个量子比特，RY门和受控X门按照第二输入向对量每一量子比特进行振幅编码，其中θ5至θ8为根据第二输入向量的确定的作用在量子比特q4至q7上的RY门的旋转角度。
在本发明另一实施例中，为了进一步增加模型的表达能力，量子循环神经网络的变分量子线路层还包括第四量子逻辑门，在第一量子门作用于相邻量子比特之前，第四量子逻辑门作用于每一量子比特，使得第一量子态和第二量子态演化至第三量子态。
其中，第四量子逻辑门包括依次作用的RX、RZ、RX门，如图6所示，图6为本发明实施例提供的第四量子逻辑门作用在量子比特上得到第三量子态的示意图，图6中示出了q0至q7八个量子比特，q0至q3为一组量子比特，q4至q7为另一组量子比特。依次作用的RX、RZ、RX门的旋转角度θ9至θ32基于以下公式得到：
Figure BDA0004041244400000131
其中x是句子嵌入矩阵的输入，I(x)将x编码成量子状态，i代表的是量子变分层的索引，Gi(θi)是单量子旋转门RX、RZ。
在本发明另一实施例中，为了进一步增加模型的变分编码能力，量子循环神经网络的变分量子线路层还包括第五量子逻辑门，在第一量子逻辑门作用于相邻量子比特之后，第五量子逻辑门作用于每一量子比特，使得第三量子态演化至第四量子态，第五量子逻辑门不同于第四量子逻辑门。
其中，第五量子逻辑门包括RY门。
本发明实施例中的量子循环神经网络可以包括多层变分量子线路层，变分量子线路层的层数和量子比特数可以根据实际应用场景进行设置，两组量子比特的数目相等Na＝Nb，量子循环神经网络的参数的个数为5*nqubits*nlayers，nlayers表示变分量子线路的层数，nqubits表示量子比特个数，循环神经网络的参数可以通过梯度函数优化得到，具体可以通过对下公式进行优化得到：
Figure BDA0004041244400000132
所以f(x；θi)相对于θi的梯度为：
Figure BDA0004041244400000133
可以通过多次调整参数并运行量子循环神经网络，使得梯度函数值最小，确定出量子循环神经网络的参数。
基于相同的发明构思，本发明实施还提供了一种基于量子循环神经网络的数据预测装置，如图7所示，该装置包括：
处理模块701，用于对获取的待处理多媒体数据进行处理，得到每一时刻的第一输入向量；
输入模块702，用于将每一时刻的第一输入向量和预设的初始第二输入向量输入至量子循环神经网络，量子循环神经网络包括两组量子比特和第一量子逻辑门，其中一组量子比特在每个时间步中用于加载当前时刻的第一输入向量，另外一组量子比特在每个时间步中用于加载上一时刻量子循环神经网络输出的特征向量作为当前时刻的第二输入向量，第一量子逻辑门作用于相邻的量子比特，从编码后的第一输入向量和第二输入向量中提取特征向量；
预测模块703，用于基于特征向量确定预测多媒体数据。
可选的，量子循环神经网络还包括第二量子逻辑门，第二量子逻辑门作用于其中一组量子比特得到第一量子态，第二量子逻辑门的旋转角度基于第一输入向量确定。
可选的，量子循环神经网络还包括第三量子逻辑门，第三量子逻辑门作用于另外一组量子比特得到第二量子态，将第二输入向量编码至第二量子态中的振幅上。
可选的，量子循环神经网络还包括第四量子逻辑门，在第一量子逻辑门作用于相邻量子比特之前，第四量子逻辑门作用于每一量子比特，使得第一量子态和第二量子态演化至第三量子态。
可选的，量子循环神经网络还包括第五量子逻辑门，在第一量子逻辑门作用于相邻量子比特之后，第五量子逻辑门作用于每一量子比特，使得第三量子态演化至第四量子态，第五量子逻辑门不同于第四量子逻辑门。
可选的，输入模块702，具体用于：
对加载第一输入向量的一组量子比特进行测量，得到特征向量。
可选的，量子循环神经网络的参数通过梯度函数优化得到。
可选的，两组量子比特的量子比特数量相等。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本发明的再一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基于量子循环神经网络的数据预测方法实施例中的步骤。
具体的，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-OnlyMemory，简称为ROM)、随机存取存储器(RandomAccessMemory，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基于量子循环神经网络的数据预测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：
对获取的待处理多媒体数据进行处理，得到每一时刻的第一输入向量；
将每一时刻的所述第一输入向量和预设的初始第二输入向量输入至量子循环神经网络，所述量子循环神经网络包括两组量子比特和第一量子逻辑门，其中一组所述量子比特在每个时间步中用于加载当前时刻的第一输入向量，另外一组所述量子比特在每个时间步中用于加载上一时刻所述量子循环神经网络输出的特征向量作为当前时刻的第二输入向量，所述第一量子逻辑门作用于相邻的所述量子比特，从编码后的所述第一输入向量和第二输入向量中提取特征向量；
基于所述特征向量确定预测多媒体数据。
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 (11)

1.一种基于量子循环神经网络的数据预测方法，其特征在于，所述方法包括：
对获取的待处理多媒体数据进行处理，得到每一时刻的第一输入向量；
将每一时刻的所述第一输入向量和预设的初始第二输入向量输入至量子循环神经网络，所述量子循环神经网络包括两组量子比特和第一量子逻辑门，其中一组所述量子比特在每个时间步中用于加载当前时刻的第一输入向量，另外一组所述量子比特在每个时间步中用于加载上一时刻所述量子循环神经网络输出的特征向量作为当前时刻的第二输入向量，所述第一量子逻辑门作用于相邻的所述量子比特，从编码后的所述第一输入向量和第二输入向量中提取特征向量；
基于所述特征向量确定预测多媒体数据。
2.根据权利要求1所述的方法，其特征在于，所述量子循环神经网络还包括第二量子逻辑门，所述第二量子逻辑门作用于其中一组量子比特得到第一量子态，所述第二量子逻辑门的旋转角度基于所述第一输入向量确定。
3.根据权利要求2所述的方法，其特征在于，所述量子循环神经网络还包括第三量子逻辑门，所述第三量子逻辑门作用于另外一组量子比特得到第二量子态，将所述第二输入向量编码至所述第二量子态中的振幅上。
4.根据权利要求3所述的方法，其特征在于，所述量子循环神经网络还包括第四量子逻辑门，在所述第一量子逻辑门作用于相邻量子比特之前，所述第四量子逻辑门作用于每一量子比特，使得所述第一量子态和所述第二量子态演化至第三量子态。
5.根据权利要求4所述的方法，其特征在于，所述量子循环神经网络还包括第五量子逻辑门，在所述第一量子逻辑门作用于相邻量子比特之后，所述第五量子逻辑门作用于每一量子比特，使得所述第三量子态演化至第四量子态，所述第五量子逻辑门不同于所述第四量子逻辑门。
6.根据权利要求1所述的方法，其特征在于，所述从编码后的所述第一输入向量和第二输入向量中提取特征向量，包括：
对加载第一输入向量的一组量子比特进行测量，得到所述特征向量。
7.根据权利要求1-6任一所述方法，其特征在于，所述量子循环神经网络的参数通过梯度函数优化得到。
8.根据权利要求7所述的方法，其特征在于，所述两组量子比特的量子比特数量相等。
9.一种基于量子循环神经网络的数据预测装置，其特征在于，所述装置包括：
处理模块，用于对获取的待处理多媒体数据进行处理，得到每一时刻的第一输入向量；
输入模块，用于将每一时刻的所述第一输入向量和预设的初始第二输入向量输入至量子循环神经网络，所述量子循环神经网络包括两组量子比特和第一量子逻辑门，其中一组所述量子比特在每个时间步中用于加载当前时刻的第一输入向量，另外一组所述量子比特在每个时间步中用于加载上一时刻所述量子循环神经网络输出的特征向量作为当前时刻的第二输入向量，所述第一量子逻辑门作用于相邻的所述量子比特，从编码后的所述第一输入向量和第二输入向量中提取特征向量；
预测模块，用于基于所述特征向量确定预测多媒体数据。
10.一种存储介质，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8任一项中所述的方法。
11.一种电子装置，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8任一项中所述的方法。
CN202310024563.3A 2023-01-06 2023-01-06 一种基于量子循环神经网络的数据预测方法及相关设备 Pending CN116167407A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310024563.3A CN116167407A (zh) 2023-01-06 2023-01-06 一种基于量子循环神经网络的数据预测方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310024563.3A CN116167407A (zh) 2023-01-06 2023-01-06 一种基于量子循环神经网络的数据预测方法及相关设备

Publications (1)

Publication Number Publication Date
CN116167407A true CN116167407A (zh) 2023-05-26

Family

ID=86415847

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310024563.3A Pending CN116167407A (zh) 2023-01-06 2023-01-06 一种基于量子循环神经网络的数据预测方法及相关设备

Country Status (1)

Country Link
CN (1) CN116167407A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030055513A1 (en) * 2000-09-26 2003-03-20 Robert Raussendorf Method for quantum computing
US20180240033A1 (en) * 2015-08-04 2018-08-23 Oxford University Innovation Limited Quantum information processing system
CN111143563A (zh) * 2019-12-27 2020-05-12 电子科技大学 基于bert与lstm及cnn融合的文本分类方法
US20200169396A1 (en) * 2017-06-02 2020-05-28 Google Llc Quantum neural network
CN111553481A (zh) * 2020-04-30 2020-08-18 深圳市迪米欧科技有限公司 一种基于rnn的量子计算方法和装置
CN112712901A (zh) * 2021-01-14 2021-04-27 西京学院 基于语法量子长短时记忆模型及药物相互作用提取方法
KR20220047753A (ko) * 2020-10-09 2022-04-19 텐센트 테크놀로지(센젠) 컴퍼니 리미티드 큐비트 및 초전도 양자 칩의 주파수 제어 신호를 프로세싱하기 위한 방법
WO2022179533A1 (zh) * 2021-02-26 2022-09-01 合肥本源量子计算科技有限责任公司 一种量子卷积操作器
CN115221845A (zh) * 2022-08-05 2022-10-21 合肥本源量子计算科技有限责任公司 基于量子孪生网络的相似度评价方法及相关设备
CN115293353A (zh) * 2021-04-15 2022-11-04 合肥本源量子计算科技有限责任公司 量子计算机及其运行方法、可读存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030055513A1 (en) * 2000-09-26 2003-03-20 Robert Raussendorf Method for quantum computing
US20180240033A1 (en) * 2015-08-04 2018-08-23 Oxford University Innovation Limited Quantum information processing system
US20200169396A1 (en) * 2017-06-02 2020-05-28 Google Llc Quantum neural network
CN111143563A (zh) * 2019-12-27 2020-05-12 电子科技大学 基于bert与lstm及cnn融合的文本分类方法
CN111553481A (zh) * 2020-04-30 2020-08-18 深圳市迪米欧科技有限公司 一种基于rnn的量子计算方法和装置
KR20220047753A (ko) * 2020-10-09 2022-04-19 텐센트 테크놀로지(센젠) 컴퍼니 리미티드 큐비트 및 초전도 양자 칩의 주파수 제어 신호를 프로세싱하기 위한 방법
CN112712901A (zh) * 2021-01-14 2021-04-27 西京学院 基于语法量子长短时记忆模型及药物相互作用提取方法
WO2022179533A1 (zh) * 2021-02-26 2022-09-01 合肥本源量子计算科技有限责任公司 一种量子卷积操作器
CN115293353A (zh) * 2021-04-15 2022-11-04 合肥本源量子计算科技有限责任公司 量子计算机及其运行方法、可读存储介质
CN115221845A (zh) * 2022-08-05 2022-10-21 合肥本源量子计算科技有限责任公司 基于量子孪生网络的相似度评价方法及相关设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YUTO TAKAKI 等: "Learning temporal data with a variational quantum recurrent neural network", 《PHYSICAL REVIEW》, 13 May 2021 (2021-05-13), pages 1 - 8 *
ZIYI LI 等: "A Classification method for multi-class skin damage images combining quantum computing and Inception-ResNet-V1", 《FRONTIERS IN PHYSICS》, vol. 10, 3 November 2022 (2022-11-03), pages 1 - 11 *

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
CN114358319B (zh) 基于机器学习框架的分类方法及相关装置
CN114358216B (zh) 基于机器学习框架的量子聚类方法及相关装置
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
CN116187548A (zh) 一种光伏发电功率预测方法、装置、存储介质及电子装置
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
CN114819163A (zh) 量子生成对抗网络的训练方法、装置、介质及电子装置
CN116403657A (zh) 一种药物反应预测方法、装置、存储介质及电子装置
CN116011681A (zh) 一种气象数据预测方法、装置、存储介质及电子装置
CN114511094B (zh) 一种量子算法的优化方法、装置、存储介质与电子装置
CN115809707B (zh) 量子比较运算方法、装置、电子装置及基础算术组件
CN114764620B (zh) 一种量子卷积操作器
CN116167407A (zh) 一种基于量子循环神经网络的数据预测方法及相关设备
CN116431807B (zh) 一种文本分类方法、装置、存储介质及电子装置
CN114372584B (zh) 基于机器学习框架的迁移学习方法及相关装置
CN114372582B (zh) 基于机器学习框架的量子自动编码方法及相关装置
CN114764618B (zh) 一种针对线性***的量子预处理方法及装置
CN116402149B (zh) 一种量子线路优化方法、装置、存储介质及电子装置
CN114819171B (zh) 一种量子卷积操作的实现方法及装置
CN117744818A (zh) 基于量子傅里叶变换的常数加法器、运算方法及相关装置
CN116499466A (zh) 一种智能体导航方法、装置、存储介质及电子装置

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 230088 6th floor, E2 building, phase II, innovation industrial park, 2800 innovation Avenue, high tech Zone, Hefei City, Anhui Province

Applicant after: Benyuan Quantum Computing Technology (Hefei) Co.,Ltd.

Address before: 230088 6th floor, E2 building, phase II, innovation industrial park, 2800 innovation Avenue, high tech Zone, Hefei City, Anhui Province

Applicant before: ORIGIN QUANTUM COMPUTING COMPANY, LIMITED, HEFEI