JP7369810B2 - 量子ニューラルネットワークの訓練方法及び装置、電子機器並びに媒体 - Google Patents
量子ニューラルネットワークの訓練方法及び装置、電子機器並びに媒体 Download PDFInfo
- Publication number
- JP7369810B2 JP7369810B2 JP2022031755A JP2022031755A JP7369810B2 JP 7369810 B2 JP7369810 B2 JP 7369810B2 JP 2022031755 A JP2022031755 A JP 2022031755A JP 2022031755 A JP2022031755 A JP 2022031755A JP 7369810 B2 JP7369810 B2 JP 7369810B2
- Authority
- JP
- Japan
- Prior art keywords
- quantum
- neural network
- qubits
- state
- communication
- 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
- 238000013528 artificial neural network Methods 0.000 title claims description 208
- 238000012549 training Methods 0.000 title claims description 81
- 238000000034 method Methods 0.000 title claims description 70
- 230000006854 communication Effects 0.000 claims description 100
- 238000004891 communication Methods 0.000 claims description 98
- 239000002096 quantum dot Substances 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 30
- 230000002457 bidirectional effect Effects 0.000 claims description 28
- 238000005259 measurement Methods 0.000 claims description 28
- 230000005540 biological transmission Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 101000822695 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C1 Proteins 0.000 description 1
- 101000655262 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C2 Proteins 0.000 description 1
- 101000655256 Paraclostridium bifermentans Small, acid-soluble spore protein alpha Proteins 0.000 description 1
- 101000655264 Paraclostridium bifermentans Small, acid-soluble spore protein beta Proteins 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
- G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Optical Communication System (AREA)
Description
本開示の一態様によれば、量子通信の双方のそれぞれに対して、訓練すべき第1量子ニューラルネットワーク及び少なくとも2つの第2量子ニューラルネットワークを初期化し、伝送すべきキュービットに対応する量子状態訓練セットを取得し、前記第1量子ニューラルネットワークは量子通信用のキュービットを受信するように構成され、前記少なくとも2つの第2量子ニューラルネットワークの各々は前記第1量子ニューラルネットワークが出力する伝送すべきキュービットと同数のキュービットを受信するように構成されることと、量子通信の双方が共有するもつれ状態にある1つ又は複数のキュービットペアを設定することと、各量子状態組合せについて、前記各量子状態組合せはそれぞれ2組の前記訓練セットからの1つの量子状態を含むことと、前記量子状態組合せ中の量子状態及び前記もつれ状態にあるキュービットペア中のキュービットをそれぞれに対応する前記第1量子ニューラルネットワークに入力し、前記第1量子ニューラルネットワークが出力し且つ前記少なくとも2つの第2量子ニューラルネットワークの各々に入力しないキュービットを測定し、対応する量子状態を得ることと、相手方の前記測定結果に応じて、対応する第2量子ニューラルネットワークを選択的に実行し、双方の前記対応する第2量子ニューラルネットワークのそれぞれが出力するキュービットの量子状態を、前記量子通信を行った後に双方が交換して得た量子情報として取得することと、前記量子通信の双方のそれぞれが得た量子状態と前記量子状態組合せ中の対応する量子状態との間の誤差を計算することと、すべての前記量子状態組合せに対応する誤差に基づいて損失関数を計算することと、前記損失関数が最小値に達するように量子通信の双方のそれぞれの前記第1量子ニューラルネットワーク及び前記第2量子ニューラルネットワークのパラメータ値を調整して、訓練後の前記第1量子ニューラルネットワーク及び前記第2量子ニューラルネットワークを取得することと、を含む量子ニューラルネットワークの訓練方法を提供する。
図1は本開示の実施例に係る本明細書に記載される様々な方法及び装置を実施できる例示的なシステム100の模式図を示す。図1に示すように、該システム100は1つ又は複数のクライアント機器101、102、103、104、105及び106と、サーバ120と、1つ又は複数のクライアント機器をサーバ120に結合される1つ又は複数の通信ネットワーク110と、を含む。クライアント機器101、102、103、104、105及び106は1つ又は複数のアプリケーションプログラムを実行するように構成され得る。
1キュービット(qubit)の情報を伝送することを例として、量子通信の双方がそれぞれ送信側Alice及び受信側Bobであることを仮定する。図2に示すように、送信側と受信側の双方は情報を伝送する前に、一定のもつれを持つ1対のキュービットペアを共有し、A及びBと記す(複数のキュービット情報を伝送する必要がある場合、もつれリソースをその分増加させる必要がある)。最高の伝送忠実度を確保するために、もつれを持つこのキュービットペアABは一般にベル状態Φ+(Bell state)として準備される。Aliceが伝送すべき情報はもう1つのキュービットCに記憶される。このようなタスクでは、通信の双方は通常、2つの場所に分散しているため、許可される物理的操作はAliceとBobのそれぞれのローカル量子操作及び古典的通信(LOCC、local operations and classical communication)である。ここで、量子操作は通常、キュービットに作用する量子ゲート及び量子測定を指すが、ローカル量子操作はAliceとBobがそれぞれの実験室におけるキュービットのみに対して量子操作を行うことができることを表し、古典的通信は通常、2人が量子測定から得られた結果を交換することに用いられる。
いくつかの例では、AliceとBobはまず、ローカルでパラメータ調整可能ないくつかの量子ニューラルネットワークを準備し、それぞれAliceとBobのローカルで1組の量子状態{ρi}i=1…nと{σj}j=1…mを訓練セットとして定義する。訓練セット中の量子状態は量子通信プロセスで相互に伝送されようとする量子状態とされる。定義された訓練セット中の量子状態のキュービットの数は引用すべき量子通信プロセスで伝送されようとするキュービット数に適応し、即ち、Aliceは実際に2ビットの量子状態をBobに伝送する必要がある場合、AliceとBobが準備したパラメータ調整可能な量子ニューラルネットワークを訓練する際に、Aliceのローカルで1組の量子状態{ρi}i=1…nを定義し、訓練セット中の各量子状態ρiはいずれも2ビットの量子状態であり、Bobは同様であり、ここでは詳細な説明を省略する。
(2)AliceとBobはそれぞれの訓練セットから1つの量子ρi、σjをそれぞれ選択し、A2及びB2キュービットをそれぞれρi、σj状態に準備する。
(4)AliceとBobはそれぞれのローカルのキュービットA2、B2をそれぞれ測定し、測定結果を古典的通信によって相手方に通知する。該測定は単一キュービットでの01測定であるため、可能な測定結果は0又は1の2つだけである。
(8)量子ニューラルネットワーク中のパラメータθkに対する損失関数Lの勾配
最終的に損失関数が最も小さくなった場合、パラメータが訓練されて得られたθである上記回路テンプレートを利用して、AliceとBobがそれぞれ入力した任意の量子状態を相手方に可能な限り正確に伝送することを意味する。
上記選択された訓練セットは単一ビットの1組の線形独立基底であり、いずれかの量子状態ρ(σ)は、この1組の基底の線形組合せとして記述できる。つまり、この1組の訓練セット上での損失関数が0である場合、該プロトコルは任意の状態の双方向伝送を行うことができる。勿論、ほかの線形独立状態を訓練セットとして選択し、又はほかの状態を訓練セットとするようにしてもよく、同様の効果を奏することができる。具体的には、シミュレーション結果は図7に示すように、損失関数Lが訓練によって0に達し、即ち、全体的には双方向量子テレポーテーションのタスクが完了することが分かる。
本開示の実施例によれば、量子ニューラルネットワークの訓練装置1000をさらに提供し、図10に示すように、量子通信の双方のそれぞれに対して、訓練すべき第1量子ニューラルネットワーク及び少なくとも2つの第2量子ニューラルネットワークを初期化し、伝送すべきキュービットに対応する量子状態訓練セットを取得するように構成され、前記第1量子ニューラルネットワークは量子通信用のキュービットを受信するように構成され、前記少なくとも2つの第2量子ニューラルネットワークの各々は前記第1量子ニューラルネットワークが出力する伝送すべきキュービットと同数のキュービットを受信するように構成される初期化ユニット1010と、前記量子通信用の1つ又は複数のキュービットをもつれ状態に準備するように構成されるもつれ状態割り当てユニット1020と、各量子状態組合せについて、前記各量子状態組合せはそれぞれ2組の前記訓練セットからの1つの量子状態を含み、前記量子状態組合せ中の量子状態及び前記もつれ状態にあるキュービットペア中のキュービットをそれぞれに対応する前記第1量子ニューラルネットワークに入力し、前記第1量子ニューラルネットワークが出力し且つ前記少なくとも2つの第2量子ニューラルネットワークの各々に入力しないキュービットを測定して、対応する量子状態を得て、相手方の前記測定結果に応じて、対応する第2量子ニューラルネットワークを選択的に実行して、双方の前記対応する第2量子ニューラルネットワークのそれぞれが出力するキュービットの量子状態を、前記量子通信を行った後に双方が交換して得た量子情報として取得し、前記量子通信の双方のそれぞれが得た量子状態と前記量子状態組合せ中の対応する量子状態との間の誤差を計算するように構成される通信ユニット1030と、すべての前記量子状態組合せに対応する誤差に基づいて損失関数を計算するように構成される計算ユニット1040と、前記損失関数が最小値に達するように量子通信の双方のそれぞれの前記第1量子ニューラルネットワーク及び前記第2量子ニューラルネットワークのパラメータ値を調整して、訓練後の前記第1量子ニューラルネットワーク及び前記第2量子ニューラルネットワークを取得するように構成される訓練ユニット1050と、を含む。
本開示の実施例によれば、双方向量子テレポーテーション装置1100をさらに提供し、図11に示すように、前記量子通信の双方の1つ又は複数のキュービットをもつれ状態に準備するように構成されるもつれ状態割り当てユニット1110と、量子通信の双方のそれぞれに対して、量子通信用のキュービットを第1量子ニューラルネットワークに入力し、前記第1量子ニューラルネットワークが出力する伝送すべきキュービットと同数のキュービットを第2量子ニューラルネットワークに入力するように構成される第1伝送ユニット1120と、前記第1量子ニューラルネットワークが出力し且つ前記第2量子ニューラルネットワークに入力しないキュービットを測定して、対応する量子状態を得るように構成される測定ユニット1130と、相手方の前記測定結果に応じて、対応する第2量子ニューラルネットワークを選択的に実行して、双方の前記対応する第2量子ニューラルネットワークのそれぞれが出力するキュービットの量子状態を、前記量子通信を行った後に双方が交換して得た量子情報として取得するように構成される第2伝送ユニット1140と、を含む。前記量子通信の双方の前記第1量子ニューラルネットワーク及び前記第2量子ニューラルネットワークは上記いずれか一項に記載の訓練方法によって取得される。
図12を参照して本開示のサーバ又はクライアントとされ得る電子機器1200の構成ブロック図を説明し、本開示の各態様に適用され得るハードウェア機器の例である。電子機器は、たとえば、ラップトップコンピュータ、デスクトップコンピュータ、ワークステーション、パーソナルデジタルアシスタント、サーバ、ブレードサーバ、メインフレームコンピュータ、及びその他の適切なコンピュータなど様々な形式のデジタル電子コンピュータ機器を表すことを目的としている。電子機器は、たとえば、パーソナルデジタルアシスタント、セルラ電話、スマートフォン、ウェアラブルデバイス及びその他の類似した計算装置など様々な形式のモバイルデバイスを表すこともできる。本明細書に示されているコンポーネント、それらの接続と関係、及びそれらの機能はあくまでも例とされるものであり、本明細書で説明及び/又は要求される本開示の実現を制限することを意図したものではない。
Claims (14)
- 量子ニューラルネットワークの訓練方法であって、
量子通信の双方のそれぞれに対して、訓練すべき第1量子ニューラルネットワーク及び少なくとも2つの第2量子ニューラルネットワークを初期化し、伝送すべきキュービットに対応する量子状態訓練セットを取得し、前記第1量子ニューラルネットワークは量子通信用のキュービットを受信するように構成され、前記少なくとも2つの第2量子ニューラルネットワークの各々は前記第1量子ニューラルネットワークが出力する伝送すべきキュービットと同数のキュービットを受信するように構成されることと、
量子通信の双方が共有するもつれ状態にある1つ又は複数のキュービットペアを設定することと、
各量子状態組合せについて、前記各量子状態組合せはそれぞれ2組の前記訓練セットからの1つの量子状態を含むことと、
前記量子状態組合せ中の量子状態及び前記もつれ状態にあるキュービットペア中のキュービットをそれぞれに対応する前記第1量子ニューラルネットワークに入力し、前記第1量子ニューラルネットワークが出力し且つ前記少なくとも2つの第2量子ニューラルネットワークの各々に入力しないキュービットを測定して、対応する量子状態を得ることと、
相手方の前記測定結果に応じて、対応する第2量子ニューラルネットワークを選択的に実行して、双方の前記対応する第2量子ニューラルネットワークのそれぞれが出力するキュービットの量子状態を、前記量子通信を行った後に双方が交換して得た量子情報として取得することと、
前記量子通信の双方のそれぞれが得た量子状態と前記量子状態組合せ中の対応する量子状態との間の誤差を計算することと、
すべての前記量子状態組合せに対応する誤差に基づいて損失関数を計算することと、
前記損失関数が最小値に達するように量子通信の双方のそれぞれの前記第1量子ニューラルネットワーク及び前記第2量子ニューラルネットワークのパラメータ値を調整して、訓練後の前記第1量子ニューラルネットワーク及び前記第2量子ニューラルネットワークを取得することと、を含む量子ニューラルネットワークの訓練方法。 - 量子通信の双方のそれぞれに対して、
前記もつれ状態にあるキュービットペアの数が伝送すべきキュービットの数よりも小さいことに応答して、前記少なくとも2つの第2量子ニューラルネットワークの各々は、前記第1量子ニューラルネットワークが出力する、前記設定されるもつれ状態にあるキュービット及び1つ又は複数の前記伝送すべきキュービットに対応するキュービットを受信するよう構成される請求項1に記載の方法。 - 量子通信の双方のそれぞれに対して、
前記もつれ状態にあるキュービットペアの数が伝送すべきキュービットの数以上であることに応答して、前記少なくとも2つの第2量子ニューラルネットワークの各々は、前記第1量子ニューラルネットワークが出力する、もつれ状態にあるキュービットに対応するキュービットを受信するよう構成される請求項1に記載の方法。 - 以下の式に基づいて前記損失関数を計算する請求項1に記載の方法。
- 最適化方法によって前記第1量子ニューラルネットワーク及び前記第2量子ニューラルネットワークのパラメータ値を調整する請求項1に記載の方法。
- 双方向量子テレポーテーション方法であって、
量子通信の双方が共有するもつれ状態にある1つ又は複数のキュービットペアを設定することと、
量子通信の双方のそれぞれに対して、量子通信用のキュービットを第1量子ニューラルネットワークに入力し、前記第1量子ニューラルネットワークが出力する伝送すべきキュービットと同数のキュービットを第2量子ニューラルネットワークに入力することと、
前記第1量子ニューラルネットワークが出力し且つ前記第2量子ニューラルネットワークに入力しないキュービットを測定して、対応する量子状態を得ることと、
相手方の前記測定結果に応じて、対応する第2量子ニューラルネットワークを選択的に実行して、双方の前記対応する第2量子ニューラルネットワークのそれぞれが出力するキュービットの量子状態を、前記量子通信を行った後に双方が交換して得た量子情報として取得することと、を含み、
前記量子通信の双方の前記第1量子ニューラルネットワーク及び前記第2量子ニューラルネットワークは請求項1~5のいずれか一項に記載の方法によって取得される双方向量子テレポーテーション方法。 - 量子ニューラルネットワークの訓練装置であって、
量子通信の双方のそれぞれに対して、訓練すべき第1量子ニューラルネットワーク及び少なくとも2つの第2量子ニューラルネットワークを初期化し、伝送すべきキュービットに対応する量子状態訓練セットを取得するように構成され、前記第1量子ニューラルネットワークは量子通信用のキュービットを受信するように構成され、前記少なくとも2つの第2量子ニューラルネットワークの各々は前記第1量子ニューラルネットワークが出力する伝送すべきキュービットと同数のキュービットを受信するように構成される初期化ユニットと、
量子通信の双方が共有するもつれ状態にある1つ又は複数のキュービットペアを設定するように構成されるもつれ状態割り当てユニットと、
各量子状態組合せについて、前記各量子状態組合せはそれぞれ2組の前記訓練セットからの1つの量子状態を含み、
前記量子状態組合せ中の量子状態及び前記もつれ状態にあるキュービットペア中のキュービットをそれぞれに対応する前記第1量子ニューラルネットワークに入力し、前記第1量子ニューラルネットワークが出力し且つ前記少なくとも2つの第2量子ニューラルネットワークの各々に入力しないキュービットを測定して、対応する量子状態を得て、
相手方の前記測定結果に応じて、対応する第2量子ニューラルネットワークを選択的に実行して、双方の前記対応する第2量子ニューラルネットワークのそれぞれが出力するキュービットの量子状態を、前記量子通信を行った後に双方が交換して得た量子情報として取得し、
前記量子通信の双方のそれぞれが得た量子状態と前記量子状態組合せ中の対応する量子状態との間の誤差を計算するように構成される通信ユニットと、
すべての前記量子状態組合せに対応する誤差に基づいて損失関数を計算するように構成される計算ユニットと、
前記損失関数が最小値に達するように量子通信の双方のそれぞれの前記第1量子ニューラルネットワーク及び前記第2量子ニューラルネットワークのパラメータ値を調整して、訓練後の前記第1量子ニューラルネットワーク及び前記第2量子ニューラルネットワークを取得するように構成される訓練ユニットと、を含む量子ニューラルネットワークの訓練装置。 - 双方向量子テレポーテーション装置であって、
量子通信の双方が共有するもつれ状態にある1つ又は複数のキュービットペアを設定するように構成されるもつれ状態割り当てユニットと、
前記量子通信の双方のそれぞれに対して、量子通信用のキュービットを第1量子ニューラルネットワークに入力し、前記第1量子ニューラルネットワークが出力する伝送すべきキュービットと同数のキュービットを第2量子ニューラルネットワークに入力するように構成される第1伝送ユニットと、
前記第1量子ニューラルネットワークが出力し且つ前記第2量子ニューラルネットワークに入力しないキュービットを測定して、対応する量子状態を得るように構成される測定ユニットと、
相手方の前記測定結果に応じて、対応する第2量子ニューラルネットワークを選択的に実行して、双方の前記対応する第2量子ニューラルネットワークのそれぞれが出力するキュービットの量子状態を、前記量子通信を行った後に双方が交換して得た量子情報として取得するように構成される第2伝送ユニットと、を含み、
前記量子通信の双方の前記第1量子ニューラルネットワーク及び前記第2量子ニューラルネットワークは請求項1~5のいずれか一項に記載の方法によって取得される双方向量子テレポーテーション装置。 - 電子機器であって、
少なくとも1つのプロセッサと、
前記少なくとも1つのプロセッサと通信接続されるメモリと、を含み、
前記メモリには前記少なくとも1つのプロセッサによって実行可能な命令が記憶されており、前記命令が前記少なくとも1つのプロセッサによって実行されることで、前記少なくとも1つのプロセッサが請求項1~5のいずれか一項に記載の方法を実行可能となる電子機器。 - コンピュータに請求項1~5のいずれか一項に記載の方法を実行させるためのコンピュータ命令が記憶される非一時的なコンピュータ可読記憶媒体。
- プロセッサによって実行されると請求項1~5のいずれか一項に記載の方法を実現するコンピュータプログラム。
- 電子機器であって、
少なくとも1つのプロセッサと、
前記少なくとも1つのプロセッサと通信接続されるメモリと、を含み、
前記メモリには前記少なくとも1つのプロセッサによって実行可能な命令が記憶されており、前記命令が前記少なくとも1つのプロセッサによって実行されることで、前記少なくとも1つのプロセッサが請求項6に記載の方法を実行可能となる電子機器。 - コンピュータに請求項6に記載の方法を実行させるコンピュータ命令が記憶される非一時的なコンピュータ可読記憶媒体。
- プロセッサによって実行されると請求項6に記載の方法を実現するコンピュータプログラム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110432127.0 | 2021-04-21 | ||
CN202110432127.0A CN113033703B (zh) | 2021-04-21 | 2021-04-21 | 量子神经网络训练方法及装置、电子设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022071108A JP2022071108A (ja) | 2022-05-13 |
JP7369810B2 true JP7369810B2 (ja) | 2023-10-26 |
Family
ID=76457987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022031755A Active JP7369810B2 (ja) | 2021-04-21 | 2022-03-02 | 量子ニューラルネットワークの訓練方法及び装置、電子機器並びに媒体 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220222507A1 (ja) |
JP (1) | JP7369810B2 (ja) |
CN (1) | CN113033703B (ja) |
AU (1) | AU2022202647C1 (ja) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723612B (zh) * | 2021-08-31 | 2022-06-28 | 北京百度网讯科技有限公司 | 对单向量子计算机计算模型的量子***进行操作的方法及装置 |
CN114021728B (zh) * | 2021-11-04 | 2023-02-03 | 北京百度网讯科技有限公司 | 量子数据测量方法及***、电子设备和介质 |
CN114065939B (zh) * | 2021-11-22 | 2022-10-11 | 北京百度网讯科技有限公司 | 量子芯片设计模型的训练方法、装置、设备及存储介质 |
CN114490047B (zh) * | 2022-01-12 | 2022-09-09 | 北京科技大学 | 一种核燃料裂变气体团簇动力学模拟的异构数据传输方法 |
CN114446414B (zh) * | 2022-01-24 | 2023-05-23 | 电子科技大学 | 基于量子循环神经网络的逆向合成分析方法 |
CN114358258B (zh) * | 2022-03-17 | 2022-07-12 | 苏州浪潮智能科技有限公司 | 一种量子神经网络训练方法和装置 |
CN115456189B (zh) * | 2022-08-18 | 2024-07-23 | 北京百度网讯科技有限公司 | 量子模拟方法、装置、设备及存储介质 |
CN115630690B (zh) * | 2022-12-21 | 2023-04-18 | 量子科技长三角产业创新中心 | 一种用于量子神经网络结构优化的抽样方法及相关装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020522805A (ja) | 2017-06-02 | 2020-07-30 | グーグル エルエルシー | 量子ニューラルネットワーク |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2514134B (en) * | 2013-05-14 | 2016-05-25 | Toshiba Res Europe Ltd | A signal manipulator for a quantum communication system |
WO2015048783A1 (en) * | 2013-09-30 | 2015-04-02 | Nordholt, Jane, E. | Quantum-secured communications overlay for optical fiber communications networks |
CA2983880A1 (en) * | 2015-05-05 | 2016-11-10 | Kyndi, Inc. | Quanton representation for emulating quantum-like computation on classical processors |
CN109067518B (zh) * | 2018-06-28 | 2021-09-28 | 南京邮电大学 | 一种基于即插即用mdi-qkd的量子网络***及方法 |
US11676056B2 (en) * | 2018-09-11 | 2023-06-13 | International Business Machines Corporation | Calculating excited state properties of a molecular system using a hybrid classical-quantum computing system |
CN109450626A (zh) * | 2018-12-03 | 2019-03-08 | 三峡大学 | 一种基于氢原子的混合量子通信方法 |
CN109379187A (zh) * | 2018-12-03 | 2019-02-22 | 三峡大学 | 一种基于氢原子的完全量子通信方法 |
US20200342293A1 (en) * | 2019-04-23 | 2020-10-29 | International Business Machines Corporation | Quantum computational method and device |
CN110190959B (zh) * | 2019-06-28 | 2021-05-07 | 中南大学 | 基于连续变量量子神经网络的加解密方法 |
CN110224763B (zh) * | 2019-06-28 | 2022-02-15 | 中南大学 | 基于哈密尔顿学习的新型量子态转移方法 |
CN110830255B (zh) * | 2020-01-10 | 2020-04-14 | 成都信息工程大学 | 双向用户认证与秘密信息量子通信传递方法 |
CN111510289B (zh) * | 2020-04-14 | 2021-12-03 | 苏州大学 | 基于Brown态和网络编码的双向单比特态制备方法 |
CN112016691B (zh) * | 2020-08-14 | 2024-02-23 | 本源量子计算科技(合肥)股份有限公司 | 一种量子线路的构建方法及装置 |
CN112529197A (zh) * | 2020-12-22 | 2021-03-19 | 北京百度网讯科技有限公司 | 量子态保真度确定方法、装置、设备和存储介质 |
CN112529198B (zh) * | 2020-12-23 | 2021-10-01 | 北京百度网讯科技有限公司 | 量子纠缠态的处理方法、装置、设备、存储介质及产品 |
CN112529201B (zh) * | 2020-12-23 | 2021-09-07 | 北京百度网讯科技有限公司 | 纠缠量子态转换方法、装置、设备、存储介质及产品 |
CN112613571A (zh) * | 2020-12-29 | 2021-04-06 | 华东计算技术研究所(中国电子科技集团公司第三十二研究所) | 一种用于图像识别的量子神经网络方法、***及介质 |
-
2021
- 2021-04-21 CN CN202110432127.0A patent/CN113033703B/zh active Active
-
2022
- 2022-03-02 JP JP2022031755A patent/JP7369810B2/ja active Active
- 2022-04-04 US US17/712,640 patent/US20220222507A1/en not_active Abandoned
- 2022-04-21 AU AU2022202647A patent/AU2022202647C1/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020522805A (ja) | 2017-06-02 | 2020-07-30 | グーグル エルエルシー | 量子ニューラルネットワーク |
Non-Patent Citations (4)
Title |
---|
Xuanqiang Zhao et al.,LOCCNet: a machine learning framework for distributed quantum information processing,arXiv,arXiv: 2101.12190v1,2021年01月,<URL: https://arxiv.org/abs/2101.12190v1> |
古澤 明,解説 量子テレポーテーションネットワーク,応用物理,第75巻、第11号,社団法人応用物理学会,2006年11月10日,pp. 1324-1327,ISSN: 0369-8009 |
松井 伸之,量子ニューロコンピューティング,システム/制御/情報,日本,システム制御情報学会,2008年05月15日,第52巻、第5号,pp. 169-174 |
谷 誠一郎,量子分散コンピューティング,電子情報通信学会論文誌,日本,社団法人電子情報通信学会,2007年05月01日,第J90-A巻、第5号,pp. 393-402,ISSN: 0913-5707 |
Also Published As
Publication number | Publication date |
---|---|
CN113033703A (zh) | 2021-06-25 |
JP2022071108A (ja) | 2022-05-13 |
AU2022202647B2 (en) | 2023-08-31 |
US20220222507A1 (en) | 2022-07-14 |
CN113033703B (zh) | 2021-10-26 |
AU2022202647A1 (en) | 2022-11-10 |
AU2022202647C1 (en) | 2024-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7369810B2 (ja) | 量子ニューラルネットワークの訓練方法及び装置、電子機器並びに媒体 | |
JP7087079B2 (ja) | 深層学習アプリケーションのための堅牢な勾配重み圧縮方式 | |
WO2022022274A1 (zh) | 一种模型训练方法及装置 | |
JP2021192291A (ja) | 量子もつれ状態処理方法、装置、電子デバイス、記憶媒体、及びプログラム | |
JP7405933B2 (ja) | 量子チャンネルクラシック容量の推定方法及び装置、電子機器と媒体 | |
WO2022141968A1 (zh) | 对象推荐方法及装置、计算机设备和介质 | |
WO2020109891A1 (en) | Decentralized distributed deep learning | |
CN113011593A (zh) | 消除量子测量噪声的方法及***、电子设备和介质 | |
CN114091672B (zh) | 分布式模型推理方法及装置、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 | |
EP4170498A2 (en) | Federated learning method and apparatus, device and medium | |
JP2022068327A (ja) | ノードグループ化方法、装置及び電子機器 | |
WO2023231350A1 (zh) | 利用整数规划求解器实现的任务处理方法、设备和介质 | |
US20230153612A1 (en) | Pruning complex deep learning models based on parent pruning information | |
AU2021271202B2 (en) | Matrix sketching using analog crossbar architectures | |
CN114095564A (zh) | 数据处理方法及装置、设备和介质 | |
CN115941059B (zh) | 量子通信实现方法及装置、电子设备和介质 | |
US20240020565A1 (en) | Quantum circuit for estimating matrix spectral sums | |
US11861490B1 (en) | Decoupled machine learning training | |
US20240020564A1 (en) | Quantum circuits for matrix trace estimation | |
CN117648987A (zh) | 量子依赖关系图构建方法及装置、电子设备和介质 | |
KR20240077474A (ko) | 데이터 전송 방법, 장치, 기기 및 매체 | |
CN116032425A (zh) | 量子信道经典容量的估计方法及装置、电子设备和介质 | |
CN118363753A (zh) | 应用于分布式***的数据处理方法及装置、设备和介质 | |
CN117369768A (zh) | 由运算装置执行的运算方法及装置、设备和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220302 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230228 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230329 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230627 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231006 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231016 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7369810 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |