本公开提供了一种量子神经网络训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品，涉及计算机领域，尤其涉及量子计算机技术领域。实现方案为：确定L+1个参数化量子电路和L个数据编码电路；获取包括自变量数据以及因变量数据的多个训练数据对；对于训练数据对中的每一个：将参数化量子电路和数据编码电路交替串联以构成量子神经网络，数据编码电路分别对该训练数据对中的自变量数据进行编码；以及将所述量子神经网络从初始量子态开始运行，对所获得的量子态进行测量以获得测量结果；根据所有训练数据对所对应的测量结果以及相对应的因变量数据，计算损失函数；以及调节参数化量子电路和数据编码电路的待训练参数，以最小化损失函数。以最小化损失函数。以最小化损失函数。
【技术实现步骤摘要】
量子神经网络训练方法及装置、电子设备和介质
[0001]本公开涉及计算机领域，尤其涉及量子计算机
，具体涉及一种量子神经网络训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
技术介绍
[0002]日常生产生活中很多问题都属于函数模拟的问题，比如股票走势预测、天气预报等。随着人工智能技术的发展，深度神经网络(Deep Neural Network，DNN)被广泛地应用于解决上述问题。然而DNN模型需要的参数很多，对于大型的DNN参数量常常数以亿计，另外模型的超参数也很难调节，训练时很容易过拟合。
[0003]随着量子计算领域的飞速的发展，近期的量子计算设备已经可以支持一些浅层量子电路的实验。因此，如何利用量子计算设备解决上述问题成为关键。
技术实现思路
[0004]本公开提供了一种量子神经网络训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
[0005]根据本公开的一方面，提供了一种量子神经网络训练方法，包括：确定L+1个参数化量子电路以及L个数据编码电路，所述参数化量子电路和数据编码电路均包括相应的待训练参数，其中L为正整数；获取多个训练数据对，每个所述训练数据对包括自变量数据以及与所述自变量数据相关的因变量数据，其中所述自变量数据包括一个或多个数据值；对于所述训练数据对中的每一个，执行以下操作：将所述L+1个参数化量子电路以及L个数据编码电路交替串联以构成量子神经网络，并使得所述量子神经网络中的每一个数据编码电路分别对该训练数据对中的自变量数据进行编码；以及将所述量子神经网络从初始量子态开始运行，并通过测量方法对所获得的量子态进行测量以获得测量结果；根据所有所述训练数据对所对应的测量结果以及相对应的因变量数据，计算损失函数；以及调节所述L+1个参数化量子电路以及所述L个数据编码电路的待训练参数，以最小化所述损失函数。
[0006]根据本公开的另一方面，提供了一种量子神经网络训练系统，包括：量子计算机，被配置为：确定L+1个参数化量子电路以及L个数据编码电路，所述参数化量子电路和数据编码电路均包括相应的待训练参数，其中L为正整数；对于多个训练数据对中的每一个执行以下操作，其中，每个所述训练数据对包括自变量数据以及与所述自变量数据相关的因变量数据，其中所述自变量数据包括一个或多个数据值：将所述L+1个参数化量子电路以及L个数据编码电路交替串联以构成量子神经网络，并使得所述量子神经网络中的每一个数据编码电路分别对该训练数据对中的自变量数据进行编码；以及将所述量子神经网络从初始量子态开始运行，并通过测量方法对所获得的量子态进行测量以获得测量结果；经典计算机，配置为：根据所有所述训练数据对所对应的测量结果以及相对应的因变量数据，计算损失函数；以及调节所述L+1个参数化量子电路以及所述L个数据编码电路的待训练参数，以最小化所述损失函数。
[0007]根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器能够执行本公开所述的方法。
[0008]根据本公开的另一方面，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，该计算机指令用于使计算机执行本公开所述的方法。
[0009]根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现本公开所述的方法。
[0010]根据本公开的一个或多个实施例，不仅充分利用了量子计算机的计算优势，还引入了可训练的数据编码方式，它将经典数据映射到量子态时引入了一组可训练的参数，而不需要特别考虑如何设计数据编码电路；可灵活地扩展到多比特的情况，以方便地进行多元函数的模拟。
[0011]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
[0012]附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
[0013]图1示出了根据本公开的实施例的量子神经网络训练方法的流程图；
[0014]图2示出了根据本公开的实施例的图1中的基于测量结果计算损失函数的流程图；
[0015]图3示出了根据本公开的实施例的一个示例性应用中待训练的量子神经网络的示意图；
[0016]图4示出了根据本公开的实施例的另一个示例性应用中待训练的量子神经网络的示意图；
[0017]图5示出了基于图4所示的应用所获得的模拟结果的对比示意图；
[0018]图6示出了根据本公开的实施例的量子神经网络训练系统的结构框图；以及
[0019]图7示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
[0020]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。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。
[0021]在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
[0022]在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该
要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
[0023]下面将结合附图详细描述本公开的实施例。
[0024]迄今为止，正在应用中的各种不同类型的计算机都是以经典物理学为信息处理的理论基础，称为传统计算机或经典计算机。经典信息系统采用物理上最容易实现的二进制数据位存储数据或程序，每一个二进制数据位由0或1表示，称为一个位或比特，作为最小的信息单元。经典计算机本身存在着不可避免的弱点：一是计算过程能耗的最基本限制。逻辑元件或存储单元所需的最低能量应在kT的几倍以上，以避免在热胀落下的误动作；二是信息熵与发热能耗；三是计算机芯片的布线密度很大时，根据海森堡不确定性关系，电子位置的不确定量很小时，动量的不确定量就会很大。电子不再被束缚，会有量子干涉效应，这种效应甚至会破坏芯片的性能。
[0025]量子计算机(quantum computer)是一类遵循量子力学性质、规律进行本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种量子神经网络训练方法，包括：确定L+1个参数化量子电路以及L个数据编码电路，所述参数化量子电路和数据编码电路均包括相应的待训练参数，其中L为正整数；获取多个训练数据对，每个所述训练数据对包括自变量数据以及与所述自变量数据相关的因变量数据，其中所述自变量数据包括一个或多个数据值；对于所述训练数据对中的每一个，执行以下操作：将所述L+1个参数化量子电路以及L个数据编码电路交替串联以构成量子神经网络，并使得所述量子神经网络中的每一个数据编码电路分别对该训练数据对中的自变量数据进行编码；以及将所述量子神经网络从初始量子态开始运行，并通过测量方法对所获得的量子态进行测量以获得测量结果；根据所有所述训练数据对所对应的测量结果以及相对应的因变量数据，计算损失函数；以及调节所述L+1个参数化量子电路以及所述L个数据编码电路的待训练参数，以最小化所述损失函数。2.如权利要求1所述的方法，其中，根据所有所述训练数据对所对应的测量结果以及相对应的因变量数据计算损失函数包括：确定所述测量方法所对应的测量结果的第一取值区间以及所确定的所述因变量数据的第二取值区间；响应于确定所述第二取值区间与所述第一取值区间不相同，通过数据变换将所述测量结果的取值区间变换为所述第二取值区间；以及根据所有所述训练数据变换后的测量结果以及相对应的因变量数据，计算损失函数。3.如权利要求1或2所述的方法，其中，所述测量方法包括以下项中的至少一项：泡利X测量、泡利Y测量和泡利Z测量。4.如权利要求1所述的方法，其中，基于梯度下降法调节所述L+1个参数化量子电路以及所述L个数据编码电路的待训练参数。5.一种量子神经网络训练系统，包括：量子计算机，被配置为：确定L+1个参数化量子电路以及L个数据编码电路，所述参数化量子电路和数据编码电路均包括相应的待训练参数，其中L为正整数；对于多个训练数据对中的每一个执行以下操作，其中，每个所述训练数据对包括自变量数据以及与所述自变量数据相关的因变...
【专利技术属性】
技术研发人员：王鑫，幺宏顺，于思拙，赵炫强，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。