量子计算机的AI芯片异常预测方法、装置和电子设备制造方法及图纸

本发明专利技术实施例提供了一种量子计算机的AI芯片异常预测方法、装置、电子设备及可读存储介质，所述AI芯片包括原子，所述方法包括：获取所述AI芯片的当前芯片温度；根据所述当前芯片温度预测所述AI芯片的原子的当前退火概率值；其中，所述当前退火概率值用于表征所述AI芯片的原子的原子自旋和原子位置的优劣，所述AI芯片的原子的原子自旋和原子位置的优劣反映了所述AI芯片的运算能力的高低；获取所述AI芯片的原子在自旋移动过程中发生异常时收集的历史异常数据；根据所述历史异常数据和所述当前退火概率值确定所述AI芯片的原子的异常类型。在本发明专利技术实施例中可以准确确定AI芯片的异常类型。类型。类型。

【技术实现步骤摘要】
量子计算机的AI芯片异常预测方法、装置和电子设备


[0001]本专利技术实施例涉及量子计算机
，特别是涉及一种量子计算机的AI芯片异常预测方法、一种量子计算机的AI芯片异常预测装置、一种电子设备以及一种计算机可读存储介质。

技术介绍

[0002]随着AI(Artificial Inteligence，人工智能)的热潮席卷各行各业，作为人工智能核心的AI芯片变得炙手可热，AI芯片是所有智能设备必不可少的核心器件，专门用于处理AI相关的计算任务。Al芯片领域不光是半导体芯片公司竞争的舞台，连互联网公司、云计算公司都纷纷发布推出AI芯片的计划。
[0003]由于传统计算机的运算能力较差，不能满足日益增长的运算需求，量子计算机应运而生。具体地，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。量子计算机的特点具有运算能力高以及应用范围较广等等。然而，量子计算机的AI芯片的运算能力会受到其运行环境的影响，当量子计算机的AI芯片处于健康状态时，运算能力较高，反之，当量子计算机的AI芯片处于异常状态时，运算能力较低，因此，如果能够准确确定量子计算机的AI芯片的异常类型，就可以根据异常类型来调整量子计算机的AI芯片的运行环境，从而保障量子计算机的AI芯片的运算能力。

技术实现思路

[0004]本专利技术实施例是提供一种量子计算机的AI芯片异常预测方法、装置、电子设备以及计算机可读存储介质，以解决无法准确确定量子计算机的AI芯片的异常类型，进而可以根据异常类型来调整量子计算机的AI芯片的运行环境，保障量子计算机的AI芯片的运算能力的问题。
[0005]本专利技术实施例公开了一种量子计算机的AI芯片异常预测方法，所述AI芯片包括原子，所述方法包括：
[0006]获取所述AI芯片的当前芯片温度；
[0007]根据所述当前芯片温度预测所述AI芯片的原子的当前退火概率值；其中，所述当前退火概率值用于表征所述AI芯片的原子的原子自旋和原子位置的优劣，所述AI芯片的原子的原子自旋和原子位置的优劣反映了所述AI芯片的运算能力的高低；
[0008]获取所述AI芯片的原子在自旋移动过程中发生异常时收集的历史异常数据；
[0009]根据所述历史异常数据和所述当前退火概率值确定所述AI芯片的原子的异常类型。
[0010]可选地，所述根据所述当前芯片温度预测所述AI芯片的原子的当前退火概率值，包括：
[0011]采用模拟退火差分模型根据所述当前芯片温度预测所述AI芯片的原子的当前退火概率值，其中，所述模拟退火差分模型为：
[0012]P(e，e
′
,T)＝exp(
‑
(e
′
‑
e)/T)
[0013]其中，所述e
′
是当前误差，所述e为历史误差，所述T为当前芯片温度。
[0014]可选地，所述历史异常数据包括所述原子的历史芯片温度，所述根据所述历史异常数据和所述当前退火概率值确定所述AI芯片的原子的异常类型，包括：
[0015]当所述历史异常数据中存在与所述AI芯片的原子的所述当前芯片温度匹配的历史芯片温度时，若所述当前退火概率值大于或等于预设阈值，则确定为造成所述AI芯片的异常类型为所述AI芯片的原子的原子位置异常，若所述当前退火概率值小于预设阈值，则确定为造成所述AI芯片的异常类型为所述AI芯片的原子的原子自旋异常。
[0016]可选地，在所述根据所述历史异常数据和所述当前退火概率值确定所述AI芯片的原子的异常类型之后，所述方法还包括：
[0017]获取训练样本数据；其中，所述训练样本数据至少包括当前退火概率值和所述当前退火概率值对应的异常类型；
[0018]采用所述历史异常数据对分类预测模型进行训练，得到训练完成的分类预测模型；
[0019]在预测所述AI芯片的异常类型时，将所述AI芯片的当前退火概率值输入到训练完成的分类预测模型中，得到所述AI芯片的异常类型。
[0020]可选地，所述AI芯片的原子的原子位置异常为所述量子计算机的硬件原因造成，所述AI芯片的原子的原子自旋异常为所述量子计算机所处的磁场原因造成；其中，所述硬件原因至少包括所述量子计算机长时间不关机，所述量子计算机的散热功能差。
[0021]本专利技术实施例还公开了一种量子计算机的AI芯片异常预测装置，所述AI芯片包括原子，所述装置包括：
[0022]当前芯片温度获取模块，用于获取所述AI芯片的当前芯片温度；
[0023]退火概率值预测模块，用于根据所述当前芯片温度预测所述AI芯片的原子的当前退火概率值；其中，所述当前退火概率值用于表征所述AI芯片的原子的原子自旋和原子位置的优劣，所述AI芯片的原子的原子自旋和原子位置的优劣反映了所述AI芯片的运算能力的高低；
[0024]历史异常数据获取模块，用于获取所述AI芯片的原子在自旋移动过程中发生异常时收集的历史异常数据；
[0025]异常类型确定模块，用于根据所述历史异常数据和所述当前退火概率值确定所述AI芯片的原子的异常类型。
[0026]可选地，所述退火概率值预测模块，具体用于：
[0027]采用模拟退火差分模型根据所述当前芯片温度预测所述AI芯片的原子的当前退火概率值，其中，所述模拟退火差分模型为：
[0028]P(e，e
′
,T)＝exp(
‑
(e
′
‑
e)/T)
[0029]其中，所述e
′
是当前误差，所述e为历史误差，所述T为当前芯片温度。
[0030]可选地，所述历史异常数据包括所述原子的历史芯片温度，所述异常类型确定模块，具体用于：
[0031]当所述历史异常数据中存在与所述AI芯片的原子的所述当前芯片温度匹配的历史芯片温度时，若所述当前退火概率值大于或等于预设阈值，则确定为造成所述AI芯片的
异常类型为所述AI芯片的原子的原子位置异常，若所述当前退火概率值小于预设阈值，则确定为造成所述AI芯片的异常类型为所述AI芯片的原子的原子自旋异常。
[0032]可选地，所述装置还包括：分类预测模型训练模块，用于：
[0033]获取训练样本数据；其中，所述训练样本数据至少包括当前退火概率值和所述当前退火概率值对应的异常类型；
[0034]采用所述历史异常数据对分类预测模型进行训练，得到训练完成的分类预测模型；
[0035]在预测所述AI芯片的异常类型时，将所述AI芯片的当前退火概率值输入到训练完成的分类预测模型中，得到所述AI芯片的异常类型。
[0036]可选地，所述AI芯片的原子的原子位置异常为所述量子计算机的硬件原因造成，所述AI芯片的原子的原子自旋异常为所述量子计算机所处的磁场原因造成；其中，所述硬件原因至少包括所述量子计算机长时间不关机，所述量子计算机的散热功能差。
[0037]本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种量子计算机的AI芯片异常预测方法，其特征在于，所述AI芯片包括原子，所述方法包括：获取所述AI芯片的当前芯片温度；根据所述当前芯片温度预测所述AI芯片的原子的当前退火概率值；其中，所述当前退火概率值用于表征所述AI芯片的原子的原子自旋和原子位置的优劣，所述AI芯片的原子的原子自旋和原子位置的优劣反映了所述AI芯片的运算能力的高低；获取所述AI芯片的原子在自旋移动过程中发生异常时收集的历史异常数据；根据所述历史异常数据和所述当前退火概率值确定所述AI芯片的原子的异常类型。2.根据权利要求1所述的方法，其特征在于，所述根据所述当前芯片温度预测所述AI芯片的原子的当前退火概率值，包括：采用模拟退火差分模型根据所述当前芯片温度预测所述AI芯片的原子的当前退火概率值，其中，所述模拟退火差分模型为：P(e，e
′
,T)＝exp(
‑
(e
′
‑
e)/T)其中，所述e
′
是当前误差，所述e为历史误差，所述T为当前芯片温度。3.根据权利要求1所述的方法，其特征在于，所述历史异常数据包括所述原子的历史芯片温度，所述根据所述历史异常数据和所述当前退火概率值确定所述AI芯片的原子的异常类型，包括：当所述历史异常数据中存在与所述AI芯片的原子的所述当前芯片温度匹配的历史芯片温度时，若所述当前退火概率值大于或等于预设阈值，则确定为造成所述AI芯片的异常类型为所述AI芯片的原子的原子位置异常，若所述当前退火概率值小于预设阈值，则确定为造成所述AI芯片的异常类型为所述AI芯片的原子的原子自旋异常。4.根据权利要求1所述的方法，其特征在于，在所述根据所述历史异常数据和所述当前退火概率值确定所述AI芯片的原子的异常类型之后，所述方法还包括：获取训练样本数据；其中，所述训练样本数据至少包括当前退火概率值和所述当前退火概率值对应的异常类型；采用所述历史异常数据对分类预测模型进行训练，得到训练完成的分类预测模型；在预测所述AI芯片的异常类型时，将所述AI芯片的当前退火概率值输入到训练完成的分类预测模型中，得到所述AI芯片的异常类型。5.根据权利要求2所述的方法，其特征在于，所述AI芯片的原子的原子位置异常为所述量子计算机的硬件原因造成，所述AI芯片的原子的原子自旋异常为所述量子计算...

【专利技术属性】
技术研发人员：谢利明，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：