【技术实现步骤摘要】
本专利技术属于量子计算，特别是一种神经网络传输路径参数值的确定方法及装置。
技术介绍
1、量子力学的原理表明对封闭量子系统施加的量子逻辑门是酉操作，这种酉操作是线性的，即量子系统的状态演化是线性的。量子机器学习是量子计算和机器学习的结合，是诸多大数据运算场景的关键性技术，具有广泛的应用空间，机器学习用的神经网络模型中，激活函数是用来加入非线性因素的，提高神经网络对模型的表达能力，解决线性模型所不能解决的问题，具体的，激活函数是神经网络中一个节点，来连接至少两个下一层节点，用于决定上一层节点到下一层节点的传输路径。量子机器学习算法使用的激活函数很多都是这些激活函数通常是非线性的，但因为无法使用量子计算机实现非线性函数，限制了量子机器学习技术的发展。
2、由于现代社会诸多大数据运算需求的激增，急需发展和攻克量子机器学习技术，因此为了充分发挥量子计算机在机器学习领域的作用，亟待利用量子计算实现非线性激活函数的处理。
技术实现思路
1、本专利技术的目的是提供一种神经网络传输路径参数值的确定方法及装置，旨在利用量子计算实现非线性激活函数的处理，进而实现将神经网络模型中的激活函数的处理嵌入到量子机器学习框架中的效果。
2、本专利技术的一个实施例提供了一种神经网络传输路径参数值的确定方法，方法包括：
3、获取神经网络中的非线性激活函数作为神经网络传输路径参数；
4、将非线性激活函数作为目标非线性函数，对目标非线性函数进行分段，并确定每一段的样条函数
5、利用训练好的变分量子线性求解器输出量子态表示的对应样条函数值的最优样条函数权重值；采用量子态制备量子线路制备量子态表示的计算点，其中所述计算点为所述非线性激活函数定义域中的任意点；
6、根据量子态表示的计算点与量子态表示的最优样条函数权重值确定神经网络传输路径参数值。
7、可选地，所述变分量子线性求解器利用目标函数值和所有样条函数值组成的系数矩阵训练，所述目标函数值为每一段目标点处的函数值；或所述变分量子线性求解器利用样条函数权重值的初始值和量子点积操作得到。
8、可选地，利用目标函数值和所有样条函数值组成的系数矩阵训练变分量子线性求解器，包括：
9、将目标函数值和/或所有样条函数值作为变分量子线性求解器的变分量子逻辑门的参数，将样条函数权重值为变分量子线性求解器的变分量子逻辑门的输出，通过判断输出的样条函数权重值收敛情况获得变分量子逻辑门的参数的最优值，进而得到训练好的变分量子线性求解器；
10、或将样条函数权重值的初始值作为变分量子线性求解器的变分量子逻辑门的参数，将目标函数值或所有样条函数值之一作为变分量子线性求解器的输入，将目标函数值或所有样条函数值另外之一作为变分量子线性求解器的输出，通过判断输出值和设定输出的相似程度得到获得变分量子逻辑门的参数的最优值，进而得到训练好的变分量子线性求解器。
11、可选地，所述每一段目标点处的目标函数值，包括：
12、每一段的定义域的左端点、右端点、左端点和右端点之间的中间点中至少一个点对应的函数值为目标函数值。
13、可选地，确定每一段的样条函数及样条函数值的对应样条函数值，包括：
14、获取样条函数的基函数，所述基函数至少一个；
15、确定所有所述基函数在一段的目标点处的值组成的集合作为该段的样条函数值。
16、可选地，所述样条函数为b样条函数，所述基函数为一阶函数。
17、可选地，所述量子态制备量子线路用于将计算点制备在所述量子态的振幅和/或本征态上。
18、可选地，表示计算点的量子态是叠加态。
19、可选地，所述根据量子态表示的计算点与量子态表示的最优样条函数权重值确定神经网络传输路径参数值，包括：
20、把量子态表示的计算点与量子态表示的最优样条函数权重值的乘积确定为神经网络传输路径参数值。
21、可选地，所述乘积通过量子乘法器实现或通过多个量子加法器实现。
22、本专利技术的又一实施例提供了一种神经网络传输路径参数值的确定装置，装置包括：
23、函数获取模块，用于获取神经网络中的非线性激活函数作为神经网络传输路径参数；
24、第一确定模块，用于将非线性激活函数作为目标非线性函数，对目标非线性函数进行分段，并确定每一段的样条函数及对应的样条函数值；
25、量子态获取模块，用于利用训练好的变分量子线性求解器输出量子态表示的对应样条函数值的最优样条函数权重值；采用量子态制备量子线路制备量子态表示的计算点，其中，所述计算点为所述非线性激活函数定义域中的任意点；
26、第二确定模块，用于根据量子态表示的计算点与量子态表示的最优样条函数权重值确定神经网络传输路径参数值。
27、本专利技术的又一实施例提供了一种量超协同操作系统，所述量超协同操作系统根据上述任一项中所述的方法实现神经网络传输路径参数值的确定。
28、本专利技术的一个实施例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实现上述任一项所述的方法。
29、本专利技术的一个实施例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实现上述任一项所述的方法。
30、本专利技术提供的神经网络传输路径参数值的确定方法，将非线性激活函数作为神经网络传输路径参数，将非线性激活函数作为目标非线性函数，对目标非线性函数进行分段，并确定每一段的样条函数及样条函数值的对应样条函数值；基于量子态制备量子线路和训练好的变分量子线性求解器分别求解和确定目标非线性函数的最优样条函数权重值以及样条函数值；进而实现基于量子计算的神经网络传输路径参数值。整个过程中，借助非线性到线性变化与经典到量子变化的结合，实现将神经网络模型中的激活函数的处理嵌入到量子机器学习框架中的效果。
本文档来自技高网...【技术保护点】
1.一种神经网络传输路径参数值的确定方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述变分量子线性求解器利用目标函数值和所有样条函数值组成的系数矩阵训练，所述目标函数值为每一段目标点处的函数值；或所述变分量子线性求解器利用样条函数权重值的初始值和量子点积操作得到。
3.根据权利要求2所述的方法，其特征在于，利用目标函数值和所有样条函数值组成的系数矩阵训练变分量子线性求解器，包括：
4.根据权利要求2所述的方法，其特征在于，所述每一段目标点处的目标函数值，包括：
5.根据权利要求1所述的方法，其特征在于，确定每一段的样条函数及样条函数值的对应样条函数值，包括：
6.根据权利要求5所述的方法，其特征在于，所述样条函数为B样条函数，所述基函数为一阶函数。
7.根据权利要求1所述的方法，其特征在于，所述量子态制备量子线路用于将计算点制备在所述量子态的振幅和/或本征态上。
8.根据权利要求1所述的方法，其特征在于，表示计算点的量子态是叠加态。
9.根据权利要求1所述
10.根据权利要求9所述的方法，其特征在于，所述乘积通过量子乘法器实现或通过多个量子加法器实现。
11.一种神经网络传输路径参数值的确定装置，其特征在于，所述装置包括：
12.一种量超协同操作系统，其特征在于，所述量超协同操作系统根据权利要求1至10任一项中所述的方法实现神经网络传输路径参数值的确定。
13.一种存储介质，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实现所述权利要求1至10任一项所述的方法。
14.一种电子装置，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实现所述权利要求1至10任一项所述的方法。
...【技术特征摘要】
1.一种神经网络传输路径参数值的确定方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述变分量子线性求解器利用目标函数值和所有样条函数值组成的系数矩阵训练，所述目标函数值为每一段目标点处的函数值；或所述变分量子线性求解器利用样条函数权重值的初始值和量子点积操作得到。
3.根据权利要求2所述的方法，其特征在于，利用目标函数值和所有样条函数值组成的系数矩阵训练变分量子线性求解器，包括：
4.根据权利要求2所述的方法，其特征在于，所述每一段目标点处的目标函数值，包括：
5.根据权利要求1所述的方法，其特征在于，确定每一段的样条函数及样条函数值的对应样条函数值，包括：
6.根据权利要求5所述的方法，其特征在于，所述样条函数为b样条函数，所述基函数为一阶函数。
7.根据权利要求1所述的方法，其特征在于，所述量子态制备量子线路用于将计算点制备在所述量子态的振幅和/或本征态上。
...
【专利技术属性】
技术研发人员：窦猛汉，请求不公布姓名，请求不公布姓名，
申请(专利权)人：本源量子计算科技合肥股份有限公司，
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。