本发明专利技术属于量子计算技术领域，公开了一种量子残差注意力神经网络，其包括基于量子逻辑门的量子嵌入层，用于将输入数据编码为初始量子态；变分量子线路，用于结合辅助量子态作用到初始量子态，实现量子态的演化，进行量子态特征提取；量子测量层，用于依据变分量子线路输出的量子态特征，通过泡利Z门进行测量获取输出数据。本发明专利技术还提供了一种材料设计方法，获取材料成分数据；对材料成分数据进行降维处理，得到降维后的材料成分特征数据；将材料成分特征数据输入量子残差注意力神经网络，得到材料性能预测数据。本发明专利技术提供了神经网络的泛化性，能够在少量训练样本条件下，获取较高的准确率。
【技术实现步骤摘要】
本专利技术属于量子计算，涉及一种新型量子残差注意力神经网络及应用，还涉及基于该量子残差注意力神经网络的材料设计方法。
技术介绍
1、传统的新材料开发过程采用试错法，实验步骤繁琐。长周期和高成本的限制使得加速材料的开发变得困难。作为一种替代方案，机器学习技术的兴起已成为发现新材料的有力工具。
2、机器学习以材料数据库为基础，快速实现材料的预测，有望加快新材料的设计，缩短材料的开发周期。由于它能够在不了解潜在物理机制的情况下从现有数据中学习行为和趋势，因此它已开始在材料科学中发挥重要作用。
3、目前，采用机器学习预测材料性能的技术中，主要采用神经网络提取数据特征，再通过回归算法获得模型的预测性能。但由于材料的成分-性能数据本身需要通过实验表征获取，其数据量本身比较稀少和珍贵，因此在少量训练样本条件下，当前的机器学习算法模型容易过拟合，从而导致模型的预测准确率不高。此外，以神经网络为基础的机器学习算法，训练周期往往较长，需要经过很多次迭代才能收敛。
技术实现思路
1、本专利技术的目的旨在针对现有技术中存在的问题，提供一种量子残差注意力神经网络，具有较好的泛化性，能在少量训练样本条件下仍可保持较高的准确率。
2、本专利技术的另一目的是提供上述量子残差注意力神经网络在材料设计中的应用。
3、本专利技术的第三个目的是提供一种基于上述量子残差注意力神经网络的材料设计方法。
4、为达到上述目的，本专利技术采取以下技术方案来实现。
<
p>5、本专利技术提供了一种量子残差注意力神经网络，其包括：6、基于量子逻辑门的量子嵌入层，用于将输入数据编码为初始量子态；
7、变分量子线路，用于结合辅助量子态作用到初始量子态，实现量子态的演化，进行量子态特征提取；所述变分量子线路包括初始量子态所在的主干量子线路和辅助量子态所在的辅助量子线路；所述变分量子线路上设置有若干量子残差注意力层，以及位于相邻两个量子残差注意力层之间的量子池化层；各量子残差注意力层以初始量子态和辅助量子态作为输入，或量子池化层的输出量子态和经上一量子残差注意力层作用的辅助量子态作为输入；量子池化层以上一量子残差注意力层主干量子线路上的输出量子态作为输入；
8、所述量子残差注意力层，对输入的量子态通过rx旋转门和ry旋转门进行交替操作；
9、所述量子池化层，对输入的任意两个量子态通过rz旋转门和cx控制非门进行交替操作；
10、量子测量层，用于依据变分量子线路输出的量子态特征，通过泡利z门进行测量获取输出数据。
11、上述量子残差注意力神经网络，所述量子嵌入层通过量子逻辑门uφ(x)作用在或基态上，得到编码后的输入初始量子态|φ(x)>，n表示编码输入数据所需的量子比特数量；具体表示如下：
12、或者
13、
14、所述量子逻辑门uφ(x)包括rx旋转门、ry旋转门、rz旋转门等中的至少一种。
15、上述量子残差注意力神经网络，所述变分量子线路由与输入数据对应的若干量子比特和与辅助量子态对应的量子比特构成，每个量子比特对应一条量子线路。
16、通过变分量子线路获得的最终量子态为|αl(x)>，具体表示如下：
17、|αl(x)>＝uθ|φ(x)>|γ>；
18、其中，|γ>辅助量子态，为|0>或|1>；
19、uθ表示具有变分参数θ的变分量子线路：
20、
21、uαl表示最后一层量子残差注意力层；uαi、uβi分别表示第i层量子残差注意力层和第i层量子池化层，表示向上取整操作，n表示输入数据数量。
22、上述量子残差注意力神经网络，所述量子残差注意力层中，所述rx旋转门的矩阵形式为：
23、
24、其中，θ表示绕x轴的旋转角度。
25、所述ry旋转门的矩阵形式为：
26、
27、其中，θ表示绕y轴的旋转角度。
28、对于主干量子线路上的输入量子态，所述量子残差注意力层包括一层rx旋转门操作、若干层ry旋转门操作；所述ry旋转门操作之前，设置有cx控制非门，cx控制非门的控制位和目标位分别位于相邻的量子线路上；最后一层ry旋转门操作之后，也设置有cx控制非门，cx控制非门的控制位位于辅助量子态所在的量子线路上，目标位位于输入量子态所在量子线路上；
29、对于辅助量子态，所述量子残差注意力层包括一层h门操作、若干层cry控制旋转门操作和h门操作；所述cry控制旋转门操作的控制位为邻近量子线路的量子态，目标位为辅助量子态。
30、进一步的，对于输入量子态，所述量子残差注意力层对于最后两个量子线路的输出还进行h门操作。
31、对于cx控制非门，若控制位为|1>态则在目标位执行x门，若控制位为|0>态，则目标位不做任何操作。x门算符作用在基态上，可以将基态翻转。它可将基态|0>变为|1>，将基态|1>变为|0>。所述cx控制非门的矩阵形式为：
32、
33、对于h门，即hadamard门，矩阵形式为：它可将基态|0>变为(|0>+|1>)。
34、对于cry控制旋转门，若控制位为|1>态则在目标位执行ry旋转门操作，若控制位为|0>态，则目标位不做任何操作。
35、上述量子残差注意力神经网络，所述量子池化层，对于任意两个量子线路中的第一量子线路上的量子态先做rz(-π/2)旋转门，操作结果作为cx控制非门的控制位，对第二量子线路上的量子态进行x门操作；之后分别对第一量子线路和第二量子线路的量子态进行rz旋转门操作，第二量子线路上的量子态经rz旋转门操作的结果再作为cx控制非门的控制位，对第一量子线路上的量子态进行x门操作；之后对第一量子线路上的量子态再进行ry旋转门操作。
36、所述rz旋转门的矩阵形式为：
37、
38、其中，θ表示绕z轴的旋转角度。
39、上述量子残差注意力神经网络，所述量子测量层获取的输出数据表示如下：
40、
41、其中，hl表示量子测量层的输出数据，|αl(x)>表示最终量子态，表示泡利z门(pauli-z门)。
42、泡利z门的矩阵形式为：
43、
44、上述量子残差注意力神经网络，所述变分量子线路输出至少两个量子态特征；所述量子测量层通过泡利z门对所有量子态特征进行测量得到两个以上的输出数据。
45、上述量子残差注意力神经网络，还包括输出层，用于将两个以上的输出数据进行处理，得到最终的预测数据。所述输出层使用的是全连接层。
46、上述量子残差注意力神经网络，使用的损失函数为均方差损失函数。
47本文档来自技高网
...
【技术保护点】
1.一种量子残差注意力神经网络，其特征在于，包括：
2.根据权利要求1所述的量子残差注意力神经网络，其特征在于，所述量子嵌入层通过量子逻辑门Uφ(x)作用在或基态上，得到编码后的初始量子态|φ(x)>，n表示编码输入数据所需的量子比特数量；具体表示如下：
3.根据权利要求1所述的量子残差注意力神经网络，其特征在于，通过变分量子线路获得的最终量子态为|αL(x)>，具体表示如下：
4.根据权利要求1所述的量子残差注意力神经网络，其特征在于，所述量子残差注意力层中，所述RX旋转门的矩阵形式为：
5.根据权利要求4所述的量子残差注意力神经网络，其特征在于，
6.根据权利要求5所述的量子残差注意力神经网络，其特征在于，对于控制非门CX，若控制位为|1>态则在目标位执行X门，若控制位为|0>态，则目标位不做任何操作；所述控制非门CX的矩阵形式为：
7.根据权利要求1所述的量子残差注意力神经网络，其特征在于，所述量子池化层，对于任意两个量子线路中的第一量子线路上的量子态先做RZ(-π/2)旋转门，操作结果作为CX控制非门的控制位，对第二量子线路上的量子态进行X门操作；之后分别对第一量子线路和第二量子线路的量子态进行RZ旋转门操作，第二量子线路上的量子态经RZ旋转门操作的结果再作为CX控制非门的控制位，对第一量子线路上的量子态进行X门操作；之后对第一量子线路上的量子态再进行RY旋转门操作。
8.根据权利要求7所述的量子残差注意力神经网络，其特征在于，在量子池化层中，所述RZ旋转门的矩阵形式为：
9.根据权利要求1所述的量子残差注意力神经网络，其特征在于，所述变分量子线路输出至少两个量子态特征；所述量子测量层通过泡利Z门对所有量子态特征进行测量得到两个以上的输出数据；
10.权利要求1至9任一所述的量子残差注意力神经网络在材料设计中的应用。
11.一种材料设计方法，其特征在于，包括以下步骤：
...
【技术特征摘要】
1.一种量子残差注意力神经网络，其特征在于，包括：
2.根据权利要求1所述的量子残差注意力神经网络，其特征在于，所述量子嵌入层通过量子逻辑门uφ(x)作用在或基态上，得到编码后的初始量子态|φ(x)>，n表示编码输入数据所需的量子比特数量；具体表示如下：
3.根据权利要求1所述的量子残差注意力神经网络，其特征在于，通过变分量子线路获得的最终量子态为|αl(x)>，具体表示如下：
4.根据权利要求1所述的量子残差注意力神经网络，其特征在于，所述量子残差注意力层中，所述rx旋转门的矩阵形式为：
5.根据权利要求4所述的量子残差注意力神经网络，其特征在于，
6.根据权利要求5所述的量子残差注意力神经网络，其特征在于，对于控制非门cx，若控制位为|1>态则在目标位执行x门，若控制位为|0>态，则目标位不做任何操作；所述控制非门cx的矩阵形式为：
7.根据权利要求1所述的量子残...
【专利技术属性】
技术研发人员：杨青川，韦联福，
申请(专利权)人：西南交通大学，
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。