时序预测方法及时序预测模型的训练方法与流程
本技术涉及光量子计算,特别是涉及一种时序预测方法、时序预测模型的训练方法、光量子计算机及存储介质。
背景技术:
1、时序预测是指通过分析时间序列数据的历史趋势和模式,对未来的数值或状态进行预测的任务,广泛应用于气象预报、电网负载预测及医疗健康监测等领域。
2、目前,处理时序预测任务的技术方案主要包括经典深度学习方案、门线路量子方案和光量子计算方案。现有的光量子计算方案缺乏时序记忆机制,无法捕捉时序数据中的前后依赖关系和动态演化规律,导致预测准确性差。
技术实现思路
1、有鉴于此,本技术提供了一种时序预测方法、时序预测模型的训练方法、光量子计算机及存储介质,以便于提升预测的准确性。
2、第一方面,提供了一种时序预测方法,所述方法包括:
3、获取时序数据,时序数据包含具有时间关联性的n个数据,n为大于1的正整数;
4、根据时序数据,修改光量子线路的状态参数;
5、基于状态参数,获取光量子线路输出的量子特征向量;
6、对量子特征向量进行解码,得到连续m个时间步演化对应的m个预测结果;
7、其中,基于状态参数,获取光量子线路输出的量子特征向量,包括:
8、通过光量子线路的空间单元对输入光量子线路的每个时间步的光量子信息执行空间上的酉变换;
9、通过光量子线路的延时单元对连续m个时间步的光量子信息进行延时处理,以使得连续m个时间步的光量子信息产生跨时间步的干涉;
10、分别对光量子线路的每个时间步的输出进行采样,得到量子特征向量,n大于m。
11、可选地,根据时序数据,修改光量子线路的状态参数,包括:
12、对时序数据进行编码,得到光量子线路注入参数;
13、基于光量子线路注入参数对光量子线路的状态参数进行修改。
14、可选地,对时序数据进行编码,得到光量子线路注入参数,包括:
15、基于预设映射关系,将时序数据映射为光量子线路中元件的参数,将光量子线路中元件的参数作为光量子线路注入参数;或者,
16、将时序数据输入至预先训练的神经网络模型中,将神经网络模型的输出作为光量子线路中元件的参数,将光量子线路中元件的参数作为时序数据对应的光量子线路注入参数。
17、可选地,空间单元包括分束器、马赫曾德尔干涉仪和移相器,延时单元为光纤延时线圈;其中,光纤延时线圈使一时间步对应的光量子信息与一时间步之前的时间步的光量子信息产生干涉。
18、可选地,分别对光量子线路的每个时间步的输出进行采样,得到量子特征向量,包括:
19、对于每个时间步,通过粒子数探测器对光量子线路输出的光子模式进行测量,得到光量子线路的单次运行光子数采样结果、多次运行光子数分布概率、多次运行平均光子数中的一项或多项;或者,
20、对于每个时间步,通过平衡零拍探测器对光量子线路输出的正交分量测量,得到正交分量的边缘分布;以及
21、将光量子线路的单次运行光子数采样结果、多次运行光子数分布概率、多次运行平均光子数、正交分量的边缘分布中的一项或多项作为量子特征向量。
22、可选地,在获取时序数据之后,方法还包括:
23、确定时序数据的时间相关性和数据维度;
24、根据时间相关性和数据维度,选择光量子线路,其中,
25、在时间相关性小于第一阈值且数据维度小于第二阈值的情况下,选择第一光量子线路,第一光量子线路的每一光波导包含一个延时单元;以及
26、在时间相关性不小于第一阈值或者数据维度不小于第二阈值的情况下,选择第二光量子线路,第二光量子线路的每一光波导包含多个延时单元。
27、根据第二方面,提供了一种时序预测模型的训练方法,方法包括:
28、获取时序数据样本,时序数据样本包括具有时间关联性的n个数据样本以及n个数据样本对应的真实值,n为大于1的正整数;
29、根据时序数据样本进行编码,确定时序预测模型中的光量子线路的状态参数;
30、基于状态参数,获取光量子线路输出的量子特征向量;
31、通过时序预测模型中经典解码层对量子特征向量进行解码,得到连续m个时间步演化对应的m个预测值,m为小于n且大于1的正整数;
32、基于预测值与真实值确定模型损失值,基于模型损失值更新时序预测模型中光量子线路的可训练参数和解码层的可训练参数,直至满足训练停止条件,得到训练完成的时序预测模型中光量子线路的目标参数和解码层的目标参数;
33、其中,所述基于所述状态参数,获取所述光量子线路输出的量子特征向量,包括:
34、通过所述光量子线路的空间单元对输入所述光量子线路的每个时间步的光量子信息执行空间上的酉变换;
35、通过所述光量子线路的延时单元对所述连续m个时间步的光量子信息进行延时处理,以使得所述连续m个时间步的光量子信息产生跨时间步的干涉;
36、分别对所述光量子线路的每个时间步的输出进行采样,得到所述量子特征向量。
37、可选地,基于模型损失值更新时序预测模型中光量子线路的可训练参数,包括:
38、基于参数平移规则,确定模型损失值对应的偏移模型损失值;基于偏移模型损失值确定光量子线路的梯度参数;通过梯度下降法,基于梯度参数更新时序预测模型中光量子线路的可训练参数;
39、或者,基于非梯度优化算法搜索参数空间的最优解,基于参数空间的最优解更新时序预测模型中光量子线路的可训练参数。
40、根据第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述第一方面或第二方面中任一项的方法。
41、根据第四方面,提供了一种光量子计算机,包括:
42、经典计算部分和光量子部分,其中,经典计算部分和光量子部分用于执行上述第一方面或第二方面中任一项的方法。
43、根据本技术提供的具体实施例,本技术公开了以下技术效果:
44、本技术通过获取时序数据,时序数据包含具有时间关联性的n个数据,n为大于1的正整数;根据时序数据,修改光量子线路的状态参数;基于状态参数,获取光量子线路输出的量子特征向量;对量子特征向量进行解码,得到连续m个时间步演化对应的m个预测结果;其中,基于状态参数,获取光量子线路输出的量子特征向量,包括:通过光量子线路的空间单元对输入光量子线路的每个时间步的光量子信息执行空间上的酉变换;通过光量子线路的延时单元对连续m个时间步的光量子信息进行延时处理,以使得连续m个时间步的光量子信息产生跨时间步的干涉;分别对光量子线路的每个时间步的输出进行采样,得到量子特征向量,n大于m。上述技术方案,通过在光量子线路中设置延时单元,使不同时间步的信息产生干涉与纠缠,在量子层面上实现了类似循环神经网络的“短期记忆”机制。这种结构使得光量子计算机无需通过复杂的外部延迟电路,也无需将时间展开为空间维度,就能天然地捕捉时序数据中的前后依赖关系和动态演化规律,从而提高了模型对时间序列趋势的捕捉灵敏度和预测准确性。
45、本技术采用了光量子时间复用架构,利用光纤延时线圈构建时间维度上的前后纠缠,极大地降低了物理硬件资源的消耗。与空间模式高斯玻色采样(gbs)方案相比,本技术无需随时间步长增加而铺设个并行光路,仅需单个或少量光纤延时线圈即可在时间域上模拟出大规模的量子干涉网络。这不仅显著减小了光量子计算机体积和集成难度,还大幅降低了光学元件数量激增带来的累积损耗和相位不稳定风险,使得处理长序列时序数据成为可能。
46、本技术将时序数据编码为量子线路参数并执行高斯玻色采样,直接利用光子数分布等统计学特征作为量子特征向量,充分利用了光量子线路庞大的希尔伯特空间和高斯玻色采样难以被经典计算机模拟的计算复杂性优势。光量子线路能够将低维时序数据映射到指数级维度的特征空间中,挖掘出经典算法难以识别的高阶非线性关联和深层纠缠特征,从而显著提升了在复杂、混沌时序任务(如金融波动、气象变化)中的预测性能。
47、光子的连续变量特性使得光量子线路是针对连续变量的,光量子线路能够将时序数据映射为压缩参数或相位参数,解决了基于门线路量子计算在处理连续数值时面临的编码效率低、精度损失大等问题。光子的连续变量特性天然适配现实世界中连续变化的时序信号,避免了繁琐的离散化过程,保留了数据的原始精度。同时,基于测量的量子储层计算模式对噪声具有一定的鲁棒性,降低了对量子纠错和超高保真度门操作的严苛要求。
48、本技术结合了梯度优化(如参数平移)与非梯度优化(如粒子群)两种训练策略,使得本技术的方案既适用于高精度的理论模拟研究,也能适应当前nisq(含噪声中等规模量子)硬件环境。即使在真实光量子芯片存在噪声或梯度难以计算的情况下,仍能通过非梯度策略有效地寻找最优参数,保证了光量子计算机的实用性和可落地性。
49、当然,实施本技术的任一实施例的方案并不一定需要同时达到以上所述的所有优点。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com