一种量子编译方法、装置、设备、存储介质和程序产品与流程

本发明涉及量子计算，尤其涉及一种量子编译方法、装置、设备、存储介质和程序产品。

背景技术：

1、量子计算是一种利用量子力学原理，特别是量子叠加和量子纠缠，来处理信息的技术，量子计算的理论计算能力远超经典计算机。然而，量子计算由于退相干时间和量子噪声的限制，量子计算机能执行的量子线路深度较浅，因此对量子编译器的性能提出了较高的要求。量子编译器的目标是将目标量子线路转化为量子计算机上的可执行量子操作序列，其中可执行量子操作也被称作基本量子逻辑门。目前存在多种量子编译方法，如直接编译的方法、基于搜索的重构编译以及基于量子生成模型的方法等。

2、然而，发明人发现现有技术至少存在如下问题：在采用直接编译的方法进行量子编译时，首先对目标量子线路进行优化，通过识别目标量子线路中的冗余操作或通过模板匹配，实现量子逻辑门的合并简化或替换，再将优化后的量子线路中的逻辑门逐一翻译为基本量子逻辑门序列。但这种方法大多数为局部优化，对于高度复杂的量子线路，其给出的编译序列会超出nisq(noisy intermediate-scale quantum，含噪中等规模量子)量子计算机的能力上限。在采用基于搜索的重构编译或者基于量子生成模型的方法进行编译时，虽然是从全局进行编译，但在理论上量子线路的最优编译深度关于量子比特数的复杂度是指数的，因此随着量子比特数量的增加，这些方法的计算复杂度会急剧上升，且给出的最优编译结果也会远远超出nisq量子计算机的能力上限。

技术实现思路

1、本发明实施例的目的是提供一种量子编译方法、装置、设备、存储介质和程序产品，通过将单个目标量子线路编译为多个酉算子基的线性组合，酉算子基可直接翻译为基本量子逻辑门序列，能够将编译深度压缩至线性复杂度，有效降低了量子编译的计算复杂度。

2、为实现上述目的，本发明实施例提供了一种量子编译方法，包括：

3、获取一组酉算子基序列；其中，所述酉算子基序列包括若干个酉算子基；

4、将目标量子线路在所述酉算子基序列下展开为线性组合形式，其中，所述线性组合形式中包括待求解的每一所述酉算子基对应的系数；

5、根据所述目标量子线路和所述酉算子基序列，构建并训练用于计算所述酉算子基对应的系数的机器学习模型；

6、将若干个酉算子基输入所述机器学习模型进行计算，得到所述机器学习模型输出的每一所述酉算子基对应的系数，并根据每一所述酉算子基和所述酉算子基对应的系数，生成所述目标量子线路的编译结果。

7、在一种优选实施方式下，所述酉算子基为完备的酉算子基。

8、作为上述方案的改进，所述根据所述目标量子线路和所述酉算子基序列，构建并训练用于计算所述酉算子基对应的系数的机器学习模型，包括：

9、采用机器学习模型来表达所述目标量子线路；其中，所述机器学习模型的输入为酉算子基，输出为所述酉算子基对应的系数；

10、对所述酉算子基序列中的酉算子基进行第一采样操作，得到第一酉算子基集合；其中，所述第一酉算子基集合包括目标数量的酉算子基；

11、将所述第一酉算子基集合中的酉算子基作为训练数据，对所述机器学习模型进行训练，得到所述目标量子线路的近似重构；

12、计算所述目标量子线路与所述近似重构之间的差异，作为损失函数；

13、根据所述损失函数，采用预设的优化算法更新所述机器学习模型的参数，直到所述机器学习模型收敛，得到训练完成的机器学习模型。

14、作为上述方案的改进，所述将若干个酉算子基输入所述机器学习模型进行计算，得到所述机器学习模型输出的每一所述酉算子基对应的系数，并根据每一所述酉算子基和所述酉算子基对应的系数，生成所述目标量子线路的编译结果，包括：

15、对所述酉算子基序列中的酉算子基进行第二采样操作，得到第二酉算子基集合；其中，所述第二酉算子基集合包括目标数量的酉算子基；

16、将所述第二酉算子基集合中的酉算子基作为所述机器学习模型的输入，得到每一所述酉算子基对应的系数；

17、根据所述第二酉算子基集合中的酉算子基和所述酉算子基对应的系数，生成所述目标量子线路的编译结果。

18、作为上述方案的改进，通过以下步骤对所述酉算子基序列中的酉算子基进行第一采样操作或第二采样操作：

19、将所述酉算子基对应的系数的模平方表示为条件概率的乘积，构建预设的酉算子基采样器；

20、将所述目标量子线路的内部参数的向量化表示作为所述酉算子基采样器的初始输入，输出得到酉算子基的第一概率分布；

21、根据所述第一概率分布采样得到所述酉算子基的第一个元素；

22、将所述酉算子基的已采样的元素和所述目标量子线路的内部参数的向量化表示拼接后输入至所述酉算子基采样器，输出得到所述酉算子基的第二概率分布；

23、根据所述第二概率分布采样得到所述酉算子基的下一个元素，直到采样得到所述酉算子基的所有元素，以得到一个酉算子基；

24、重复上述步骤，直到采样得到目标数量的酉算子基。

25、在另一种优选实施方式下，所述酉算子基为不完备的酉算子基；其中，不完备的酉算子基是对一组完备的酉算子基进行截断得到的。

26、作为上述方案的改进，所述根据所述目标量子线路和所述酉算子基序列，构建并训练用于计算所述酉算子基对应的系数的机器学习模型，包括：

27、采用机器学习模型来表达所述目标量子线路；其中，所述机器学习模型的参数为每一所述酉算子基对应的系数；

28、将所述酉算子基序列中的每一酉算子基作为训练数据，对所述机器学习模型进行训练，得到所述目标量子线路的近似重构；

29、计算所述目标量子线路与所述近似重构之间的差异，作为损失函数；

30、根据所述损失函数，采用预设的优化算法更新所述机器学习模型的参数，直到所述机器学习模型收敛，得到训练完成的机器学习模型。

31、作为上述方案的改进，所述将若干个酉算子基输入所述机器学习模型进行计算，得到所述机器学习模型输出的每一所述酉算子基对应的系数，并根据每一所述酉算子基和所述酉算子基对应的系数，生成所述目标量子线路的编译结果，包括：

32、将所述酉算子基序列中的每一酉算子基作为所述机器学习模型的输入，得到每一所述酉算子基对应的系数；

33、根据所述酉算子基序列中每一所述酉算子基和每一所述酉算子基对应的系数，生成所述目标量子线路的编译结果。

34、本发明实施例还提供了一种量子编译装置，包括：

35、酉算子基获取模块，用于获取一组酉算子基序列；其中，所述酉算子基序列包括若干个酉算子基；

36、线性组合表示模块，用于将目标量子线路在所述酉算子基序列下展开为线性组合形式，其中，所述线性组合形式中包括待求解的每一所述酉算子基对应的系数；

37、学习模型训练模块，用于根据所述目标量子线路和所述酉算子基序列，构建并训练用于计算所述酉算子基对应的系数的机器学习模型；

38、编译结果获得模块，用于将若干个酉算子基输入所述机器学习模型进行计算，得到所述机器学习模型输出的每一所述酉算子基对应的系数，并根据每一所述酉算子基和所述酉算子基对应的系数，生成所述目标量子线路的编译结果。

39、本发明实施例还提供了一种量子编译设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述的量子编译方法。

40、本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任意一项所述的量子编译方法。

41、本发明实施例还提供了一种计算机程序产品，所述计算机程序产品包括计算机程序或计算机指令，所述计算机程序或所述计算机指令被处理器执行时实现如上述任意一项所述的量子编译方法。

42、与现有技术相比，本发明公开的量子编译方法、装置、设备、存储介质和程序产品，通过将单个目标量子线路编译为多个酉算子基的线性组合，并通过机器学习模型对所述线性组合进行求解，得到目标量子线路的量子编译结果，其中酉算子基可直接翻译为基本量子逻辑门序列，能够实现将编译深度压缩至线性复杂度，从而有效降低了量子编译的计算复杂度，且编译结果不会超出量子计算机的能力上限。