一种量子态测量方法、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，尤其涉及一种量子态测量方法、装置、设备、存储介质和程序产品。

背景技术：

1、量子计算与人工智能融合的量子人工智能已成为学术界和产业界研究热点。其中，量子神经网络(qnn)基于量子叠加和量子纠缠效应具有更强大的高维数据处理和推理性能。qnn运行过程与量子计算基本过程一致，包括量子态制备(输入)、量子态调控(计算)与量子态测量(输出)。这里，量子态测量会导致量子态塌缩，带来qnn输出信息的损失。因此，qnn的量子态测量至关重要。

2、现有技术中可以采用固定物理量测量、随机物理量测量或者变分组合测量的方式进行量子态的测量。然而，发明人发现现有技术至少存在如下问题：不管是固定物理量测量方法，还是变分组合测量的方法，均存在可能从量子态中提取不到有效信息的问题，致使量子机器学习模型难以训练，从而导致下游任务准确率过低的问题，而随机物理量测量则无法针对特定的学习任务进行特定优化，灵活性较差。

技术实现思路

1、本发明实施例的目的是提供一种量子态测量方法、装置、设备、存储介质和程序产品，能够实现对特定学习任务的优化，并确保提取到有效的信息，从而得到最优的测量物理量。

2、为实现上述目的，本发明实施例提供了一种量子态测量方法，包括：

3、获取一组完备的厄米算子基序列；其中，所述厄米算子基序列包括若干个厄米算子基；

4、构建表达目标测量物理量的机器学习模型和量子神经网络模型；其中，所述机器学习模型用于输出所述厄米算子基的概率分布；所述量子神经网络模型用于输出量子态；

5、采用经典数据集对所述机器学习模型和所述量子神经网络模型进行训练，得到训练完成的机器学习模型和量子神经网络模型；

6、根据所述机器学习模型输出的概率分布对所述厄米算子基序列进行采样，得到目标数量的目标厄米算子基；

7、将测试数据输入所述量子神经网络模型生成量子态，并采用所述目标厄米算子基进行测量，得到目标测量物理量的期望值。

8、作为上述方案的改进，所述采用经典数据集对所述机器学习模型和所述量子神经网络模型进行训练，得到训练完成的机器学习模型和量子神经网络模型，包括：

9、随机初始化所述机器学习模型和所述量子神经网络模型的变分参数；

10、根据所述机器学习模型输出的概率分布对所述厄米算子基序列进行采样，得到目标数量的第一厄米算子基；

11、将经典数据集中的训练数据输入所述量子神经网络模型生成量子态，并采用所述第一厄米算子基进行测量，得到目标测量物理量的预测期望值；

12、计算所述预测期望值与所述训练数据对应的标签之间的差异，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和所述量子神经网络模型的变分参数，直到所述机器学习模型和所述量子神经网络模型收敛，得到训练完成的机器学习模型和量子神经网络模型。

14、作为上述方案的改进，所述将所述经典数据集中的训练数据输入所述量子神经网络模型生成量子态，并采用所述第一厄米算子基进行测量，得到目标测量物理量的预测期望值，包括：

15、将经典数据集中的训练数据输入至所述量子神经网络模型编码得到量子态，记为第一量子态；

16、将所述第一厄米算子基作为测量基对所述第一量子态进行测量，分别得到每一所述第一厄米算子基的期望值；

17、根据每一所述第一厄米算子基的期望值，计算目标测量物理量的预测期望值。

18、作为上述方案的改进，所述将测试数据输入所述量子神经网络模型生成量子态，并采用所述目标厄米算子基进行测量，得到目标测量物理量的期望值，包括：

19、将测试数据输入至所述量子神经网络模型编码得到量子态，记为目标量子态；

20、将所述目标厄米算子基作为测量基对所述目标量子态进行测量，分别得到每一所述目标厄米算子基的期望值；

21、根据每一所述目标厄米算子基的期望值，计算目标测量物理量的期望值。

22、作为上述方案的改进，所述根据所述机器学习模型输出的概率分布对所述厄米算子基序列进行采样，包括：

23、采用零向量作为所述机器学习模型的初始输入，输出厄米算子基的第一概率分布；

24、根据所述第一概率分布采样得到所述厄米算子基的第一个元素；

25、将所述厄米算子基的已采样的元素和所述零向量拼接后输入至所述机器学习模型，输出所述厄米算子基的第二概率分布；

26、根据所述第二概率分布采样得到所述厄米算子基的下一个元素，直到采样得到所述厄米算子基的所有元素，得到一个厄米算子基；

27、重复上述步骤，直到采样得到目标数量的厄米算子基。

28、作为上述方案的改进，所述量子神经网络模型包括量子线路和量子神经网络；

29、所述将测试数据输入至所述量子神经网络模型编码得到量子态，包括：

30、将测试数据输入至所述量子线路进行编码到量子态，再输入至所述量子神经网络，得到最终输出的量子态。

31、作为上述方案的改进，所述构建表达目标测量物理量的机器学习模型，包括：

32、将目标测量物理量在所述厄米算子基序列下展开为线性组合形式；其中，所述线性组合形式包括所述厄米算子基及其对应的待优化的系数；

33、将所述系数进行归一化处理，转换为高维的概率分布；

34、采用机器学习模型表达所述概率分布，以构建机器学习模型；其中，所述机器学习模型的输入为厄米算子基，输出为所述概率分布。

35、作为上述方案的改进，所述构建量子神经网络模型，包括：

36、随机选取将经典数据集中的训练数据和测试数据编码到量子态的量子线路；

37、随机选取量子神经网络；

38、根据所述量子线路和所述量子神经网络，形成量子神经网络模型。

39、本发明实施例还提供了一种量子态测量装置，包括：

40、厄米算子基获取模块，用于获取一组完备的厄米算子基序列；其中，所述厄米算子基序列包括若干个厄米算子基；

41、模型构建模块，用于构建表达目标测量物理量的机器学习模型和量子神经网络模型；其中，所述机器学习模型用于输出所述厄米算子基的概率分布；所述量子神经网络模型用于输出量子态；

42、模型训练模块，用于采用经典数据集对所述机器学习模型和所述量子神经网络模型进行训练，得到训练完成的机器学习模型和量子神经网络模型；

43、厄米算子基采样模块，用于根据所述机器学习模型输出的概率分布对所述厄米算子基序列进行采样，得到目标数量的目标厄米算子基；

44、量子态测量模块，用于将测试数据输入所述量子神经网络模型生成量子态，并采用所述目标厄米算子基进行测量，得到目标测量物理量的期望值。

45、本发明实施例还提供了一种量子态测量设备，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态测量方法。

46、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态测量方法。

47、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态测量方法。

48、与现有技术相比，本发明公开的量子态测量方法、装置、设备、存储介质和程序产品，通过机器学习模型输出厄米算子基的概率分布，再依据此概率分布对厄米算子基序列进行采样，能够精准地选取与目标测量物理量关联度高的厄米算子基，从而提取到尽可能多的有效信息。通过构建表达目标测量物理量的机器学习模型和量子神经网络模型，并采用经典数据集进行训练，以实现对目标测量物理量的计算，能够使模型学习到数据中的内在规律和特征，具有针对特定学习任务进行特定优化的能力。本发明通过机器学习模型和量子神经网络模型相互协作，在量子机器学习训练的同时得到最优的测量物理量，提高了量子态测量的精准性和高效性。