基于量子计算的联邦学习模型的制作方法

1.本技术实施例大体上涉及基于量子计算的联邦学习模型，更具体地，涉及用于分子结构推理的模型及方法。


背景技术：

2.量子联邦学习使多个参与者能够在不共享数据的情况下构建通用、强大的机器学习模型，从而解决关键问题，例如数据隐私、数据安全、数据访问权限和对异数据的访问。其应用遍布多个行业，包括国防、电信、物联网和制药。基于量子计算通过使用有限的参数去拟合函数或者分布，加快模型的学习速度，但目前相关研究较少。
3.因此，本技术提出一种基于量子计算的联邦学习模型。


技术实现要素：

4.本技术实施例的目的之一在于提供一种基于量子计算的联邦学习模型，与传统的方法与模型相比，其可减少所使用的参数量，且所用的存储介质，即量子比特数目也大幅减少，同时提高了计算能力。
5.本技术的一实施例提供一种基于量子计算的联邦学习模型，其包括：神经网络模型，其包括量子计算模块，该神经网络模型分别构建于多个计算设备中；其中多个计算设备中的一者用于接收来自多个计算设备中的其它者上的神经网络模型的经训练的参数，并对经训练的参数进行处理且将处理结果传送到多个计算设备中的相应的其它者上的神经网络模型以进行迭代训练；以及所述多个计算设备中的其它者上的神经网络模型各自使用各自相应的数据集分别独立进行参数训练。
6.根据本技术的一些实施例，神经网络模型还包括经典计算模块。
7.根据本技术的一些实施例，其中量子计算模块包括量子隐形传态线路。
8.根据本技术的一些实施例，其中数据集包括金融数据或医药数据。
9.根据本技术的一些实施例，其中数据集为数字黄河数据。
10.根据本技术的一些实施例，使用振幅编码的方法将数据集中的待输入数据编码为量子态。
11.根据本技术的一些实施例，神经网络模型包括量子注意力模型。
12.与现有技术相比，本技术实施例提供的基于量子计算的联邦学习模型，利用量子计算对经典计算方式作为替换或补充，可有效提高数据处理速度与准确度。
附图说明
13.在下文中将简要地说明为了描述本技术实施例或现有技术所必要的附图以便于描述本技术的实施例。显而易见地，下文描述中的附图仅只是本技术中的部分实施例。对本领域技术人员而言，在不需要创造性劳动的前提下，依然可以根据这些附图中所示例的结构来获得其他实施例的附图。
14.图1为根据本技术一些实施例的基于量子计算的联邦学习模型100的示意图。
15.图2为根据本技术一些实施例的量子隐形传态线路20的示意图。
具体实施方式
16.为更好的理解本技术实施例的精神，以下结合本技术的部分优选实施例对其作进一步说明。
17.本技术的实施例将会被详细的描示在下文中。在本技术说明书全文中，将相同或相似的组件以及具有相同或相似的功能的组件通过类似附图标记来表示。在此所描述的有关附图的实施例为说明性质的、图解性质的且用于提供对本技术的基本理解。本技术的实施例不应该被解释为对本技术的限制。
18.为便于描述，“第一”、“第二”等等可在本文中用于区分一个组件或一系列组件的不同操作。“第一”、“第二”等等不意欲描述对应组件或操作。
19.在对本技术技术方案进行介绍之前，首先对本技术中涉及的一些关键术语进行解释说明：
20.1.量子计算：基于量子逻辑的计算方式，存储数据的基本单元是量子比特。
21.2.量子比特：量子计算的基本单元。传统计算机使用0和1作为二进制的基本单元。不同的是量子计算可以同时处理0和1，使得系统可以处于0和1的线性叠加态：|ψ》＝α|0》 β|1》，这边α，β代表系统在0和1上的复数概率幅。它们的模平方|α|2，
22.|β|2分别代表处于0和1的概率。
23.3.量子线路：量子通用计算机的一种表示，代表了相应量子算法/程序在量子门模型下的硬件实现。若量子线路中包含可调的控制量子门的参数，则被称为参数化的量子线路。
24.4.密度矩阵：当一个量子系统所处的态矢量|ψ》不确定时，称该系统处于一个混态。设系统有pn的概率处于归一化的可能态|ψn》，n为正整数，引入密度矩阵ρ＝∑npn|ψn》《ψn|。密度矩阵ρ是一个厄米算符，满足归一化tr(ρ)＝1和半正定性。
25.5.量子门：常使用矩阵表示，操作n个量子比特的门可以用2
n x 2n的酉矩阵表示。一个门输入跟输出的量子比特数量必须要相等。量子门的操作可以用代表量子门的矩阵与代表量子比特状态的向量作相乘来表示。
26.6.旋转门：旋转门是量子门的一种，是一组三个2
×
2的幺正厄米复矩阵(又称酉矩阵)。其中，旋转x门为旋转y门为旋转z门为旋转z门为
27.7.量子经典混合计算：一种内层利用量子线路进行计算得出相应物理量或损失函
数，外层用传统的经典优化器调节量子线路变分参数的计算范式，可以最大限度地发挥量子计算的优势，被相信是有潜力证明量子优势的重要方向之一。
28.本技术提出的基于量子计算的联邦学习模型，通过使用量子计算的方式对输入数据进行量子演化操作，有效提高了模型学习能力和运行效率。
29.图1为根据本技术一些实施例的基于量子计算的联邦学习模型100的示意图。
30.本技术提出的基于量子计算的联邦学习模型100包括：神经网络模型10，其包括量子计算模块(图中未示出)，神经网络模型10分别构建于多个计算设备中；其中，多个计算设备中的一者101用于接收来自多个计算设备中的其它者102上的神经网络模型的经训练的参数，并对该经训练的参数进行处理且将处理结果传送到多个计算设备中的相应的其它者102上的神经网络模型以进行迭代训练；以及多个计算设备中的其它者102 上的神经网络模型各自使用各自相应的数据集分别独立进行参数训练。
31.量子联邦学习模型可在多个分散的计算设备或服务器上训练神经网络模型，这些设备或服务器保存本地数据集，而无需交换它们。这种方法与传统的集中式机器学习技术形成对比，传统的集中式机器学习技术需要将所有本地数据集上传到一个服务器。
32.根据本技术提出的基于量子计算的联邦学习模型，不必将所有数据集中到一个中心服务器就能够训练神经网络模型。多个计算设备中的其它者可以是每一个拥有数据源的机构的计算设备或服务器，例如，机构包括社区医院、医药研究中心、癌症治疗中心等，各个机构的计算设备可利用自身的数据集单独训练相同的神经网络模型。各个机构将加密后的模型参数传到中心服务器，由中心服务器对模型进行聚合，对模型参数加权平均，后将最新最优的模型参数传送回各个机构。
33.为了确保用户隐私和数据安全，各机构间之间不进行数据交换，各个机构与中心服务器也不进行数据交换。中心服务器能够收集到的是加密过的模型的参数，注意加密过的模型的参数不同于数据集中的数据，且不能被逆向工程还原成原数据。
34.根据本技术的一些实施例，在中心服务器上对来自各个机构的参数求平均有很多种实施方式，例如联邦平均法(federatedaveraging)，可通过如下的步骤进行：
35.1.初始化模型参数。
36.2.由中心服务器将神经网络模型以及中心服务器拥有的最新参数传送到每一个机构， (模型只需要传送一次)。每一个机构使用最新接收到的参数，以及本地隐私数据进行训练，以更新模型参数。每个机构分别对各自的整个数据集训练若干次后，将最新参数传回中心服务器。中心服务器对所有机构的最新参数进行收集，并根据各个机构训练数据的比例进行加权平均。
37.3.重复第2步若干轮次。
38.根据本技术的另一些实施例，可使用振幅编码的方法将数据集中的待输入数据编码为量子态。
39.例如，给定一个长度为n的经典输入矢量：x＝[x0,x1…
x
n-1
]，考虑一个量子线路有 n＝log2(n)个量子比特，可以把基态|i》的振幅变成xi，即得到了编码过的量子态：
[0040]
其中|i》是十进制表示的计算基础状态(基态)，k是归一化常数，k的取值要能使得《x|x》＝1。
[0041]
根据本技术的另一些实施例，量子计算模块包括量子隐形传态线路，从而为部分量子算法中量子态的传输提供了可能。
[0042]
图2为根据本技术一些实施例的量子隐形传态线路20的示意图。
[0043]
如图2所示，前两个量子位201属于多个设备中的其它者中的一者(以下简称“机构a”)，第三个量子位202在多个设备中的一者(以下简称“中心服务器b”)中，量子隐形传送可以通过以下四个步骤实现：
[0044]
1.初始状态：机构a从单个量子位的量子状态|ψ》开始。机构a和中心服务器b 还共享两个量子位的量子态，
[0045]
2.机构a进行如下操作：为了完成机构a的的协议部分，机构a在|ψ》和其另一个量子位之间执行与非门(cnot)，然后对第一个量子位应用哈达玛门，然后机构a 在计算基础状态上测量其两个量子位，得到结果z＝0或1和x＝0或1，四种测量结果中每一个出现的概率是1/4。
[0046]
3.经典通信：机构a将经典位z和x发送给中心服务器b。
[0047]
4.中心服务器b恢复量子态|ψ》：中心服务器b将zzx
x
应用于它的量子位，恢复原始状态|ψ》，从而实现了机构a与中心服务器b之间的量子态的传送。
[0048]
根据本技术的一些实施例，量子联邦学习具有更广泛的应用场景，尤其适用于数据敏感的金融、医药行业。
[0049]
由于量子联邦学习适用于任何量子人工智能(ai)模型，可根据具体情况选择量子计算模块来构建神经网络模型，例如构建量子注意力模型。
[0050]
量子联邦学习可以兼容带有参数的经典算法(例如通过构建经典计算模块)、量子算法、经典量子混合算法，完成在去中心化数据集上的训练、不仅优化了经典数据的压缩，大大提高了节点与训练中心的数据交换效率。
[0051]
根据本技术的另一些实施例，数据集为数字黄河数据。
[0052]
黄河大脑的构建离不开ai的帮助，而最新的研究表明，量子ai具有参数少、能耗低等优点。结合量子联邦学习框架，将为构建一个有自动分析和思考的能力黄河大脑提供有力支持。
[0053]
数字黄河是利用数字技术和方法将黄河及其附近的活动和环境的时空变化数据,按地球的坐标加以整理，存入分布的计算机中，构成一个数字模型，在高速网络上进行快速流通，这样就可以使人们快速、直观完整地了解我们的黄河。“数字黄河”将最大限度地为人类的可持续发展和社会进步以及国民经济建设提供高质量的服务。
[0054]
数字黄河积累了大量数据，可以用于训练一个量子ai模型来进行汛期预测等智能决策。但问题是，相关数据高度敏感，事关国计民生。而本技术提出的量子联邦学习模型能够利用防汛知识图谱，将历史上专家决策的过程和经验转化为数据，输入给量子ai智能算法，让机器辅助防汛工作的开展。
[0055]
例如，知识图谱本质上是一种图(graph)数据结构。graph的每个节点是一个特征矢量，节点之间的连接表示某一事件与另一事件的关联程度。比如30天来水量比常年同期偏少4成以上表示轻枯水即将到来，将这些数据作为输入数据，通过使用上述基于量子计算的联邦学习模型进行训练学习以进行智能决策。
[0056]
本技术的用于分子结构推理的模型及方法使得需要优化的参数量大大减少，用到
的存储介质，即量子比特数目也大大减少，从而使得基于量子计算的数据处理的方法更便捷、准确。
[0057]
本技术的技术内容及技术特点已揭示如上，然而熟悉本领域的技术人员仍可能基于本技术的教示及揭示而作种种不背离本技术精神的替换及修饰。因此，本技术的保护范围应不限于实施例所揭示的内容，而应包括各种不背离本技术的替换及修饰，并为本专利申请权利要求书所涵盖。