用于生成数据特征的模型的制作方法

1.本技术实施例大体上涉及基于量子计算的学习模型，更具体地，涉及用于生成数据特征的模型。


背景技术：

2.基于经典的gan算法是人工智能领域的研究热点，被应用在多种应用场景，如生物医药、材料、神经科学等，然而这些模型的运行都需要消耗大量的计算资源。在过去算法运行的计算资源主要由电子集成电路制造的芯片提供，而随着电子遂穿效应对制程接近纳米极限后的制约，算力很难再持续提升。量子计算芯片是对电子芯片计算方式的补充，然而经典的gan算法在量子芯片上的运行无法按照其在电子芯片上的方式进行处理。但目前相关研究较少。
3.因此，本技术提出一种用于生成数据特征的模型。


技术实现要素：

4.本技术实施例的目的之一在于提供一种用于生成数据特征的模型，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用于生成数据特征的模型，其包括：生成对抗网络gan模块，其对输入数据进行重建；以及门控循环单元gru模块，其基于输入数据和经重建的输入数据生成数据特征，其中，gan模块和gru模块中的至少一者包括量子线路。
6.根据本技术的一些实施例，其中gan模块包括生成器线路和判别器线路。
7.根据本技术的一些实施例，其中量子线路包括量子卷积核、量子池化核、量子稠密核和量子启发模糊卷积核中的至少一者。
8.根据本技术的一些实施例，其中量子线路包括可学习参数化的泡利旋转门和受控门以实现量子态的纠缠。
9.根据本技术的一些实施例，其中输入数据经编码为量子态。
10.根据本技术的一些实施例，其中将输入数据编码为量子态包括：将输入数据转化为特征矩阵；对特征矩阵进行归一化操作以得到约化矩阵；将约化矩阵转化为gram半正定矩阵；以及对gram半正定矩阵进行l1-范数正则化。
11.根据本技术的一些实施例，其中gan模块和所述gru模块中的至少一者经优化而得到。
12.根据本技术的一些实施例，其中输入数据为脑电波数据和心电图数据中的至少一者。
13.根据本技术的一些实施例，其中数据特征为情绪识别的数据。
14.根据本技术的一些实施例，其中生成器线路使用损失函数lg进行优化，其中进行优化，其中其中e表示所述输入数据，pe表示给定的真实的输入数据的数据分
布，为损失函数的表示，δ(e，τ)表示基于阈值τ由e变换得到的数据。
15.根据本技术的一些实施例，其中判别器线路使用损失函数ld进行优化，且进行优化，且其中e表示所述输入数据，pe表示给定的真实的输入数据的数据分布，为损失函数的表示，δ(e，τ)表示基于阈值τ由e变换得到的数据，λp是一个表示惩罚项权重的超参数，表示所述判别器线路的梯度。
16.根据本技术的一些实施例，其中gru模块使用交叉熵损失函数进行优化。
17.与现有技术相比，本技术实施例提供的用于生成数据特征的模型，利用量子计算对经典计算方式作为补充，可有效提高数据处理速度与准确度。
附图说明
18.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例示的结构来获得其他实施例的附图。
19.图1为根据本技术一些实施例用于预测数据特征的模型100的示意图。
20.图2为根据本技术一些实施例的参数化的量子线路模块的示意图。
21.图3为根据本技术一些实施例的对抗自编码生成模块200的示意图。
22.图4为根据本技术一些实施例的预测与数据特征相关的其它数据特征的模型300的示意图。
具体实施方式
23.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。
24.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。
25.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。
26.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：
27.1.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。
28.2.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，|β|2分别代表处于0和1的概率，量子比特的状态被称为量子态，量子态数据是用来表达该量子态的数据。
29.3.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。
30.4.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(β)＝1和半正定性。
31.5.量子门：常使用矩阵表示，操作n个量子比特的门可以用2nx2n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。
32.6.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
33.7.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。
34.本技术提出的用于生成数据特征的模型，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。
35.图1为根据本技术一些实施例用于生成数据特征的模型100的示意图。
36.如图1所示，本技术提出的用于生成数据特征的模型100包括：生成对抗网络(gan)模块，其对输入数据101进行重建；以及门控循环单元(gru)模块，其基于输入数据101和经重建的输入数据10生成数据特征11，其中，gan模块和gru模块中的至少一者包括量子线路。
37.上述用于生成数据特征的模型将对抗性训练与自我监督学习相结合以合成真实的输入数据，并利用增强的输入数据进行自我监督的数据特征的学习。
38.gan模块和gru模块中的至少一者可经优化而得到，gan模块可包括生成器线路和判别器线路，其中生成器线路和判别器线路中的至少一者可包括量子线路。量子线路可包含参数化的泡利旋转门，作为神经网络的可学习参数，通过受控门实现量子态纠缠，通过约化密度矩阵操作进行下采样，再通过测量得到判别器线路的分数，将该数值用于计算损失函数，以优化量子线路的参数。其中量子线路部分可采用量子卷积核、量子池化核、量子稠密核和量子启发模糊卷积核中的至少一者，将它们按一定规律摆放。可根据输入数据的结构来构建相应的参数化的量子线路。
39.gan模块的优化过程如下：
40.(1)向判别器线路展示数据集中的数据，并让判别器对输入数据进行判定，输出结果应为1，并用损失函数更新判别器线路；
41.(2)依旧训练判别器线路，向它展示的是生成器线路生成的数据，即伪造的输入数据，输出结果应是0，然后用损失函数更新判别器线路；
42.(3)训练生成器线路，用它生成一条伪造的输入数据，并将伪造的输入数据输入判别器线路进行辨别，判别器的预期输出应该是1，也就是期望判别器线路未鉴别出伪造的输入数据，成功骗过判别器线路，用结果的损失函数更新生成器线路，不用更新判别器线路；
43.(4)最终输出以假乱真的输入数据y1。
44.根据本技术的一些实施例，生成器线路可使用损失函数lg进行优化；判别器线路可使用损失函数ld进行优化。生成器线路和判别器线路共同组成对抗网络，对所输入的数据使用损失函数进行对抗学习，根据结果优化量子线路的参数空间。
45.例如，损失函数的公式如下：
[0046][0047][0048]
其中，e表示输入数据，pe表示给定的真实的输入数据的数据分布，为损失函数的表示，δ(e，τ)表示基于阈值τ由e变换得到的数据，λp是一个表示惩罚项权重的超参数，表示判别器线路的梯度。
[0049]
将由gan模块得到的脑电波数据输入到gru模块中，得到y2，将y2输入到另一个损失函数(例如交叉熵损失函数)中进行计算、训练、并使用基于梯度下降等优化方法，优化gru模块中的量子线路的参数。
[0050]
gru模块的具体工作过程如下：
[0051]
此部分线路用于对y1(gan模块的输出)进行数据特征学习，模拟输入数据中的时间依赖性，对输入数据进行训练，最终输出预测结果y2。
[0052]
当gru模块为量子线路时，该量子线路可包含参数化的泡利旋转门作为循环神经网络的可学习参数、通过受控门实现量子态纠错、再通过测量得到概率分布数值，将该数值用于计算损失函数，以优化gru模块的参数。
[0053]
量子线路具有如下特点：减少计算量；基于量子比特的数据表达能力更优；量子gan模型可在量子计算设备上高度并行处理数据特征；量子gan模型的量子-经典混合算法/全量子算法相比经典算法均具有更广泛的应用场景；基于参数化量子线路的模型训练过程中能更快收敛至稳定状态。
[0054]
根据本技术的一些实施例，参数化量子线路可由卷积层和池化层构成，每层可包含两个子模块，一个是由单比特任意旋转门组成的单比特旋转模块，另一个是由n层纠缠层组成的纠缠模块。纠缠可使量子线路包含比较全面的输入数据的信息。纠缠层的作用是在不同量子比特之间施加两比特门，比如受控非(cnot)门，从而生成纠缠。每个纠缠层，又可分为两部分：参数化单比特旋转模块和结构固定的两比特操作模块(结构固定指的是没有可调的参数)。其中单比特旋转模块可由针对n个量子比特的n个单比特任意旋转门组成。任意旋转门可由3个分别绕着y轴、z轴、y轴的旋转操作组合而来，可调参数是旋转的角度。这是一种欧拉旋转角分解，这样的参数化的旋转可以组合成任意单比特旋转操作。
[0055]
图2为根据本技术的一些实施例的参数化量子线路的卷积层的结构示意图。
[0056]
如图2所示，该卷积层由单比特旋转模块及多比特旋转模块组成，其中第一模块
201、第二模块202以及第三模块203分别为单比特旋转模块。
[0057]
其中第一模块201包含多个参数r
xi
，其中，r
x
、ry、rz是分别针对n个量子比特对应于x、y、z的泡利旋转门，r
xi
表示r
x
(θi)，i＝1、4、7、10...3n-8、3n-5、3n-2，θ代表旋转角度。
[0058]
类似地，第二模块202包含多个参数r
yj
，第三模块203包含多个参数r
zk
，其中，r
yj
表示ry(θj)，j＝2、5、8、11...3n-7、3n-4、3n-1，r
zk
表示rz(θk)，k＝3、6、9、12...3n-6、3n-3、3n。
[0059]
第四模块204、第五模块205以及第六模块206分别为多比特旋转模块，其中，其中，为张量积运算符，σ
x
为与x轴对应的量子物理量。
[0060]
该卷积层可对输入的量子态数据进行单比特泡利旋转、多比特泡利旋转后输出经量子卷积操作后的量子态数据，以对输入数据进行特征提取。
[0061]
图3为根据本技术的一些实施例的参数化量子线路的池化层的结构示意图。
[0062]
该池化层可对输入的量子态数据进行单比特泡利旋转、多比特受控门，之后输出经量子池化操作后的量子态数据，以降低输入数据的尺寸。
[0063]
在一些实施例中，构建量子线路并作用于量子态可通过如下步骤进行：
[0064]
1.(输入至量子卷积层)根据量子态密度矩阵(t
×
t)，确定量子线路比特数(第一个超参v＝log2t)。根据量子线路模块定义vc比特量子卷积，线路结构依次包含参数化泡利旋转门和受控门，并按一定的顺序摆放vc比特参数化量子线路的量子门；
[0065]
2.(输入至量子池化层)根据量子线路模块定义vp比特量子池化，线路结构依次包含参数化泡利旋转门和受控门，同理按照一定的顺序摆放量子门；
[0066]
3.(通过约化密度矩阵算法进行量子态压缩，即偏迹运算，量子编码线路的输出)将第一量子态输入v比特的参数化量子编码线路，该编码线路中将量子卷积和池化线路按顺序进行摆放，进行池化后的数据进行偏迹运算得到经量子池化操作后的量子态数据。
[0067]
本技术提出的用于生成数据特征的模型可适用于多种应用场景，如生物医药、图像视频处理、材料、神经科学等领域。例如，通过使用上述用于生成数据特征的模型对心电图数据进行疾病预测。
[0068]
根据本技术的一些实施例，gan模块可用于对脑电波数据进行数据增强，再通过gru模块实现情绪识别。
[0069]
情绪表现在我们日常生活行为的每一个动作中，理解情绪是人类发展和成长中最重要的方面之一，因此，它是模仿人类智力的一个重要环节。情感计算和情感自动情感识别是人工智能发展和所有研究领域的关键，脑电图(eeg)测量了大脑中的振荡，这反映了神经元的同步活动，这些振荡的变化与认知过程有关，可以用来揭示有关人类情绪状态的重要信息。脑电图作为一种生理信号，具有难以隐藏或伪装的优点，与其他生理信号相比，它具有良好的时间分辨率，与情绪状态在时间尺度上的细微变化相似。由于无创、易用、廉价的记录设备的快速发展，基于脑电图的情绪识别在研究和应用中都受到了越来越多的关注。
[0070]
本技术提出的上述用于生成数据特征的模型可进行脑电波训练，数据集可使用deap情绪脑电波数据集。deap数据集记录了32名受试者在观看40个1分钟长的音乐视频时的32通道脑电图信号和8通道外周生理信号。在看完每个视频后，参与者对每个视频的唤醒水平、效价、喜好和支配度从1到9进行打分，利用脑电图信号和评分值构建情绪识别任务。
[0071]
对于每条轨迹的脑电图信号，首先通过如下方法对deap数据集进行预处理：
[0072]
(1)记录的脑电图信号首先被降采样到128hz的采样率；
[0073]
(2)用从4hz到45hz的带通滤波器对获得的脑电图信号进行处理，以消除生理和工频噪声；
[0074]
(3)对以上处理的数据进行编码为量子态。
[0075]
图4为根据本技术实施例将数据编码为量子态的方法示意图。
[0076]
如图4所示，可通过如下方法将数据编码量子态：
[0077]
①
把长度为d的脑电波数据分段，每段长度为m的数据，将长度为m的脑电波数据转换成m
×
m(其中m为2^p，p为量子线路的比特数)的特征矩阵u1；
[0078]
②
将矩阵u1的转置乘以u1(即u1^t
×
u1)得到一个m
×
m的gram半正定矩阵；
[0079]
③
将gram半正定矩阵带入编码(encoding)函数(encoding可以将m
×
m的gram半正定矩阵转换为m
×
m的量子态密度矩阵)，得到脑电波序列对应的量子态数据。
[0080]
本技术提出的用于生成数据特征的模型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。
[0081]
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。