基于参数化玻色采样的量子线路学习方法及图像模糊方法技术

本发明专利技术公开了一种基于参数化玻色采样的量子线路学习方法，包括设计量子线路学习框架并准备输入态；设计参数化玻色采样量子线路；线路参数初始化；计算参数化玻色采样的酉变换并得到输出态，计算输出态中不同光子配置的概率排列组合概率分布并后处理；对比后处理的概率分布与目标概率分布并计算损失函数；根据损失函数更新线路参数；重复上述步骤得到训练后的概率分布。本发明专利技术还公开了包括所述基于参数化玻色采样的量子线路学习方法的图像模糊方法。本发明专利技术在玻色采样模型中引入参数化的结构，得到了如神经网络的参数化玻色采样模型，实现了函数拟合的功能，能够通过量子计算机对大数据时期的大量数据的处理和分析。

【技术实现步骤摘要】
基于参数化玻色采样的量子线路学习方法及图像模糊方法
本专利技术具体涉及一种基于参数化玻色采样的量子线路学习方法及图像模糊方法。
技术介绍
近年来，机器学习技术发展浪潮汹涌，在这个需要处理的数据量愈发庞大的时代，机器学习技术已经成为了最具潜力的技术之一。机器学习可以根据已有数据所组成的训练集进行学习策略的探索和潜在结构的发现，基于所得模型进行预测及预警。同时，近年来逐渐膨胀的大数据为众多产业提供了相当可观的价值，但与此同时也在技术层面让从业人员不得不面临更加严峻的挑战。许多传统的机器学习算法及网络模型都已无法应对大数据时代海量数据的处理和分析，因此不得不寻找新的方法来解决问题。如今，世界范围内已经出现了众多新的研究，探索量子计算应如何与机器学习进行结合。研究人员们既希望通过引入量子计算来解决机器学习的运算效率问题，又在努力探索尝试利用量子力学所独有的一些量子优势，研究更具智能的机器学习算法以及网络模型。量子神经网络(QNN-QuantumNeuralNetwork)，是基于量子力学原理的神经网络模型。与经典神经网络相比，量子神经网络在理论上具有更快的计算速度、更高的记忆容量、更小的网络规模以及可消除灾变性失忆现象的能力。要验证这些出色的能力，玻色采样过程是一个可供实践的研究对象。由于玻色采样过程将计算需要的信息编码在玻色子(如光子)的粒子数态上，因而在不需要实现量子门的情况下，也能够展示出经典计算无法比拟的计算能力。但现在的量子计算机尚没有广泛应用，且目前量子计算机规模不大、容错能力较低，还无法实现量子线路参数学习和承载大型数据的处理任务。然而通过与经典优化算法结合，量子计算机却能够在特定任务上展现出良好效果，实现远超经典计算机的计算能力。
技术实现思路
本专利技术的目的之一在于提供一种基于参数化玻色采样的量子线路学习方法，能够利用经典的机器学习算法解决目前的量子计算机线路学习问题，并通过混合量子经典算法实现高斯函数快速拟合。本专利技术的目的之二在于提供一种包括了所述基于参数化玻色采样的量子线路学习方法的图像模糊方法。本专利技术提供的这种基于参数化玻色采样的量子线路学习方法，包括如下步骤：S1.设计基于参数化玻色采样的量子线路学习框架，并准备参数化玻色采样量子线路的输入态；S2.设计参数化玻色采样量子线路；S3.参数化玻色采样量子线路中的线路参数均以随机值初始化；S4.计算参数化玻色采样的酉变换U，并得到参数化玻色采样量子线路的输出态，对输出态中不同光子配置的概率排列组合得到概率分布p，并对概率分布p进行后处理；S5.将经过后处理的概率分布与目标概率分布对比，计算出损失函数；S6.根据损失函数计算出参数化玻色采样量子线路中线路参数的梯度并进行更新；S7.重复S4～S6完成迭代过程，得到训练后的概率分布。所述的步骤S1，设计基于参数化玻色采样的量子线路学习框架，具体包括准备参数化玻色采样量子线路的输入态，定义参数化玻色采样量子线路的输入与参数化玻色采样量子线路的输出；对于m个模式、n个光子的参数化玻色采样，参数化玻色采样量子线路的输入的定义为|1>和|0>的乘积态，参数化玻色采样量子线路的输入态为其中，m为参数化玻色采样量子线路的模式数，n为参数化玻色采样量子线路的光子数，参数化玻色采样量子线路的输入由用户输入数据编码获得。步骤S2所述的设计参数化玻色采样量子线路，具体为由m个模式和n个光子组成的参数化玻色采样量子线路包括d层移相器和分束器组成的阵列；每一层移相器组成的阵列均由作用在每个模式上的m个移相器构成；移相器是一个单模式上的旋转门，对单模式的幅度αS作用eiφ，对其他m-1模式作用单位矩阵Im-1，其中S为不同情况的光子配置，φ为特定的旋转角；分束器组成的阵列分为奇数列的分束器和偶数列的分束器，奇数列的分束器和偶数列的分束器以奇偶顺序依层交替排列；其中奇数列的分束器作用于相邻的两个模式上，对i和i+1模式的幅度αS和αt的作用为：其中i为奇数，θ为相位角，为偏置角，对其他m-2模式作用单位矩阵Im-2；偶数列的分束器作用于相邻的两个模式上，对i’和i’+1模式的幅度α'S和α't的作用为：其中i’为偶数，θ'为相位角，为偏置角，对其他m-2模式作用单位矩阵Im-2。步骤S3所述的参数化玻色采样量子线路中的线路参数均以随机值初始化，具体为线路参数包括φ、θ和其中，φ为光学器件移相器特定的旋转角，θ和则是另一光学器件分束器的参数，分别为相位角和偏置角，φ、θ和的取值范围均为[0,2π)。所述的步骤S4，具体为参数化玻色采样量子线路的输入通过参数化玻色采样的酉变换U演化后得到参数化玻色采样量子线路的输出，参数化玻色采样量子线路的输出态为并且参数化玻色采样量子线路的输出态|ψout>＝U|ψin>；其中S为不同情况的光子配置，γS为有关配置S的复振幅，m为参数化玻色采样的模式数，ni为参数化玻色采样第i个模式的光子数。步骤S4所述的后处理，具体为通过复振幅得到不同情况光子配置S的概率pS＝Pr[S]＝|γS|2，将M种配置的概率组合后得到概率分布p＝[p1,…,pM]，M是概率分布的样本数量，再将得到的概率分布根据目标概率分布的样本值按大小进行排列，并只在第一次迭代过程中按照目标概率分布的样本值进行大小排列，之后迭代时均以后处理的概率分布排列顺序对概率分布进行排列。所述的步骤S5，具体为利用参数化玻色采样模型学习拟合高斯函数；采用第一评价指标和第二评价指标作为参数化玻色采样模型学习的损失函数；所述的第一评价指标为最大均值差异(MaximumMeanDiscrepancy，MMD)，所述的第二评价指标为平均绝对误差(MeanAbsoluteError，MAE)；第一评价指标和第二评价指标均用于将输出概率分布更接近于目标概率分布；最大均值差异定义的损失函数为：其中p为输出概率分布，p'为目标概率分布，pi和pj均为输出概率分布的预测值，p'i和p'j均为目标概率分布的真实值，M是概率分布的样本数量；最大均值差异中包括如下高斯核函数：k(x,y)＝exp(-||x-y||2/2σ2)其中σ是控制高斯核函数的带宽参数；平均绝对误差定义的损失函数为：其中pl为输出概率分布的预测值，pl'为目标概率分布的真实值。所述的步骤S6，具体为采用有限差分法来计算微分，代入步骤S3定义的参数化玻色采样量子线路中的线路参数对设定参数θj进行微分：其中Δj是在j方向上的微小参数，θ为相位角，为偏置角；对设定参数θj进行更新，其中η为控制损失函数降低的自适应学习率。本专利技术还提供一种包括上述基于参数化玻色采样的量子线路学习方法的图像模糊方法，包括如下步骤：A.采用所述的基于参数化玻色采样的量子线路学习方法，进行高斯函数拟合，确定高斯函数的平均值与标准差，并准备需要模糊的图片；B.本文档来自技高网...

【技术保护点】
1.一种基于参数化玻色采样的量子线路学习方法，包括如下步骤：/nS1.设计基于参数化玻色采样的量子线路学习框架，并准备参数化玻色采样量子线路的输入态；/nS2.设计参数化玻色采样量子线路；/nS3.参数化玻色采样量子线路中的线路参数均以随机值初始化；/nS4.计算参数化玻色采样的酉变换U，并得到参数化玻色采样量子线路的输出态，对输出态中不同光子配置的概率排列组合得到概率分布p，并对概率分布p进行后处理；/nS5.将经过后处理的概率分布与目标概率分布对比，计算出损失函数；/nS6.根据损失函数计算出参数化玻色采样量子线路中线路参数的梯度并进行更新；/nS7.重复步骤S4～S6完成迭代过程，得到训练后的概率分布。/n

【技术特征摘要】
1.一种基于参数化玻色采样的量子线路学习方法，包括如下步骤：
S1.设计基于参数化玻色采样的量子线路学习框架，并准备参数化玻色采样量子线路的输入态；
S2.设计参数化玻色采样量子线路；
S3.参数化玻色采样量子线路中的线路参数均以随机值初始化；
S4.计算参数化玻色采样的酉变换U，并得到参数化玻色采样量子线路的输出态，对输出态中不同光子配置的概率排列组合得到概率分布p，并对概率分布p进行后处理；
S5.将经过后处理的概率分布与目标概率分布对比，计算出损失函数；
S6.根据损失函数计算出参数化玻色采样量子线路中线路参数的梯度并进行更新；
S7.重复步骤S4～S6完成迭代过程，得到训练后的概率分布。


2.根据权利要求1所述的基于参数化玻色采样的量子线路学习方法，其特征在于所述的步骤S1，设计基于参数化玻色采样的量子线路学习框架，具体包括准备参数化玻色采样量子线路的输入态，定义参数化玻色采样量子线路的输入与参数化玻色采样量子线路的输出；对于m个模式、n个光子的参数化玻色采样，参数化玻色采样量子线路的输入的定义为|1＞和|0＞的乘积态，参数化玻色采样量子线路的输入态为其中，m为参数化玻色采样量子线路的模式数，n为参数化玻色采样量子线路的光子数，参数化玻色采样量子线路的输入由用户输入数据编码获得。


3.根据权利要求2所述的基于参数化玻色采样的量子线路学习方法，其特征在于步骤S2所述的设计参数化玻色采样量子线路，具体为由m个模式和n个光子组成的参数化玻色采样量子线路包括d层移相器和分束器组成的阵列；每一层移相器组成的阵列均由作用在每个模式上的m个移相器构成；移相器是一个单模式上的旋转门，对单模式的幅度αS作用eiφ，对其他m-1模式作用单位矩阵Im-1，其中S为不同情况的光子配置，φ为特定的旋转角；分束器组成的阵列分为奇数列的分束器和偶数列的分束器，奇数列的分束器和偶数列的分束器以奇偶顺序依层交替排列；其中奇数列的分束器作用于相邻的两个模式上，对i和i+1模式的幅度αS和αt的作用为：



其中i为奇数，θ为相位角，为偏置角，对其他m-2模式作用单位矩阵Im-2；偶数列的分束器作用于相邻的两个模式上，对i’和i’+1模式的幅度α'S和α't的作用为：



其中i’为偶数，θ'为相位角，为偏置角，对其他m-2模式作用单位矩阵Im-2。


4.根据权利要求3所述的基于参数化玻色采样的量子线路学习方法，其特征在于步骤S3所述的参数化玻色采样量子线路中的线路参数均以随机值初始化，具体为线路参数包括φ、θ和其中，φ为光学器件移相器特定的旋转角，θ和则是另一光学器件分束器的参数，分别为相位角和偏置角，φ、θ和的取值范围均为[0,2π)。


5.根据权利要求4所述...

【专利技术属性】
技术研发人员：石金晶，唐涌泽，陆玉虎，冯艳艳，施荣华，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43