量子哈密顿学习方法、图像分割方法及车牌识别方法技术

本发明专利技术公开了一种量子哈密顿学习方法，包括确定初始系统的哈密顿量并预设末态系统的哈密顿量；构造对应的酉算子并分解得到对应的量子逻辑门；构建最终的参数化量子线路；将初始系统带入参数化量子线路并演化生成中间态量子系统，演化过程中计算损失函数并更新系统参数；比较中间态量子系统的哈密度量的期望值与预设的末态系统的哈密度量期望值并输出最终的量子比特排序和对应系统的哈密顿量的期望值，完成参数化量子的哈密顿学习。本发明专利技术还公开了一种包括所述量子哈密顿学习方法的图像分割方法，以及包括了所述图像分割方法的车牌识别方法。本发明专利技术可靠性更高，实用性更好。实用性更好。实用性更好。

【技术实现步骤摘要】
量子哈密顿学习方法、图像分割方法及车牌识别方法


[0001]本专利技术属于量子计算领域，具体涉及一种量子哈密顿学习方法、图像分割方法及车牌识别方法。

技术介绍

[0002]随着经济技术的发展和人们生活水平的提高，量子计算技术已经开始了逐步的应用。目前，量子计算具有解决一些基本问题的潜力，例如分解整数或查找无序数据集，因此量子计算的研究已经引起了相当多的关注。
[0003]参数化量子线路，是近些年被提出来的一种量子线路训练方法。它能够通过降低电路中参数的损失函数直到收敛来训练和优化量子电路。参数化量子线路的特点是通过对含有参数的酉算子进行分解从而得到相应的量子逻辑门。许多基于参数化量子线路的量子方法已被用于在量子计算机上完成多项应用任务，例如训练玻色子采样、改进主成分分析和实现化学测量。参数化量子线路具有表征量子算法的能力，随着量子计算机的改进，参数化量子线路具有广泛的应用场景。
[0004]哈密顿学习作为一种重要的量子机器学习技术，在2014年被提出。通过学习哈密顿量来感知未知的物理系统，从而为解决准备和测量物理系统的基本问题提供了重要的思路；其中系统的物理状态等构成了材料分析、半导体设计等大量实际应用的基础。哈密顿学习算法旨在通过更新演化时间来学习具有Ising模型的量子系统。近年来，哈密顿学习算法在计算精度和消除噪声影响方面有所提高。
[0005]但是，目前并没有任何关于参数化量子线路和哈密顿学习两者结合的研究。

技术实现思路

[0006]本专利技术的目的之一在于提供一种能够实现哈密顿学习，而且可靠性高、实用性好的量子哈密顿学习方法。
[0007]本专利技术的目的之二在于提供一种包括了所述量子哈密顿学习方法的图像分割方法。
[0008]本专利技术的目的之三在于提供一种包括了所述图像分割方法的车牌识别方法。
[0009]本专利技术提供的这种量子哈密顿学习方法，包括如下步骤：
[0010]S1.确定初始系统的哈密顿量，并预设末态系统的哈密顿量；
[0011]S2.根据步骤S1得到的初始系统的哈密顿量和末态系统的哈密顿量，构造对应的酉算子；
[0012]S3.对步骤S2构造得到的酉算子进行分解，得到对应的量子逻辑门；
[0013]S4.根据步骤S3得到的量子逻辑门，构建最终的参数化量子线路；
[0014]S5.将初始系统带入步骤S4构建的参数化量子线路，并进行演化生成中间态量子系统；演化过程中计算损失函数，并对系统参数进行更新；
[0015]S6.计算步骤S5得到的中间态量子系统的哈密度量的期望值与预设的末态系统的
哈密度量期望值，并进行比较；
[0016]S7.根据步骤S6的比较结果，输出最终的量子比特排序和对应系统的哈密顿量的期望值，完成参数化量子的哈密顿学习。
[0017]步骤S1所述的确定初始系统的哈密顿量，并预设末态系统的哈密顿量，具体包括如下步骤：
[0018]确定初始系统为拥有哈密顿量为H
b
的量子系统，且哈密顿量H
b
满足式中N为系统中粒子的个数；为泡利X算子；
[0019]预设末态系统为拥有哈密顿量为H
p
的量子系统，且哈密顿量H
p
满足式中I为单位矩阵；N为系统中粒子的个数；为泡利Z算子；为量子计算中的直接乘积符号。
[0020]步骤S2所述的根据步骤S1得到的初始系统的哈密顿量和末态系统的哈密顿量，构造对应的酉算子，具体包括如下步骤：
[0021]搭建的量子电路的量子门基于以参数α和β作为酉算子生成元在U(α,β)中的幺正变换的累乘，式中M为系统演化步数；α和β均为参数化量子线路中需要更新的参数；α
ρ
为α在演化的第ρ步的参数；β
ρ
为β在演化的第ρ步的参数；U(H
b
,α
ρ
)和U(H
p
,β
ρ
)为演化的第ρ步的量子电路，且U(H
b
,α
ρ
)的数学表达式为U(H
p
,β
ρ
)的数学表达式为其中i为虚数单位，H
b
为初始系统所拥有的哈密顿量，H
p
为末态系统所拥有的哈密顿量；
[0022]U(H
b
,α
ρ
)和U(H
p
,β
ρ
)为最终构造的对应的酉算子。
[0023]步骤S3所述的对步骤S2构造得到的酉算子进行分解，得到对应的量子逻辑门，具体包括如下步骤：
[0024]采用如下算式分解酉算子U(H
b
,α
ρ
)：
[0025][0026]从而将酉算子U(H
b
,α
ρ
)分解为若干旋转角度为2α
ρ
的R
x
(2α
ρ
)门；
[0027]采用如下算式分解酉算子U(H
p
,β
ρ
)：
[0028][0029]式中为常数项；然后再对后一项分解为：
[0030][0031]从而将酉算子U(H
p
,β
ρ
)分解为若干旋转角度为
‑
β
ρ
的R
z
(
‑
β
ρ
)门和CNOT门。
[0032]步骤S4所述的根据步骤S3得到的量子逻辑门，构建最终的参数化量子线路，具体为将步骤S3分解得到的对应的量子逻辑门按照酉算子的搭建顺序组合在一起，从而得到最终的参数化量子线路。
[0033]步骤S5所述的将初始系统带入步骤S4构建的参数化量子线路，并进行演化生成中间态量子系统，具体包括如下步骤：
[0034]将初始系统带入步骤S4构建的参数化量子线路，对初始系统进行激发；初始系统在参数化量子线路中，开始自发的完成系统演化环节，并开始产生中间态量子系统；中间态量子系统的哈密顿量H(t)符合算式式中t为演化时间，T为演化过程中的系统温度；H
b
为初始系统所拥有的哈密顿量；H
p
为预设的末态系统所拥有的哈密顿量。
[0035]步骤S5所述的演化过程中计算损失函数，并对系统参数进行更新，具体为计算参数α和β的损失函数，并利用梯度下降优化算法对参数α和β进行更新。
[0036]所述的演化过程中计算损失函数，并对系统参数进行更新，具体包括如下步骤：
[0037]采用如下算式计算损失函数L(α,β)的梯度：
[0038][0039][0040]式中α
j
为α在演化的第j步的参数；β
j
为β在演化的第j步的参数；Δ
j
为第j个方向的参数；α和β的更新规则为：
[0041][0042]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种量子哈密顿学习方法，包括如下步骤：S1.确定初始系统的哈密顿量，并预设末态系统的哈密顿量；S2.根据步骤S1得到的初始系统的哈密顿量和末态系统的哈密顿量，构造对应的酉算子；S3.对步骤S2构造得到的酉算子进行分解，得到对应的量子逻辑门；S4.根据步骤S3得到的量子逻辑门，构建最终的参数化量子线路；S5.将初始系统带入步骤S4构建的参数化量子线路，并进行演化生成中间态量子系统；演化过程中计算损失函数，并对系统参数进行更新；S6.计算步骤S5得到的中间态量子系统的哈密度量的期望值与预设的末态系统的哈密度量期望值，并进行比较；S7.根据步骤S6的比较结果，输出最终的量子比特排序和对应系统的哈密顿量的期望值，完成参数化量子的哈密顿学习。2.根据权利要求1所述的量子哈密顿学习方法，其特征在于步骤S1所述的确定初始系统的哈密顿量，并预设末态系统的哈密顿量，具体包括如下步骤：确定初始系统为拥有哈密顿量为H
b
的量子系统，且哈密顿量H
b
满足式中N为系统中粒子的个数；为泡利X算子；预设末态系统为拥有哈密顿量为H
p
的量子系统，且哈密顿量H
p
满足式中I为单位矩阵；N为系统中粒子的个数；为泡利Z算子；为量子计算中的直接乘积符号。3.根据权利要求2所述的量子哈密顿学习方法，其特征在于步骤S2所述的根据步骤S1得到的初始系统的哈密顿量和末态系统的哈密顿量，构造对应的酉算子，具体包括如下步骤：搭建的量子电路的量子门基于以参数α和β作为酉算子生成元在U(α,β)中的幺正变换的累乘，式中M为系统演化步数；α和β均为参数化量子线路中需要更新的参数；α
ρ
为α在演化的第ρ步的参数；β
ρ
为β在演化的第ρ步的参数；U(H
b
,α
ρ
)和U(H
p
,β
ρ
)为演化的第ρ步的量子电路，且U(H
b
,α
ρ
)的数学表达式为U(H
p
,β
ρ
)的数学表达式为其中i为虚数单位，H
b
为初始系统所拥有的哈密顿量，H
p
为末态系统所拥有的哈密顿量；U(H
b
,α
ρ
)和U(H
p
,β
ρ
)为最终构造的对应的酉算子。4.根据权利要求3所述的量子哈密顿学习方法，其特征在于步骤S3所述的对步骤S2构造得到的酉算子进行分解，得到对应的量子逻辑门，具体包括如下步骤：采用如下算式分解酉算子U(H
b
,α
ρ
)：
从而将酉算子U(H
b
,α
ρ
)分解为若干旋转角度为2α
ρ
的R
x
(2α
ρ
)门；采用如下算式分解酉算子U(H
p
,β
ρ
)：式中为常数项；然后再对后一项分解为：从而将酉算子U(H
p
,β
ρ
)分解为若干旋转角度为
‑
β
ρ
的R
z
(
‑
β
ρ
)门和CNOT门。5.根据权利要求4所述的量子哈密顿学习方法，其特征在于步骤S4所述的根据步骤S3得到的量子逻辑门，构建最终的参数化量子线路，具体为将步骤S3分解得到的对应的量子逻辑门按照酉算子的搭建顺序组合在一起，从而得到最终的参数化量子线路。6.根据权利要求5所述的量子哈密顿学习方法，其特征在于步骤S5所述...

【专利技术属性】
技术研发人员：石金晶，王雯萱，孙志伟，康叶，施鹤远，胡超，
申请(专利权)人：中南大学，
类型：发明
国别省市：