利用量子神经网络减少量子位误差的方法、装置及服务器制造方法及图纸

本申请实施例适用于量子技术领域，提供了一种利用量子神经网络减少量子位误差的方法、装置及服务器，该方法包括：统计所有光子的偏振矢量定义为第一偏振矢量，至少再统计一次另一时间下所有光子的偏振矢量定义为第二偏振矢量，基于第二偏振矢量和第一偏振矢量生成该光子的偏振方向模型作为量子神经网络的输入，基于量子神经网络对偏振方向模型进行训练，得到训练后的偏振方向模型，根据训练后的偏振方向模型判断光子的偏振态以确定量子位。可见，本申请可有效提高量子位计算精准度，以使其可更好的投入实际运用中。更好的投入实际运用中。

【技术实现步骤摘要】
利用量子神经网络减少量子位误差的方法、装置及服务器


[0001]本申请属于量子
，尤其涉及利用量子神经网络减少量子位误差的方法、装置及服务器。

技术介绍

[0002]在量子信息理论中，量子信息的基本单位是量子bit(qubit，复数qubits)，称为量子位。一个qubit是一个双态量子系统(如光子的偏振态、或电子的自旋态等等)，即是说一个qubit就是一个二维希尔伯特空间(描述态矢的抽象空间，由于光子的偏振态以及电子的自旋态都只有两个正交取向，即相当于相互垂直的两个坐标轴，所以是二维)。量子位数就是双态量子系统的个数。如果采用光子的偏振态，那么有几个光子，就有几个量子位数。经典的位概念是指任何一个二态体系（元件），只能取值其中一个状态，一般标记为0，1。一个经典位只能是0或者1。做过原子分子能级计算的研究者们知道，即使对于一个简单的原子体系（比如仅有两个电子的氦原子），哈密顿量写完整也是一个不可能完成的任务。不可能从第一性基本原理出发，写出一个完整的非相对论哈密顿量，如果我们承认场论的基本原则。也就是说，原则上不可能制备任何一个确定的量子态。由于量子态存在误差，就导致量子位是一个波动量，或者说是一个相对量或不确定量，显然这种未知的状态量很难用于实际应用，因此如何减少量子位误差，提高量子位计算的精准度是目前亟待解决的问题。

技术实现思路

[0003]有鉴于此，本申请实施例提供了一种利用量子神经网络减少量子位误差的方法、装置及服务器，可有效提高量子位计算精准度，以使其可更好的投入实际运用中。/>[0004]本申请实施例的第一方面提供了一种利用量子神经网络减少量子位误差的方法，包括：S101：统计所有光子的偏振矢量定义为第一偏振矢量；S102：至少再统计一次另一时间下所有光子的偏振矢量定义为第二偏振矢量；S103：基于第二偏振矢量和第一偏振矢量生成该光子的偏振方向模型作为量子神经网络的输入；S104：基于量子神经网络对偏振方向模型进行训练，得到训练后的偏振方向模型；S105：根据训练后的偏振方向模型判断光子的偏振态以确定量子位；S106：重复S101
‑
S105反复多次训练。
[0005]本申请首次提出利用光子的偏振矢量来预测或计算光子偏振态，基于光子偏振态计算出量子位，再通过偏振方向矢量模在量子神经网络反复训练，以提高量子位的计算精度。
[0006]进一步地，所述第一偏振矢量和第二偏振矢量的偏振方向无法确定时，即第一偏振矢量和第二偏振矢量重合，则必须进行第三次偏振矢量检测，若第三次偏振矢量与第一偏振矢量和第二偏振矢量重合，则断定该光子不存在偏振量，即该光子的偏振态为固定态。
[0007]本申请中为了更好提高量子位的计算精度，从而进行了多次偏振矢量的检测，以反复测定光子偏振态，进一步地提高量子位精度。
[0008]进一步地，所述量子神经网络至少包括三层，其分别为：第一层，输入所述偏振方向模型；第二层，输入所述训练后的偏振方向模型；第三层，输入基于所述训练后的偏振方向模型得到的量子位。
[0009]进一步地，所述量子神经网络的每一层都包括多个输入节点，可实现多维数据的同步输入。
[0010]进一步地，还包括一个各光子间的矢量模型建立过程，其包括：确定第一光子的第一偏振矢量，以及第二光子的第一偏振矢量；确定第一光子的第二偏振矢量，以及第二光子的第二偏振矢量；基于第一光子的偏振方向和第二光子的偏振方向，得到两光子之间的关系矢量。
[0011]使用多层量子神经网络可以提高量子位的计算精度，减少误差。
[0012]进一步地，基于所述关系矢量对所述量子位进行修正，若关系矢量为相向矢量，则基于其夹角系数做量子位减运算，若关系矢量为背向矢量，则基于其夹角系数做量子位加运算。
[0013]进一步地，同一光子可能存在多个关系矢量，其对应的进行多次加运算或减运算。
[0014]本申请实施例的第二方面提供了一种利用量子神经网络减少量子位误差的装置，该装置用于实现利用量子神经网络减少量子位误差的方法，其包括：矢量分析仪，用于分析各光子在不同时间下的偏振矢量；运算模块，基于光子在不同时间下的偏执矢量计算光子的偏振方向；存储设备，存储有光子的偏振方向模型；处理设备，基于所述光子的偏振方向模型和光子的偏振方向计算出量子位。
[0015]进一步地，所述运算模块可同步计算多个光子的偏振方向。
[0016]本申请实施例的第三方面提供了一种服务器，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序在处理器运行时执行利用量子神经网络减少量子位误差的方法。
[0017]本申请实施例与现有技术相比存在的有益效果是：本申请中利用量子神经网络对决定量子位的光子偏振态进行计算，通过多层神经网络和建立的光子偏振方向矢量模型得出较为精确的量子位，从而将不定态的量子位得以量化，使其可以用于实际应用，有利于量子位技术的推广应用。
附图说明
[0018]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0019]图1是本申请实施例提供的利用量子神经网络减少量子位误差的方法的流程示意图；
图2是本申请实施例提供的利用量子神经网络减少量子位误差的装置的结构示意图；图3是本申请实施例提供的服务器的结构示意图。
具体实施方式
[0020]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
[0021]为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
[0022]参考图1所示，为本申请实施例提供的一种利用量子神经网络减少量子位误差的方法的流程示意图，包括：S101：统计所有光子的偏振矢量定义为第一偏振矢量；S102：至少再统计一次另一时间下所有光子的偏振矢量定义为第二偏振矢量；S103：基于第二偏振矢量和第一偏振矢量生成该光子的偏振方向模型作为量子神经网络的输入；S104：基于量子神经网络对偏振方向模型进行训练，得到训练后的偏振方向模型；S105：根据训练后的偏振方向模型判断光子的偏振态以确定量子位；S106：重复S101
‑
S105反复多次训练。
[0023]量子神经网络(QNNs)是基于量子力学原理的计算神经网络模型。 Subhash Kak和Ron Chrisley于1995年独立发表了有关量子神经计算 的思想，他与量子心理理论相结合，后者认为量子效应在认知功能中 起作用。然而，QNN的典型研究包括将经典的人工神经网络模型(在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种利用量子神经网络减少量子位误差的方法，其特征在于，包括：S101：统计所有光子的偏振矢量定义为第一偏振矢量；S102：至少再统计一次另一时间下所有光子的偏振矢量定义为第二偏振矢量；S103：基于第二偏振矢量和第一偏振矢量生成该光子的偏振方向模型作为量子神经网络的输入；S104：基于量子神经网络对偏振方向模型进行训练，得到训练后的偏振方向模型；S105：根据训练后的偏振方向模型判断光子的偏振态以确定量子位；S106：重复S101
‑
S105反复多次训练。2.根据权利要求1所述的利用量子神经网络减少量子位误差的方法，其特征在于：所述第一偏振矢量和第二偏振矢量的偏振方向无法确定时，即第一偏振矢量和第二偏振矢量重合，则必须进行第三次偏振矢量检测，若第三次偏振矢量与第一偏振矢量和第二偏振矢量重合，则断定该光子不存在偏振量，即该光子的偏振态为固定态。3.根据权利要求1所述的利用量子神经网络减少量子位误差的方法，其特征在于：所述量子神经网络至少包括三层，其分别为：第一层，输入所述偏振方向模型；第二层，输入所述训练后的偏振方向模型；第三层，输入基于所述训练后的偏振方向模型得到的量子位。4.根据权利要求3所述的利用量子神经网络减少量子位误差的方法，其特征在于：所述量子神经网络的每一层都包括多个输入节点，可实现多维数据的同步输入。5.根据权利要求1所述的利用量子神经网络减少量子位误差的方法，其特征在于：还包括一个各光子间的矢量模型建立过程，...

【专利技术属性】
技术研发人员：邵伟，周卓俊，丘秉宜，陈柳平，韩琢，罗乐，
申请(专利权)人：启科量子技术珠海有限公司，
类型：发明
国别省市：