一种协作式的量子学习方法、系统及存储介质技术方案

本申请公开了一种协作式的量子学习方法、系统及存储介质，应用于机器学习技术领域，应用于第一用户端中时，包括：生成初始化量子态数据并赋值，以将第一用户数据加载到初始化量子态数据中，得到第一量子态数据；将第一量子态数据输入至第一量子神经网络中进行机器学习，得到携带有第一特征数据的第二量子态数据；对第二量子态数据进行置0操作，以删除第二量子态数据中存在的第一用户数据，得到第三量子态数据；将第三量子态数据传递给第二用户端进行操作，以完成第一用户端和第二用户端的协作式量子学习。应用本申请的方案，在保护用户隐私的基础上，完成了第一用户端和第二用户端的协作式量子学习。的协作式量子学习。的协作式量子学习。

【技术实现步骤摘要】
一种协作式的量子学习方法、系统及存储介质


[0001]本专利技术涉及机器学习
，特别是涉及一种协作式的量子学习方法、系统及存储介质。

技术介绍

[0002]量子计算是一种利用叠加、纠缠等量子力学性质进行运算的新型计算，目前已证明量子计算在部分领域有远超经典计算的计算能力。在量子计算体系中，信息以量子比特的形式进行存储。与经典比特类似，量子比特也有状态，可以是|0＞或|1＞这两种基态，也可以是|0＞和|1＞的线性组合，称为叠加态。单量子比特的状态|ψ＞可表示为：|ψ＞＝α|0>+β|1＞。其中的α和β均为复数，并且|α|2+|β|2＝1。因此，单量子比特状态也可以表示成维度为2，模长为1的向量(α，β)
T
。对量子系统的测量操作会使系统随机地坍缩到基态，概率则取决于每个基态前的系数。例如对于公式(1)中的量子比特而言，有|α|2的概率坍缩到|0＞、|β|2的概率坍缩到|1＞。当多个量子比特纠缠在一起时，对应的基态数会呈指数上升。N个量子比特纠缠的系统便有2
N
种本征态，系统状态可表示为本征态本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种协作式的量子学习方法，其特征在于，应用于第一用户端中，包括：生成初始化量子态数据；对所述初始化量子态数据进行赋值，以将第一用户数据加载到所述初始化量子态数据中，得到携带有所述第一用户数据的第一量子态数据；将所述第一量子态数据输入至第一量子神经网络中进行机器学习，得到所述第一量子神经网络输出的携带有第一特征数据的第二量子态数据，其中，所述第一特征数据为用于反映所述第一用户数据的特征的数据；对所述第二量子态数据进行置0操作，以删除所述第二量子态数据中存在的所述第一用户数据，得到第三量子态数据；将所述第三量子态数据传递给第二用户端，以使得所述第二用户端制备出所述第三量子态数据并对所述第三量子态数据进行赋值，以将第二用户数据加载到所述第三量子态数据中，得到携带有所述第三量子态数据以及所述第二用户数据的第四量子态数据，且所述第二用户端将所述第四量子态数据输入至第二量子神经网络中进行机器学习，得到所述第二量子神经网络输出的携带有第二特征数据的第五量子态数据，以完成所述第一用户端和所述第二用户端的协作式量子学习；其中，所述第二特征数据为用于反映所述第二用户数据和所述第三量子态数据的特征的数据。2.根据权利要求1所述的协作式的量子学习方法，其特征在于，所述第一用户数据和所述第二用户数据均为用于反映用户画像信息的用户数据；所述第一量子神经网络为根据所述第一用户数据所反映的用户画像信息进行机器学习，输出用户的第一方面的行为规律的第一量子神经网络；所述第二量子神经网络为根据所述第二用户数据所反映的用户画像信息，以及用户的第一方面的行为规律进行机器学习，输出用户的第二方面的行为规律的第二量子神经网络。3.根据权利要求1所述的协作式的量子学习方法，其特征在于，所述第一用户数据为图像数据转换成的向量，所述第二用户数据为用于反映用户画像信息的用户数据；所述第一量子神经网络为根据图像数据转换成的向量进行机器学习，输出针对所述图像的图像统计信息的第一量子神经网络；所述第二量子神经网络为根据所述第二用户数据所反映的用户画像信息，以及所述图像统计信息进行机器学习，输出用户的行为规律的第二量子神经网络。4.根据权利要求1所述的协作式的量子学习方法，其特征在于，所述对所述初始化量子态数据进行赋值，包括：通过逆向使用KCG算法对所述初始化量子态数据进行赋值，以使赋值操作满足酉变换规则；所述对所述第一量子态数据进行置0操作，包括：通过KCG算法对所述第一量子态数据进行置0操作，以使置0操作满足酉变换规则。5.根据权利要求1至4任一项所述的协作式的量子学习方法，其特征在于，初始化量子态数据为长度为2
N
的向量，所述第一用户数据为长度为n的向量；N和n均为正整数，且2
N
≥2n；所述对所述初始化量子态数据进行赋值，以将第一用户数据加载到所述初始化量子态
数据中，得到携带有所述第一用户数据的第一量子态数据，包括：对所述初始化量子态数据的第1位至第2n位中的各个奇数位进行赋值，以将第一用户数据加载到所述初始化量子态数据中，得到通过第1位至第2n位的各个奇数位携带所述第一用户数据的第一量子态数据；或者，对所述初始化量子态数据的第1位至第2n位中的各个偶数位进行赋值，以将第一用户数据加载到所述初始化量子态数据中，得到通过第1位至第2n位的各个偶数位携带所述第一用户数据的第一量子态数据。6.根据权利要求5所述的协作式的量子学习方法，其特征在于，当所述第一量子态数据通过第1位至第2n位的各个奇数位携带所述第一用户数据时，所述第一量子神经网络输出的所述第二量子态数据通过第1位至第2n位的各个奇数位携带所述第一用户数据，且通过第1位至第2n位的各个偶数位携带所述第一特征数据；相应的，得到的所述第三量子态数据的第1位至第2n位的各个奇数位均为0，所述第三量子态数据通过第1位至第2n位的各个偶数位携带所述第一特征数据；当所述第一量子态数据通过第1位至第2n位的各个偶数位携带...

【专利技术属性】
技术研发人员：李辰，姜金哲，张新，赵雅倩，
申请(专利权)人：山东海量信息技术研究院，
类型：发明
国别省市：