基于量子机器学习的训练框架构建方法、装置、系统制造方法及图纸

本申请提供了一种基于量子机器学习的训练框架构建方法、装置、系统，包括：获取初始训练样本集，其中，初始训练样本集为训练初始量子电路的量子比特数据集，且每个初始训练样本集均携带有初始状态标签；将初始训练样本集输入初始量子电路中，利用超算平台对初始训练样本集内的量子比特进行量子计算，输出每个初始训练样本集对应的状态标签以及状态标签属于初始状态的概率值；根据概率值调整初始量子电路的初始参数，直到概率值大于或者等于预设阈值，停止对初始参数的调整，得到目标量子电路。本申请解决了当前缺少可支持大规模量子比特数目的量子计算模型的创建、训练和运行的框架的问题。的问题。的问题。

【技术实现步骤摘要】
基于量子机器学习的训练框架构建方法、装置、系统


[0001]本申请涉及量子
，尤其涉及一种基于量子机器学习的训练框架构建方法、装置、系统。

技术介绍

[0002]当前量子计算最前沿和极具发展前景的研究方向之一是与人工智能融合的量子人工智能研究。大规模的量子人工智模型因其远超传统计算的算力，有望突破目前弱人工智能的瓶颈，实现真正的强人工智能。而人工智能研究的主要依赖平台是人工智能算法的框架，通过框架构建和训练相应的算法来完成研究工作，是人工智能发展的重要基础工具。所以量子人工智能的研究和发展需要配套的大规模量子人工智能算法框架，实现快速的部署、训练等研究方法，才能促进相关研究的发展和技术的进步。
[0003]相关技术中一些研发团队基于经典的机器学习开发了VQNet，是一种可高效连接机器学习和量子算法的量子机器学习框架，可满足构建所有类型的量子机器学习算法。
[0004]但是当前量子机器学习算法框架只有少数的几家公司或结构在研发，而且市面上可供使用的框架也只有很少的几种，对于量子机器学习算法的开发者和研究者来说选择很窄，并且这些框架目前所支持的量子模型规模较小，一般情况下在十几个量子比特的规模。根据目前的研究结果，至少要达到50个左右的量子比特的规模，才能对传统计算展现出绝对的优势。所以现在的量子机器学习框架限制了量子机器学习算法，只能在小规模的范围内展开研究和应用，难以发挥量子计算真正的优势。因此，当前缺少一种可支持大规模，即数十个量子比特数目的量子计算模型的创建、训练和运行的框架，从而为大规模量子机器学习模型的研究提供支持。

技术实现思路

[0005]本申请提供了一种基于量子机器学习的训练框架构建方法、装置、系统，以至少解决相关技术中缺少一种可支持大规模量子比特数目的量子计算模型的创建、训练和运行的框架的问题。
[0006]根据本申请实施例的一个方面，提供了一种基于量子机器学习的训练框架构建方法，该方法包括：
[0007]获取初始训练样本集，其中，所述初始训练样本集为训练初始量子电路的量子比特数据集，且每个初始训练样本集均携带有初始状态标签；
[0008]将所述初始训练样本集输入所述初始量子电路中，利用超算平台对所述初始训练样本集内的所述量子比特进行量子计算，输出每个所述初始训练样本集对应的状态标签以及所述状态标签属于初始状态的概率值；
[0009]根据所述概率值调整所述初始量子电路的初始参数，直到所述概率值大于或者等于预设阈值，停止对所述初始参数的调整，得到目标量子电路，其中，所述目标量子电路为对所述初始量子电路进行训练完成后构建的训练框架。
[0010]根据本申请实施例的另一个方面，还提供了一种基于量子机器学习的训练框架构建装置，该装置包括：
[0011]第一获取模块，用于获取初始训练样本集，其中，所述初始训练样本集为训练初始量子电路的量子比特数据集，且每个初始训练样本集均携带有初始状态标签；
[0012]计算模块，用于将所述初始训练样本集输入所述初始量子电路中，利用超算平台对所述初始训练样本集内的所述量子比特进行量子计算，输出每个所述初始训练样本集对应的状态标签以及所述状态标签属于初始状态的概率值；
[0013]调整模块，用于根据所述概率值调整所述初始量子电路的初始参数，直到所述概率值大于或者等于预设阈值，停止对所述初始参数的调整，得到目标量子电路，其中，所述目标量子电路为对所述初始量子电路进行训练完成后构建的训练框架。
[0014]根据本申请实施例的另一个方面，还提供了一种基于量子机器学习的训练框架构建系统，该系统包括：初始化量子比特模块、初始量子电路模块、初始参数模块、超算平台、计算可变参数梯度的量子电路模块、初始量子电路可执行程序；
[0015]所述初始化量子比特模块与所述初始量子电路模块相连，所述初始量子电路可执行程序设于所述初始量子电路模块，所述初始参数模块设于所述初始量子电路模块，所述初始量子电路可执行程序与所述超算平台相连，所述初始参数模块与所述计算可变参数梯度的量子电路模块相连；
[0016]将所述初始化量子比特模块内的量子比特输入初始量子电路模块后，调用所述初始量子电路可执行程序连接的所述超算平台，利用所述超算平台进行量子仿真计算，并调用所述初始量子电路可执行程序输出量子比特的状态以及属于任一状态标签的概率值，利用计算可变参数梯度的量子电路模块基于所述概率值计算并调整初始参数模块内的初始参数的梯度值，并对调整后的所述初始参数不断更新，直到所述概率值大于或者等于预设阈值，停止对所述初始参数的调整。
[0017]根据本申请实施例的又一个方面，还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；其中，存储器，用于存储计算机程序；处理器，用于通过运行所述存储器上所存储的所述计算机程序来执行上述任一实施例中的方法步骤。
[0018]根据本申请实施例的又一个方面，还提供了一种计算机可读的存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一实施例中的方法步骤。
[0019]在本申请实施例中，基于传统机器学习框架和量子计算仿真技术，设计了一种支持大规模量子机器学习算法的训练框架，通过对获取的用于训练初始量子电路的初始训练样本集输入到初始量子电路中，并结合超算平台进行量子计算，输出每个初始训练样本集对应的状态标签以及所述状态标签属于初始状态的概率值，根据该概率值对初始量子电路的初始参数进行数值调整，进而得到训练好的目标量子电路，实现基于量子机器学习的训练框架构建，由于在训练过程中加入了超算平台进行量子计算，因此能够进行大规模量子比特数目的量子机器学习算法的实现和训练等操作，为量子人工智能的研究和发展提供工具，进而解决了相关技术中缺少一种可支持大规模量子比特数目的量子计算模型的创建、训练和运行的框架的问题。
附图说明
[0020]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
[0021]为了更清楚地说明本申请实施例或现有技术中的技术方案，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，对于本领域普通技术人员而言，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。
[0022]图1是根据本申请实施例的一种可选的基于量子机器学习的训练框架构建方法的流程示意图；
[0023]图2是根据本申请实施例的一种可选的基于量子机器学习的训练框架构建装置的结构框图；
[0024]图3是根据本申请实施例的一种可选的电子设备的结构框图。
具体实施方式
[0025]为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于量子机器学习的训练框架构建方法，其特征在于，所述方法包括：获取初始训练样本集，其中，所述初始训练样本集为训练初始量子电路的量子比特数据集，且每个初始训练样本集均携带有初始状态标签；将所述初始训练样本集输入所述初始量子电路中，利用超算平台对所述初始训练样本集内的所述量子比特进行量子计算，输出每个所述初始训练样本集对应的状态标签以及所述状态标签属于初始状态的概率值；根据所述概率值调整所述初始量子电路的初始参数，直到所述概率值大于或者等于预设阈值，停止对所述初始参数的调整，得到目标量子电路，其中，所述目标量子电路为对所述初始量子电路进行训练完成后构建的训练框架。2.根据权利要求1所述的方法，其特征在于，在所述获取初始训练样本集之前，所述方法还包括：选取预设数量个所述量子比特计算所述初始训练样本集；对所述量子比特进行资源初始化，得到初始化后的量子比特的初始状态。3.根据权利要求1所述的方法，其特征在于，在所述根据所述概率值调整所述初始量子电路的初始参数之前，所述方法还包括：在历史量子机器学习模型内包含预设模型结构的情况下，根据所述预设模型结构，得到对应的第一电路结构；根据所述第一电路结构设置所述初始参数。4.根据权利要求1所述的方法，其特征在于，在所述根据所述概率值调整所述初始量子电路的初始参数之前，所述方法还包括：在历史量子机器学习模型内不含预设模型结构的情况下，利用量子门和量子电路创建第二电路结构；根据所述第二电路结构设置所述初始参数。5.根据权利要求1所述的方法，其特征在于，所述根据所述概率值调整所述初始量子电路的初始参数，包括：获取所述初始参数的梯度值；根据所述概率值对所述梯度值进行数值的调整。6.根据权利要求1至5任一所述的方法，其特征在于，在所述得到目标量子电路之后，所述方法还包括：获取待处理的目标量子比特；将所述目标量子比特输入所述目标量子电路，得到对所述目标量子比特的处理结果。7.一种基于量子机器学习的训练框架构建装置，其特征在于，所述装置包括：第一获取模块，用于获取初始训练样本集，其中，所述初始训练样本集为训练初始量子电路的...

【专利技术属性】
技术研发人员：姜金哲，张新，李辰，李红珍，
申请(专利权)人：苏州浪潮智能科技有限公司，
类型：发明
国别省市：