【技术实现步骤摘要】
本专利技术涉及量子计算，具体涉及一种基于量子比特切割的分布式计算方法、装置、存储介质及电子设备。
技术介绍
1、量子计算是一种利用量子力学原理进行信息处理的前沿技术，以量子比特为基本单元，利用量子叠加、量子纠缠等特性高效执行计算任务。神经网络则是机器学习领域的一个重要分支，广泛应用于图像分类、语言翻译、推荐系统等场景。量子神经网络（quantumneural network，简称qnn）是一种结合了量子计算和神经网络的计算模型，旨在利用叠加、纠缠等量子优势来提高神经网络的计算效率，进而突破经典神经网络在计算复杂度和速度等方面的局限性。
2、为了充分利用量子计算的加速优势以解决实际问题，网络中量子比特的数量必须达到一定的规模。然而，现阶段以及未来很长一段时间都将处于含噪中规模量子（noisyintermediate-scale quantum，简称nisq）时代，nisq设备支持的量子比特数量有限，并且噪声对计算结果的影响会随着量子比特数量的增长而增长，难以在nisq设备上直接支持大规模的量子神经网络。因此，目前需要探寻一种有效的解决方案。
技术实现思路
1、有鉴于此，本专利技术实施例提供一种基于量子比特切割的分布式计算方法、装置、存储介质及电子设备，用于至少部分解决现有技术存在的缺陷。
2、第一方面，本专利技术实施例提供的基于量子比特切割的分布式计算方法包括以下步骤：
3、根据初始量子神经网络中量子比特的数量，将所述初始量子神经网络切割成多个量子
4、基于所述第一量子神经网络，对所述第一量子神经网络中的各个量子比特执行第一量子门系列操作，分别获取所述第一量子神经网络中执行完所述第一量子门系列操作后的各个量子比特在各自对应的可观测量下的期望值，得到第一期望值集合。
5、基于所述第二量子神经网络，对所述第二量子神经网络中的各个量子比特执行第二量子门系列操作，分别获取所述第二量子神经网络中执行完所述第二量子门系列操作后的各个量子比特在各自对应的可观测量下的期望值，得到第二期望值集合。
6、基于所述第一期望值集合及所述第二期望值集合，分别确定所述初始量子神经网络中的n个量子比特在各自对应的可观测量下的最终期望值，得到最终期望值集合。
7、根据所述初始量子神经网络中量子线路的结构，从所述最终期望值集合中选择两个最终期望值并根据两个所述最终期望值，对数字图像进行二分类。
8、在一些示例中，所述第一量子神经网络包括m个量子比特q1至qm及m个子线路，一个子线路对应一个量子比特，所述第一子线路包括第一量子旋转门，第二子线路包括第二量子旋转门及第一量子cnot门，第三子线路包括第三量子旋转门及第二量子cnot门，依次类推，第m子线路包括第m量子旋转门及第m-1量子cnot门；所述第二量子神经网络包括n-m+1个量子比特qm+1至qn+1及n-m+1个子线路，第m+1子线路包括第m+1量子旋转门及第m量子cnot门，第m+2子线路包括第m+2量子旋转门及第m+1量子cnot门，依次类推，第n-m+1子线路包括第n-m+1量子旋转门及第n-m量子cnot门。
9、在一些示例中，基于所述第一量子神经网络，对所述第一量子神经网络中的各个量子比特执行第一量子门系列操作，分别获取所述第一量子神经网络中执行完所述第一量子门系列操作后的各个量子比特在各自对应的可观测量下的期望值，得到第一期望值集合包括：
10、分别将量子比特q1至qm初始化为态。
11、采取角度编码方式，分别对量子比特q1至qm执行第一次量子旋转门操作。
12、针对执行完第一次量子旋转门操作的量子比特q1至qm，利用所述第一量子神经网络，重复执行第一量子门系列子操作，其中，所述第一量子门系列子操作包括：
13、分别对量子比特q1至qm执行第二次量子旋转门操作。
14、将经过第二次旋转门操作的量子比特q1作为所述第一量子cnot门的控制量子比特，将经过第二次量子旋转门操作的量子比特q2作为所述第一量子cnot门的目标量子比特，对量子比特q2执行量子cnot门操作。
15、将经过量子cnot门操作的量子比特q2作为所述第二量子cnot门的控制量子比特，将经过第二次量子旋转门操作的量子比特q3作为所述第二量子cnot门的目标量子比特，对量子比特q3执行量子cnot门操作。
16、依次类推，将经过第m-2 量子cnot门操作的第m-1量子比特作为第m-1 量子cnot门的控制量子比特，将经过第二次量子旋转门操作的量子比特作qm为第m-1 量子cnot门的目标量子比特，对量子比特qm执行量子cnot门操作。
17、分别测量重复执行完所述第一量子门系列子操作的量子比特q1至qm对应的期望值，得到量子比特q1至qm-1在各自对应的可观测量下的期望值 e p1至 e pm-1，生成所述第一期望值子集合以及所述第一量子神经网络中的最后一个量子比特qm在可观测量 o i下的期望值 e i，生成所述第二期望值子集合，其中， e p1为量子比特q1在可观测量p1下的期望值， e pm-1为量子比特qm-1在可观测量 p m-1下的期望值，其中，所述第一期望值集合包括所述第一期望值子集合及所述第二期望值子集合，所述可观测量 o i为量子pauli门， i为不大于8的正整数。
18、在一些示例中，基于所述第二量子神经网络，对所述第二量子神经网络中的各个量子比特执行第二量子门系列操作，分别获取所述第二量子神经网络中执行完所述第二量子门系列操作后的各个量子比特在各自对应的可观测量下的期望值，得到第二期望值集合包括：
19、分别将量子比特qm+1至qn+1初始化为态；
20、采取角度编码方式，分别对量子比特qm+2至qn+1执行第一次量子旋转门操作；
21、分别将量子比特qm+1制备成量子态，其中，量子态为可观测量下的本征矢；
22、针对各个量子态下的量子比特qm+1及执行完第一次量子旋转门操作的量子比特qm+2至qn+1，利用所述第二量子神经网络，分别重复执行第二量子门系列子操作，其中，所述第二量子门系列子操作包括：
23、对量子比特qm+1执行量子门旋转门操作；
24本文档来自技高网...
【技术保护点】
1.一种基于量子比特切割的分布式计算方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于量子比特切割的分布式计算方法，其特征在于：
3.根据权利要求2所述的基于量子比特切割的分布式计算方法，其特征在于，基于所述第一量子神经网络，对所述第一量子神经网络中的各个量子比特执行第一量子门系列操作，分别获取所述第一量子神经网络中执行完所述第一量子门系列操作后的各个量子比特在各自对应的可观测量下的期望值，得到第一期望值集合包括：
4.根据权利要求3所述的基于量子比特切割的分布式计算方法，其特征在于，基于所述第二量子神经网络，对所述第二量子神经网络中的各个量子比特执行第二量子门系列操作，分别获取所述第二量子神经网络中执行完所述第二量子门系列操作后的各个量子比特在各自对应的可观测量下的期望值，得到第二期望值集合包括：
5.根据权利要求4所述的基于量子比特切割的分布式计算方法，其特征在于，基于所述第一期望值集合及所述第二期望值集合，分别确定所述初始量子神经网络中的n个量子比特在各自对应的可观测量下的最终期望值包括：
6.根据权利
7.根据权利要求5所述的基于量子比特切割的分布式计算方法，其特征在于，所述可观测量Oi形成的可观测量集合{Oi}={I,I,X,X,Y,Y,Z,Z}，所述量子态形成的量子态集合{}=，其中，I为单位矩阵，X为量子Pauli-X门对应的矩阵，Y为量子Pauli-Y门对应的矩阵，Z为量子Pauli-Z门对应的矩阵。
8.一种基于量子比特切割的分布式计算装置，其特征在于，包括：
9.一种计算设备，其特征在于，包括处理器以及存储有计算机程序指令的存储器；所述处理器执行所述计算机程序指令时实现如权利要求1-7中任一所述的基于量子比特切割的分布式计算方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机指令，当所述计算机指令被处理器执行时实现权利要求1-7中任一项所述的基于量子比特切割的分布式计算方法。
...【技术特征摘要】
1.一种基于量子比特切割的分布式计算方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于量子比特切割的分布式计算方法，其特征在于：
3.根据权利要求2所述的基于量子比特切割的分布式计算方法，其特征在于，基于所述第一量子神经网络，对所述第一量子神经网络中的各个量子比特执行第一量子门系列操作，分别获取所述第一量子神经网络中执行完所述第一量子门系列操作后的各个量子比特在各自对应的可观测量下的期望值，得到第一期望值集合包括：
4.根据权利要求3所述的基于量子比特切割的分布式计算方法，其特征在于，基于所述第二量子神经网络，对所述第二量子神经网络中的各个量子比特执行第二量子门系列操作，分别获取所述第二量子神经网络中执行完所述第二量子门系列操作后的各个量子比特在各自对应的可观测量下的期望值，得到第二期望值集合包括：
5.根据权利要求4所述的基于量子比特切割的分布式计算方法，其特征在于，基于所述第一期望值集合及所述第二期望值集合，分别确定所述初始量子神经网络中的n个量子比特在各自对应的可观测量下的最终期望值包括：
...
【专利技术属性】
技术研发人员：陶文萱，周旭，王宇辰，刘键，周卓俊，罗乐，万相奎，王流伍，
申请(专利权)人：国开启科量子技术安徽有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。