量子残差注意力神经网络及应用、材料设计方法技术

本发明专利技术属于量子计算技术领域，公开了一种量子残差注意力神经网络，其包括基于量子逻辑门的量子嵌入层，用于将输入数据编码为初始量子态；变分量子线路，用于结合辅助量子态作用到初始量子态，实现量子态的演化，进行量子态特征提取；量子测量层，用于依据变分量子线路输出的量子态特征，通过泡利Z门进行测量获取输出数据。本发明专利技术还提供了一种材料设计方法，获取材料成分数据；对材料成分数据进行降维处理，得到降维后的材料成分特征数据；将材料成分特征数据输入量子残差注意力神经网络，得到材料性能预测数据。本发明专利技术提供了神经网络的泛化性，能够在少量训练样本条件下，获取较高的准确率。

【技术实现步骤摘要】

本专利技术属于量子计算，涉及一种新型量子残差注意力神经网络及应用，还涉及基于该量子残差注意力神经网络的材料设计方法。

技术介绍

1、传统的新材料开发过程采用试错法，实验步骤繁琐。长周期和高成本的限制使得加速材料的开发变得困难。作为一种替代方案，机器学习技术的兴起已成为发现新材料的有力工具。

2、机器学习以材料数据库为基础，快速实现材料的预测，有望加快新材料的设计，缩短材料的开发周期。由于它能够在不了解潜在物理机制的情况下从现有数据中学习行为和趋势，因此它已开始在材料科学中发挥重要作用。

3、目前，采用机器学习预测材料性能的技术中，主要采用神经网络提取数据特征，再通过回归算法获得模型的预测性能。但由于材料的成分-性能数据本身需要通过实验表征获取，其数据量本身比较稀少和珍贵，因此在少量训练样本条件下，当前的机器学习算法模型容易过拟合，从而导致模型的预测准确率不高。此外，以神经网络为基础的机器学习算法，训练周期往往较长，需要经过很多次迭代才能收敛。

技术实现思路

1、本专利技术的目的旨在针对本文档来自技高网...

【技术保护点】

1.一种量子残差注意力神经网络，其特征在于，包括：

2.根据权利要求1所述的量子残差注意力神经网络，其特征在于，所述量子嵌入层通过量子逻辑门Uφ(x)作用在或基态上，得到编码后的初始量子态|φ(x)>，n表示编码输入数据所需的量子比特数量；具体表示如下：

3.根据权利要求1所述的量子残差注意力神经网络，其特征在于，通过变分量子线路获得的最终量子态为|αL(x)>，具体表示如下：

4.根据权利要求1所述的量子残差注意力神经网络，其特征在于，所述量子残差注意力层中，所述RX旋转门的矩阵形式为：

5.根据权利要求4所述的量子残差注意力...

【技术特征摘要】

1.一种量子残差注意力神经网络，其特征在于，包括：

2.根据权利要求1所述的量子残差注意力神经网络，其特征在于，所述量子嵌入层通过量子逻辑门uφ(x)作用在或基态上，得到编码后的初始量子态|φ(x)>，n表示编码输入数据所需的量子比特数量；具体表示如下：

3.根据权利要求1所述的量子残差注意力神经网络，其特征在于，通过变分量子线路获得的最终量子态为|αl(x)>，具体表示如下：

4.根据权利要求1所述的量子残差注意力神经网络，其特征在于，所述量子残差注意力层中，所述rx旋转门的矩阵形式为：

5.根据权利要求4所述的量子残差注意力神经网络，其特征在于，

6.根据权利要求5所述的量子残差注意力神经网络，其特征在于，对于控制非门cx，若控制位为|1>态则在目标位执行x门，若控制位为|0>态，则目标位不做任何操作；所述控制非门cx的矩阵形式为：

7.根据权利要求1所述的量子残...

【专利技术属性】
技术研发人员：杨青川，韦联福，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：