一种结合Q神经网络的量子颜色码的投影解码方法

文档序号:30623337发布日期:2022-07-02 05:22阅读:124来源:国知局
一种结合Q神经网络的量子颜色码的投影解码方法
一种结合q神经网络的量子颜色码的投影解码方法
技术领域
1.本发明涉及机器学习技术领域,具体地说,涉及一种结合q神经网络的量子颜色码的投影解码方法。


背景技术:

2.近年来机器学习的研究成果愈发成熟,在生物学、图像识别、人工智能等领域都有很广泛的应用。机器学习涉及概率论、统计学、逼近论、凸分析、算法复杂度理论论等多门学科,在这些学科中的成果被应用到各个问题中,使能够自动学习对数据的内在结构和数据分析。
3.量子计算与量子信息的发展,产生了许多新的算法与应用。在未来的量子计算机若要能成功运行量子算法,需要保证量子比特的准确性,由此产生了量子纠错、量子避错、量子容错等不同的研究方向。量子纠错是发展较快的一个方向,通过量子编码来对量子进行纠错,保证量子信息传递的准确性是目前的研究热门。在编码方面,拓扑编码因其卓越的性能被广泛研究。拓扑编码是基于拓扑稳定子编码的一种映射到几何平面上的编码,它包括平面码和颜色码。编码之后,解码成为了下一个研究的关键,普遍的都是采用数学的方法进行纠错,效率较低。
4.作为一种预测的模型,机器学习中的人工神经网络被认为有很强的表示能力,适合构建基于机器学习的解码器。最近在多项研究中,对基于神经网络的神经解码器与现有的方法进行了许多的数值对比研究,发现神经解码器的性能优于已知的高效解码器。然而,目前却没有可以结合神经网络来对量子颜色码进行投影解码的技术,鉴于此,我们提出了一种结合q神经网络的量子颜色码的投影解码方法。


技术实现要素:

5.本发明的目的在于提供一种结合q神经网络的量子颜色码的投影解码方法,以解决上述背景技术中提出的问题。
6.为实现上述技术问题的解决,本发明的目的之一在于,提供了一种结合q神经网络的量子颜色码的投影解码方法,包括如下步骤:
7.s1、对颜色码进行初始化处理;
8.s2、对神经网络解码器进行训练;
9.s3、采用量子拓扑编码对颜色码进行解码。
10.作为本技术方案的进一步改进,所述s1中,对颜色码进行初始化处理的具体方法包括如下步骤:
11.s1.1、假设矩阵c表示已经出现错误的颜色码编码,w表示初始的网络参数;
12.s1.2、对颜色码进行投影计算,将颜色码c按规则投影为表面码,用矩阵s表示投影后的表面码。
13.其中,颜色码为量子拓扑码的一种,即用颜色区分不同的稳定器。
14.其中,所述s1.2中,投影过程会保留颜色码所有的的稳定器信息以及编码信息。
15.作为本技术方案的进一步改进,所述s2中,对神经网络解码器进行训练的具体方法包括如下步骤:
16.s2.1、根据稳定器的本征值判断编码中是否存在错误,若存在错误则将表面码矩阵s输入到训练程序中,再根据表面码在二维平面的结构,将稳定器组成的矩阵s循环水平移动或循环竖直移动,使得错误稳定器处于设定好的位置以便进行计算,将移动后得到的发生了变化的矩阵称为观察结果p,选择多个物理量子比特进行观察后得到多个观察结果的集合记做o,且p∈o;
17.s2.2、根据获得的观察结果集合o更新使用初始网络参数w作为参数的q神经网络。依次计算观察结果集合中每个所选的错误稳定器对应的生成弦算子的所有动作a;
18.s2.3、根据选择的q神经网络的贪婪策略计算出某一稳定器可执行动作ai对应的代价ri,接着对比此稳定器的所有动作对应的代价大小,根据状态转移公式选择最优的动作ak;
19.s2.4、在p执行最优动作ak之后,会得到新的观察结果p',将p'作为新的矩阵输入,按照步骤s2.1再次得到新的观察集合o',并把执行动作ak前的观察结果p、所执行的动作ak、执行动作花费的的代价rk、执行之后的观察结果p'合为一个元组进行储存;
20.s2.5、在步骤s2.1中,若判断无错误,则对不同缺陷采取的不同动作使用随机梯度下降训练学习。
21.作为本技术方案的进一步改进,所述s2.2中,动作a根据表面码的二维几何结构,有向上、向下、向左、向右四种添加矫正子的方式,也就对应着生成弦算子四种方式。
22.作为本技术方案的进一步改进,所述s2.3中,状态转移公式的表达式为:
[0023][0024]
其中,s,a表示在p观察结果下未采取动作ai时的状态和行为,表示对应的执行动作ai后下一个状态及行为。
[0025]
作为本技术方案的进一步改进,所述s2.5中,随机梯度下降训练学习的具体方法包括如下步骤:
[0026]
s2.5.1、首先随机抽取一个储存的元组,计算对应的q网络的目标函数;
[0027]
s2.5.2、之后,使用梯度下降来最小化样本目标与q神经网络预测的差异。
[0028]
作为本技术方案的进一步改进,所述s2.5.1中,随机抽取一个储存的元组计算对应的q网络的目标函数的具体算法公式为:
[0029][0030]
p∈o,p'∈o';
[0031]
其中,p是当前状态,p'是下一状态,ak为状态变换时执行的动作,w为网络参数,γ是强化学习中的折扣因子。
[0032]
作为本技术方案的进一步改进,所述s2.5.2中,根据深度神经网络dqn的梯度更新网络参数,更新的公式为:
[0033]wt+1
'

ε
·wt+1
+(1-ε)
·wt

[0034]
其中,w
t+1
为dqn做梯度下降后使用w
t
减去梯度下降的值得结果,ε作为加权参数需要手动设置;
[0035]
在每n次迭代后更新网络参数w
←wt+1
'。
[0036]
作为本技术方案的进一步改进,所述s3中,采用量子拓扑编码对颜色码进行解码的具体方法包括如下步骤:
[0037]
s3.1、训练结束后得到包括但不限于经验回放集合尺寸、神经网络结构、gamma值、学习率、e_greedy值、正负回报值等的dqn的参数;
[0038]
s3.2、将生成的参数设置完毕即可得到一个可以用于解码的模型;
[0039]
s3.3、在遇到需要纠错的颜色码时,将颜色码投影后转为矩阵输入,再使用上述解码器进行高效的解码操作即可。
[0040]
其中,用于解码的模型可以通过解码过程不断优化自身解码效率。
[0041]
本发明的目的之二在于,提供了一种结合q神经网络的量子颜色码的投影解码方法的运行平台装置,包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序,处理器用于执行计算机程序时实现上述的结合q神经网络的量子颜色码的投影解码方法的步骤。
[0042]
本发明的目的之三在于,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的结合q神经网络的量子颜色码的投影解码方法的步骤。
[0043]
与现有技术相比,本发明的有益效果:
[0044]
1.该结合q神经网络的量子颜色码的投影解码方法使用机器学习训练的颜色码解码器,训练完成后预测速度很快,在提供足够大的有效数据集时,神经解码器的预测会更加准确且解码速度会更快,解决了传统的颜色码解码算法速度慢,准确度低的问题;
[0045]
2.该结合q神经网络的量子颜色码的投影解码方法使用投影的方法将颜色码的编码映射到表面码,使颜色码解码时充分利用表面码的平移不变性,大大简化了状态空间表示,避免受到缺陷数量的影响,更好的与深度神经网络dqn相结合;
[0046]
3.该结合q神经网络的量子颜色码的投影解码方法相较于传统的颜色码的解码方案,在面对多种噪声模型时可以依靠机器学习快速调整网络结构,适应多种噪声模型;
[0047]
4.该结合q神经网络的量子颜色码的投影解码方法的解码方案流程较为简单,能满足各种场合的对颜色码的解码需求,可以快速的构建一套合适的解码器。
附图说明
[0048]
图1为本发明中示例性的颜色码的错误与稳定器的结构示意图;
[0049]
图2为本发明中示例性的颜色码的投影示意图;
[0050]
图3为本发明中示例性的解码流程图;
[0051]
图4为本发明中示例性的电子计算机装置结构示意图。
具体实施方式
[0052]
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于
本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
[0053]
实施例1
[0054]
如图1-图4所示,本实施例提供了一种结合q神经网络的量子颜色码的投影解码方法,包括如下步骤:
[0055]
s1、对颜色码进行初始化处理;
[0056]
s2、对神经网络解码器进行训练;
[0057]
s3、采用量子拓扑编码对颜色码进行解码。
[0058]
本实施例中,s1中,对颜色码进行初始化处理的具体方法包括如下步骤:
[0059]
s1.1、假设矩阵c表示已经出现错误的颜色码编码,w表示初始的网络参数;
[0060]
s1.2、对颜色码进行投影计算,将颜色码c按规则投影为表面码,用矩阵s表示投影后的表面码。
[0061]
如图1所示,颜色码为量子拓扑码的一种,即用颜色区分不同的稳定器。
[0062]
同时,s1.2中,投影过程会保留颜色码所有的的稳定器信息以及编码信息,如图2所示。
[0063]
本实施例中,s2中,对神经网络解码器进行训练的具体方法包括如下步骤:
[0064]
s2.1、根据稳定器的本征值判断编码中是否存在错误,若存在错误则将表面码矩阵s输入到训练程序中,再根据表面码在二维平面的结构,将稳定器组成的矩阵s循环水平移动或循环竖直移动,使得错误稳定器处于设定好的位置以便进行计算,将移动后得到的发生了变化的矩阵称为观察结果p,选择多个物理量子比特进行观察后得到多个观察结果的集合记做o,且p∈o;
[0065]
s2.2、根据获得的观察结果集合o更新使用初始网络参数w作为参数的q神经网络。依次计算观察结果集合中每个所选的错误稳定器对应的生成弦算子的所有动作a;
[0066]
s2.3、根据选择的q神经网络的贪婪策略计算出某一稳定器可执行动作ai对应的代价ri,接着对比此稳定器的所有动作对应的代价大小,根据状态转移公式选择最优的动作ak;
[0067]
s2.4、在p执行最优动作ak之后,会得到新的观察结果p',将p'作为新的矩阵输入,按照步骤s2.1再次得到新的观察集合o',并把执行动作ak前的观察结果p、所执行的动作ak、执行动作花费的的代价rk、执行之后的观察结果p'合为一个元组进行储存;
[0068]
s2.5、在步骤s2.1中,若判断无错误,则对不同缺陷采取的不同动作使用随机梯度下降训练学习。
[0069]
其中,s2.2中,动作a根据表面码的二维几何结构,有向上、向下、向左、向右四种添加矫正子的方式,也就对应着生成弦算子四种方式。
[0070]
具体地,s2.3中,状态转移公式的表达式为:
[0071][0072]
其中,s,a表示在p观察结果下未采取动作ai时的状态和行为,表示对应的执行动作ai后下一个状态及行为。
[0073]
进一步地,s2.5中,随机梯度下降训练学习的具体方法包括如下步骤:
[0074]
s2.5.1、首先随机抽取一个储存的元组,计算对应的q网络的目标函数;
[0075]
s2.5.2、之后,使用梯度下降来最小化样本目标与q神经网络预测的差异。
[0076]
具体地,s2.5.1中,随机抽取一个储存的元组计算对应的q网络的目标函数的具体算法公式为:
[0077][0078]
p∈o,p'∈o';
[0079]
其中,p是当前状态,p'是下一状态,ak为状态变换时执行的动作,w为网络参数,γ是强化学习中的折扣因子。
[0080]
具体地,s2.5.2中,根据深度神经网络dqn的梯度更新网络参数,更新的公式为:
[0081]wt+1
'

ε
·wt+1
+(1-ε)
·wt

[0082]
其中,w
t+1
为dqn做梯度下降后使用w
t
减去梯度下降的值得结果,ε作为加权参数需要手动设置;
[0083]
在每n次迭代后更新网络参数w
←wt+1
'。
[0084]
本实施例中,s3中,采用量子拓扑编码对颜色码进行解码的具体方法包括如下步骤:
[0085]
s3.1、训练结束后得到包括但不限于经验回放集合尺寸、神经网络结构、gamma值、学习率、e_greedy值、正负回报值等的dqn的参数;
[0086]
s3.2、将生成的参数设置完毕即可得到一个可以用于解码的模型;
[0087]
s3.3、在遇到需要纠错的颜色码时,将颜色码投影后转为矩阵输入,再使用上述解码器进行高效的解码操作即可。
[0088]
另外,值得说明的是,用于解码的模型可以通过解码过程不断优化自身解码效率。
[0089]
综上,本实施例通过机器学习对颜色码进行纠错,可以解决传统的颜色码解码算法速度慢、准确度低的问题。通过投影映射,将颜色码的编码转移到更容易解码的平面码上,成功对颜色码进行了解码;使用的神经网络模型能对处于较高抗比特翻转与相位翻转错误率下的编码进行纠错训练,使能够高效的找出所求的弦算来进行纠错;且在训练过程中,程序能够不断调整训练参数来优化所训练的解码器,从而达到更好的纠错效果。
[0090]
如图4所示,本实施例还提供了一种结合q神经网络的量子颜色码的投影解码方法的运行平台装置,该装置包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序。
[0091]
处理器包括一个或一个以上处理核心,处理器通过总线与存储器相连,存储器用于存储程序指令,处理器执行存储器中的程序指令时实现上述的结合q神经网络的量子颜色码的投影解码方法的步骤。
[0092]
可选的,存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随时存取存储器(sram),电可擦除可编程只读存储器(eeprom),可擦除可编程只读存储器(eprom),可编程只读存储器(prom),只读存储器(rom),磁存储器,快闪存储器,磁盘或光盘。
[0093]
此外,本发明还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述的结合q神经网络的量子颜色码的投影解码
方法的步骤。
[0094]
可选的,本发明还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各方面结合q神经网络的量子颜色码的投影解码方法的步骤。
[0095]
本领域普通技术人员可以理解,实现上述实施例的全部或部分步骤的过程可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,程序可以存储于计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
[0096]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1