一种量子神经网络模型的优化方法及装置与流程

本发明属于量子计算，特别是一种量子神经网络模型的优化方法及装置。

背景技术：

1、随着大数据时代的到来以及摩尔定律走到了物理极限，量子神经网络方法孕育而生，量子神经网络(quantum neural network，qnn)模型是基于量子力学原理的神经网络模型，可以以更大的信息容量和高效的并行计算能力，可以更好的解决目前遇到的瓶颈问题。

2、量子计算模拟是一个借助数值计算和计算机科学来仿真遵循量子力学规律的模拟计算，作为一个仿真程序，它依据量子力学的量子比特的基本定律，利用计算机的高速计算能力，刻画量子态的时空演化。利用量子计算模拟，可以获得一个矩阵的最小本征值和对应的本征向量，还可以获得封闭物理的哈密顿量的基态能量及其对应的量子态。

3、因量子神经网络在计算性能上的优势，目前研究利用量子神经网络实现量子计算模拟成为技术热点，但目前基于量子神经网络模型进行模拟所用的量子线路深度深、所需要的量子比特数大，且无法模拟高维复杂的物理系统，如何寻找更优化的量子神经网络模型，解决当前困境，成为一个亟待解决的问题。

技术实现思路

1、本发明的目的是提供一种量子神经网络模型的优化方法及装置，以解决现有技术中的不足，它通过获取标准正交基对应的最终量子态，并引入权重构造损失函数，拓宽量子神经网络模型的应用范围，并减少了量子线路的深度和量子比特数，有利于利用量子神经网络模型进行高维复杂物理系统的量子计算模拟的实现。

2、本技术的一个实施例提供了一种量子神经网络模型的优化方法，所述方法包括：

3、构建量子神经网络模型，并初始化所述量子神经网络模型的参数；

4、选择一组标准正交基，并将所述量子神经网络模型分别作用于所述标准正交基上，获得所述标准正交基对应的最终量子态，其中，所述最终量子态的个数与所述标准正交基所含基向量的个数相同；

5、根据所述最终量子态及预设权重，确定损失函数；

6、基于所述损失函数，判断是否满足所述量子神经网络模型的优化终止条件，其中，所述优化终止条件为所述损失函数的值收敛为固定值；

7、若否，更新所述量子神经网络模型的参数，直至满足所述优化终止条件，获得优化好的量子神经网络模型。

8、可选的，所述构建量子神经网络模型，包括：

9、根据待模拟系统和预设拟设线路，构建量子神经网络模型。

10、可选的，所述根据待模拟系统和预设拟设线路，构建量子神经网络模型，包括：

11、根据待模拟系统对应哈密顿量的张乘项数，确定构建量子神经网络模型的目标量子比特数；

12、根据预设拟设线路，构建包含所述目标量子比特数的量子神经网络模型。

13、可选的，所述预设拟设线路，包括：

14、第一拟设线路模块和第二拟设线路模块，其中，所述第一拟设线路模块由依次作用于后两个量子比特的rx门、rz门和cnot门组成，所述第二拟设线路模块由依次作用于每个量子比特的rx门、rz门、以及作用于相邻量子比特的cnot门组成。

15、可选的，所述初始化所述量子神经网络模型的参数，包括：

16、根据预设的概率密度函数，确定所述量子神经网络模型参数的初始值。

17、可选的，所述根据所述最终量子态及预设权重，确定损失函数，包括：

18、通过以下算式，确定损失函数：

19、

20、其中，所述为损失函数，所述2n为标准正交基所含基向量的个数，所述ωk为标准正交基中第k个基向量对应的权重，所述ψk为标准正交基中第k个基向量对应的最终量子态，所述h为待模拟系统对应哈密顿量。

21、可选的，所述更新所述量子神经网络模型的参数，包括：

22、利用新生成的参数替换当前所述量子神经网络模型中的参数；或

23、利用新生成的参数，构造与所述预设拟设线路结构相同的量子线路，并插设在当前所述量子神经网络模型中。

24、本技术的又一实施例提供了一种量子神经网络模型的优化装置，所述装置包括：

25、构建模块，用于构建量子神经网络模型，并初始化所述量子神经网络模型的参数；

26、获得模块，用于选择一组标准正交基，并将所述量子神经网络模型分别作用于所述标准正交基上，获得所述标准正交基对应的最终量子态，其中，所述最终量子态的个数与所述标准正交基所含基向量的个数相同；

27、确定模块，用于根据所述最终量子态及预设权重，确定损失函数；

28、判断模块，用于基于所述损失函数，判断是否满足所述量子神经网络模型的优化终止条件，其中，所述优化终止条件为所述损失函数的值收敛为固定值；

29、更新模块，用于若否，更新所述量子神经网络模型的参数，直至满足所述优化终止条件，获得优化好的量子神经网络模型。

30、可选的，所述构建模块，包括：

31、构建单元，用于根据待模拟系统和预设拟设线路，构建量子神经网络模型。

32、可选的，所述构建单元，包括：

33、确定子单元，用于根据待模拟系统对应哈密顿量的张乘项数，确定构建量子神经网络模型的目标量子比特数；

34、构建子单元，用于根据预设拟设线路，构建包含所述目标量子比特数的量子神经网络模型。

35、可选的，所述构建模块，包括：

36、第一确定单元，用于根据预设的概率密度函数，确定所述量子神经网络模型参数的初始值。

37、可选的，所述确定模块，包括：

38、第二确定单元，用于通过以下算式，确定损失函数：

39、

40、其中，所述为损失函数，所述2n为标准正交基所含基向量的个数，所述ωk为标准正交基中第k个基向量对应的权重，所述ψk为标准正交基中第k个基向量对应的最终量子态，所述h为待模拟系统对应哈密顿量。

41、可选的，所述更新模块，包括：

42、替换单元，用于利用新生成的参数替换当前所述量子神经网络模型中的参数；或

43、构造单元，用于利用新生成的参数，构造与所述预设拟设线路结构相同的量子线路，并插设在当前所述量子神经网络模型中。

44、本技术的又一实施例提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项中所述的方法。

45、本技术的又一实施例提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项中所述的方法。

46、与现有技术相比，本发明首先构建量子神经网络模型，并初始化量子神经网络模型的参数，选择一组标准正交基，并将量子神经网络模型分别作用于标准正交基上，获得标准正交基对应的最终量子态，根据最终量子态及预设权重，确定损失函数，基于损失函数，判断是否满足量子神经网络模型的优化终止条件，若否，更新量子神经网络模型的参数，直至满足优化终止条件，获得优化好的量子神经网络模型，它通过获取标准正交基对应的最终量子态，并引入权重构造损失函数，拓宽量子神经网络模型的应用范围，并减少了量子线路的深度和量子比特数，有利于利用量子神经网络模型进行高维复杂物理系统的量子计算模拟的实现。