[发明专利]绝热演化路径的预测方法、装置、设备及存储介质

权利要求书

1.一种绝热演化路径的预测方法，其特征在于，所述方法包括：

获取量子计算问题的目标哈密顿量H1；

根据所述目标哈密顿量H1，确定初始哈密顿量H0和目标基态能量E1；

将搜索所述初始哈密顿量H0至所述目标基态能量E1的绝热演化路径转化为棋盘博弈；

采用结合神经网络的蒙特卡洛树搜索，求解出所述棋盘博弈的最优棋盘路径；

根据所述最优棋盘路径输出所述绝热演化路径。

2.根据权利要求1所述的方法，其特征在于，所述采用结合有神经网络的蒙特卡洛树搜索，求解出所述棋盘博弈的最优棋盘路径，包括：

采用结合所述神经网络的所述蒙特卡洛树搜索，搜索出所述棋盘博弈的预测棋盘路径；

根据所述预测棋盘路径得到预测绝热演化路径；

根据量子计算环境计算得到所述预测绝热演化路径在演化至末态时的能量本征值E；

响应于所述能量本征值E未达到胜利条件，根据本次预测过程对所述神经网络中的参数进行更新，并在更新后再次执行所述采用结合所述神经网络的所述蒙特卡洛树搜索，预测出所述棋盘博弈的预测棋盘路径的步骤；

响应于所述能量本征值E达到所述胜利条件，将所述预测棋盘路径确定为所述棋盘博弈的最优棋盘路径；

其中，所述胜利条件是所述能量本征值E与所述目标基态能量E1之间的差值小于阈值。

3.根据权利要求2所述的方法，其特征在于，所述神经网络包括：策略网络和价值网络；

所述采用结合所述神经网络的所述蒙特卡洛树搜索，搜索出所述棋盘博弈的预测棋盘路径，包括：

在所述棋盘博弈对应的博弈树中，采用所述蒙特卡洛树搜索进行搜索，输出每层节点的行为概率分布π；所述每层节点的行为概率分布π代表下一手棋子的候选落子位置以及概率分布；

根据每层节点下的所述行为概率分布π最高的目标落子位置，得到所述棋盘博弈的预测棋盘路径；

所述响应于所述能量本征值E未达到胜利条件，根据本次预测过程对所述神经网络中的参数进行更新，包括：

响应于所述能量本征值E未达到所述胜利条件，将所述预测棋盘路径中作为所述神经网络的输入，获取所述策略网络输出的策略向量p和所述价值网络输出的价值收益v；

以最大化所述策略向量p和所述行为概率分布π之间的相似性，且最小化所述价值收益v和未取得胜利的奖励值z之间的误差为目标，对所述神经网络中的参数进行更新。

4.根据权利要求3所述的方法，其特征在于，所述在所述棋盘博弈对应的博弈树中，采用所述蒙特卡洛树搜索进行搜索，输出每层节点的行为概率分布π，包括：

在所述棋盘博弈的第i层目标节点b_i下，使用所述策略网络输出第i+1层节点b_i+1的候选落子位置a_i+1以及落子概率p_i+1，所述第i层目标节点bi对应第i层节点的目标落子位置，i为不大于m-1的整数；

根据所述候选落子位置a_i+1扩展所述第i+1层节点b_i+1，采用所述价值网络对所述第i+1层节点b_i+1进行评估，得到每个所述候选落子位置a_i+1的价值收益v_i+1；

根据所述落子概率p_i+1、所述价值收益v_i+1，结合置信上限U来确定出所述第i+1层节点b_i+1中的目标节点；

当所述第i+1层节点不是第m层节点时，以所述第i+1层目标节点作为新的第i层目标节点，再次执行上述三个步骤；

当所述第i+1层节点是第m层节点时，输出所述每层节点的行为概率分布π；

其中，所述博弈树包括m+1层节点，所述置信上限U与历史搜索次数有关。

5.根据权利要求4所述的方法，其特征在于，所述置信上限与所述候选落子位置的历史搜索次数有关。