[发明专利]绝热演化路径的预测方法、装置、设备及存储介质

说明书

本申请提供了一种绝热演化路径的预测方法、装置、设备及存储介质，涉及人工智能领域。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。针对移动端的三维人脸网格的重建，本申请在绝热演化路径中的每个状态的候选行为较多时，仍然能够快速和高效地求解出稳定收敛的绝热演化路径。

技术领域

本申请实施例涉及人工智能的机器学习领域，特别涉及一种绝热演化路径的预测方法、装置、设备及存储介质。

背景技术

绝热量子计算是实现量子计算机的一种理论模型。绝热量子计算是把一个计算问题转换成一个物理过程，其原本问题的答案会映射到一个目标哈密顿量的基态。

绝热量子计算的计算过程是从易制备基态的初始哈密顿量(H0)出发，绝热演化到目标哈密顿量(H1)，该演化过程也称为绝热演化路径。如果整个绝热演化过程的时间T足够长(演化足够缓慢)，则量子计算机所制备的量子态会一直保持在瞬时哈密顿量的基态。相关技术中，采用增强学习中的Q-learning 寻找最优的绝热演化路径。

当绝热演化路径中的一个系统状态演化到下一个系统状态的可选行为 (action)变多时，Q-learning的效率会很差，收敛性也容易不稳定。

发明内容

本申请实施例提供了一种绝热演化路径的预测方法、装置、设备及存储介质，能够提升预测最优的绝热演化路径时的效率和收敛性。所述技术方案如下：

根据本申请的一个方面，本申请提供了一种绝热演化路径的预测方法，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得到所述绝热演化路径。

根据本申请的一个方面，本申请提供了一种绝热演化路径的预测装置，所述装置包括：

获取模块，用于获取量子计算问题的目标哈密顿量H1；

确定模块，用于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；

转换模块，用于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；

树搜索模块，用于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；

输出模块，用于根据所述最优棋盘路径得到所述绝热演化路径。

根据本申请的另一方面，本申请实施例提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述绝热演化路径的预测方法。

根据本申请的另一方面，本申请实施例提供了一种量子计算机，所述量子计算机采用如上所述的方法所预测的绝热演化路径进行绝热演化。

根据本申请的另一方面，本申请实施例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中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述绝热演化路径的预测方法。