[发明专利]基于参数化玻色采样的量子线路学习方法及图像模糊方法

说明书

本发明公开了一种基于参数化玻色采样的量子线路学习方法，包括设计量子线路学习框架并准备输入态；设计参数化玻色采样量子线路；线路参数初始化；计算参数化玻色采样的酉变换并得到输出态，计算输出态中不同光子配置的概率排列组合概率分布并后处理；对比后处理的概率分布与目标概率分布并计算损失函数；根据损失函数更新线路参数；重复上述步骤得到训练后的概率分布。本发明还公开了包括所述基于参数化玻色采样的量子线路学习方法的图像模糊方法。本发明在玻色采样模型中引入参数化的结构，得到了如神经网络的参数化玻色采样模型，实现了函数拟合的功能，能够通过量子计算机对大数据时期的大量数据的处理和分析。

技术领域

本发明具体涉及一种基于参数化玻色采样的量子线路学习方法及图像模糊方法。

背景技术

近年来，机器学习技术发展浪潮汹涌，在这个需要处理的数据量愈发庞大的时代，机器学习技术已经成为了最具潜力的技术之一。机器学习可以根据已有数据所组成的训练集进行学习策略的探索和潜在结构的发现，基于所得模型进行预测及预警。同时，近年来逐渐膨胀的大数据为众多产业提供了相当可观的价值，但与此同时也在技术层面让从业人员不得不面临更加严峻的挑战。许多传统的机器学习算法及网络模型都已无法应对大数据时代海量数据的处理和分析，因此不得不寻找新的方法来解决问题。

如今，世界范围内已经出现了众多新的研究，探索量子计算应如何与机器学习进行结合。研究人员们既希望通过引入量子计算来解决机器学习的运算效率问题，又在努力探索尝试利用量子力学所独有的一些量子优势，研究更具智能的机器学习算法以及网络模型。量子神经网络(QNN-Quantum Neural Network)，是基于量子力学原理的神经网络模型。与经典神经网络相比，量子神经网络在理论上具有更快的计算速度、更高的记忆容量、更小的网络规模以及可消除灾变性失忆现象的能力。要验证这些出色的能力，玻色采样过程是一个可供实践的研究对象。由于玻色采样过程将计算需要的信息编码在玻色子(如光子)的粒子数态上，因而在不需要实现量子门的情况下，也能够展示出经典计算无法比拟的计算能力。

但现在的量子计算机尚没有广泛应用，且目前量子计算机规模不大、容错能力较低，还无法实现量子线路参数学习和承载大型数据的处理任务。然而通过与经典优化算法结合，量子计算机却能够在特定任务上展现出良好效果，实现远超经典计算机的计算能力。

发明内容

本发明的目的之一在于提供一种基于参数化玻色采样的量子线路学习方法，能够利用经典的机器学习算法解决目前的量子计算机线路学习问题，并通过混合量子经典算法实现高斯函数快速拟合。

本发明的目的之二在于提供一种包括了所述基于参数化玻色采样的量子线路学习方法的图像模糊方法。

本发明提供的这种基于参数化玻色采样的量子线路学习方法，包括如下步骤：

S1.设计基于参数化玻色采样的量子线路学习框架，并准备参数化玻色采样量子线路的输入态；

S2.设计参数化玻色采样量子线路；

S3.参数化玻色采样量子线路中的线路参数均以随机值初始化；

S4.计算参数化玻色采样的酉变换U，并得到参数化玻色采样量子线路的输出态，对输出态中不同光子配置的概率排列组合得到概率分布p，并对概率分布p进行后处理；

S5.将经过后处理的概率分布与目标概率分布对比，计算出损失函数；

S6.根据损失函数计算出参数化玻色采样量子线路中线路参数的梯度并进行更新；

S7.重复S4～S6完成迭代过程，得到训练后的概率分布。