[发明专利]基于量子神经网络的变分量子模型TFQ-VQA及其两级优化方法

说明书

本发明公开基于量子神经网络的变分量子模型TFQ‑VQA及其两级优化方法，该模型包括：量子神经网络模型QNN模块，根据输入的量子数据集建立参数化量子线路模型，对输入的量子数据集执行量子计算，对存储在量子子空间中的隐藏状态的信息进行查询并提取；期望值测量模块，对量子神经网络模型QNN模块查询时的代价函数期望估计值进行测量；循环神经网络模型RNN模块，接收前一个查询的代价函数期望估计值，还用于接收来自前一时间步长提取的存储在量子子空间中的隐藏状态的信息；代价函数评估模块，评估代价函数，并通过梯度下降按照预期的方向更新参数化量子线路控制参数，并输出最佳控制参数。本发明在对变分量子算法的代价函数的较少查询中找到近似最佳参数。

技术领域

本发明属于量子计算机技术领域，尤其涉及一种基于量子神经网络的变分量子模型TFQ-VQA及其两级优化方法。

背景技术

随着现代社会的快速发展，后摩尔时代迫近，经典计算机的效率逐渐遇到瓶颈。以量子器件和量子计算为核心的新技术不仅是超越现代计算性能的信息技术发展新方向，更是推动下一代信息技术发展的革命性力量，将对全球信息技术和产业发展产生巨大影响。近年来，随着量子计算领域的迅猛发展，量子计算在人工智能、金融理财、应用数学和化学模拟等多个领域有着广泛的应用价值。借助于量子计算的天然优势，针对含噪声中等规模量子计算机，提出了各种量子优化算法来降低求解问题的难度。

传统的量子算法都是用线路模型来表示的，即通过一系列离散运算来完成计算。对量子计算资源的大量需求限制了传统量子算法在实际求解复杂问题时的能力。现有的变分量子算法利用量子力学原理，将求解问题转化为组合优化问题，进一步等价为非线性方程组求解问题，是对经典计算中成功应用的机器学习方法的自然量子模拟。并且由于当前量子计算机面临难以实质上隔离噪声、量子纠错仍未成熟等困难，量子计算将经历从含噪声中等规模量子计算机到通用容错量子计算机的发展过程。含噪声中等规模量子计算机上运行的有效算法之一是变分量子算法。

目前量子计算涉及的领域的越来越广泛，处理问题的难度也逐渐上升，变分量子算法的迭代次数也随之增加，循环迭代的数量是变分量子算法运行时的一个关键因素。与此同时线路深度随迭代次数的增加而增加。更高线路深度的变分量子算法实现具有更好的性能，但对于经典优化器，每增加一个量子线路深度，都会引入两个新的参数，增加了优化循环迭代的次数。更新参数需要估计输出状态的能量期望值，因此需要反复调用量子处理器。这意味着为变分量子算法线路寻找最佳参数的迭代过程会增加计算开销。

发明内容

本发明针对变分量子算法随迭代次数增多线路深度增加的问题，提出一种基于量子神经网络的变分量子模型TFQ-VQA及其两级优化方法。

为了实现上述目的，本发明采用以下技术方案：

本发明一方面提出一种基于量子神经网络的变分量子模型TFQ-VQA，该模型由量子神经网络模型QNN模块、期望值测量模块、循环神经网络模型RNN模块和代价函数评估模块四个模块组成；

所述量子神经网络模型QNN模块用于根据输入的量子数据集建立参数化量子线路模型，对输入的量子数据集执行量子计算，对存储在量子子空间中的隐藏状态的信息进行查询并提取；

所述期望值测量模块用于对量子神经网络模型QNN模块查询时的代价函数期望估计值进行测量；

所述循环神经网络模型RNN模块用于接收前一个查询的代价函数期望估计值，还用于接收来自前一时间步长提取的存储在量子子空间中的隐藏状态的信息；

所述代价函数评估模块用于评估代价函数，并通过梯度下降按照预期的方向更新参数化量子线路控制参数，并输出最佳控制参数。

进一步地，所述参数化量子线路模型为三层量子神经网络模型，第一层包括固定的量子门和参数化的量子门；第二层包括多个单参数门形成的多参数酉矩阵；第三层包括由多个多参数酉矩阵的乘积生成的量子模型。