[发明专利]量子神经网络训练方法及装置、电子设备和介质

说明书

本公开提供了一种量子神经网络训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品，涉及计算机领域，尤其涉及量子计算机技术领域。实现方案为：确定L+1个参数化量子电路和L个数据编码电路；获取包括自变量数据以及因变量数据的多个训练数据对；对于训练数据对中的每一个：将参数化量子电路和数据编码电路交替串联以构成量子神经网络，数据编码电路分别对该训练数据对中的自变量数据进行编码；以及将所述量子神经网络从初始量子态开始运行，对所获得的量子态进行测量以获得测量结果；根据所有训练数据对所对应的测量结果以及相对应的因变量数据，计算损失函数；以及调节参数化量子电路和数据编码电路的待训练参数，以最小化损失函数。

技术领域

本公开涉及计算机领域，尤其涉及量子计算机技术领域，具体涉及一种量子神经网络训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

日常生产生活中很多问题都属于函数模拟的问题，比如股票走势预测、天气预报等。随着人工智能技术的发展，深度神经网络(Deep Neural Network，DNN)被广泛地应用于解决上述问题。然而DNN模型需要的参数很多，对于大型的DNN参数量常常数以亿计，另外模型的超参数也很难调节，训练时很容易过拟合。

随着量子计算领域的飞速的发展，近期的量子计算设备已经可以支持一些浅层量子电路的实验。因此，如何利用量子计算设备解决上述问题成为关键。

发明内容

本公开提供了一种量子神经网络训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种量子神经网络训练方法，包括：确定L+1个参数化量子电路以及L个数据编码电路，所述参数化量子电路和数据编码电路均包括相应的待训练参数，其中L为正整数；获取多个训练数据对，每个所述训练数据对包括自变量数据以及与所述自变量数据相关的因变量数据，其中所述自变量数据包括一个或多个数据值；对于所述训练数据对中的每一个，执行以下操作：将所述L+1个参数化量子电路以及L个数据编码电路交替串联以构成量子神经网络，并使得所述量子神经网络中的每一个数据编码电路分别对该训练数据对中的自变量数据进行编码；以及将所述量子神经网络从初始量子态开始运行，并通过测量方法对所获得的量子态进行测量以获得测量结果；根据所有所述训练数据对所对应的测量结果以及相对应的因变量数据，计算损失函数；以及调节所述L+1个参数化量子电路以及所述L个数据编码电路的待训练参数，以最小化所述损失函数。

根据本公开的另一方面，提供了一种量子神经网络训练系统，包括：量子计算机，被配置为：确定L+1个参数化量子电路以及L个数据编码电路，所述参数化量子电路和数据编码电路均包括相应的待训练参数，其中L为正整数；对于多个训练数据对中的每一个执行以下操作，其中，每个所述训练数据对包括自变量数据以及与所述自变量数据相关的因变量数据，其中所述自变量数据包括一个或多个数据值：将所述L+1个参数化量子电路以及L个数据编码电路交替串联以构成量子神经网络，并使得所述量子神经网络中的每一个数据编码电路分别对该训练数据对中的自变量数据进行编码；以及将所述量子神经网络从初始量子态开始运行，并通过测量方法对所获得的量子态进行测量以获得测量结果；经典计算机，配置为：根据所有所述训练数据对所对应的测量结果以及相对应的因变量数据，计算损失函数；以及调节所述L+1个参数化量子电路以及所述L个数据编码电路的待训练参数，以最小化所述损失函数。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器能够执行本公开所述的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行本公开所述的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现本公开所述的方法。