CN115204404B - 一种抑制费米子系统测量中的错误的方法及装置 - Google Patents
一种抑制费米子系统测量中的错误的方法及装置 Download PDFInfo
- Publication number
- CN115204404B CN115204404B CN202210945793.9A CN202210945793A CN115204404B CN 115204404 B CN115204404 B CN 115204404B CN 202210945793 A CN202210945793 A CN 202210945793A CN 115204404 B CN115204404 B CN 115204404B
- Authority
- CN
- China
- Prior art keywords
- reduced density
- density matrix
- electron
- hole
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000005259 measurement Methods 0.000 title claims abstract description 48
- 239000011159 matrix material Substances 0.000 claims abstract description 236
- 230000001629 suppression Effects 0.000 claims abstract description 57
- 230000009467 reduction Effects 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 description 20
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 239000002245 particle Substances 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- RTZKZFJDLAIYFH-UHFFFAOYSA-N Diethyl ether Chemical compound CCOCC RTZKZFJDLAIYFH-UHFFFAOYSA-N 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
- G06N10/70—Quantum error correction, detection or prevention, e.g. surface codes or magic state distillation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Pure & Applied Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Measuring Volume Flow (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Analogue/Digital Conversion (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
本发明实施例提供了一种抑制费米子系统测量中的错误的方法及装置，该方法包括：基于对第一费米子系统进行的测量结果，确定携带噪声的第一约化密度矩阵；将第一约化密度矩阵，输入预先训练的错误抑制模型，获取降噪后的第二约化密度矩阵；基于第二约化密度矩阵，确定第一费米子系统的能量。
Description
技术领域
本发明涉及量子计算领域，尤其涉及一种抑制费米子系统测量中的错误的方法及装置。
背景技术
量子计算及量子模拟作为解决模拟量子系统问题的高效途径，在近期受到了很多科技人员和科技公司的广泛关注。一方面，量子计算对于特定问题相对于经典计算机具有计算时间复杂度较低的优势，另一方面，随着量子调控技术的逐渐成熟，量子计算机已经可以被用于解决一些特定问题。近年来，大量面向量子设备的计算技术被开发并用于实用。这些量子计算技术，通常是针对近期量子设备可操控的量子比特数目有限以及存在噪声的特性，并以在较小规模系统下实现具有实际意义的计算为目标，构建的针对性的方法。例如，用于解决量子化学电子结构问题的量子计算技术及辅助技术成为当下的技术热点。
但近期，量子计算技术的效果通常依赖于量子错误抑制技术，该技术通过在计算实施完成后对测量结果进行经典后处理，以减小观测量的噪声。但是，现有的量子错误抑制方法仅面对可调控量子比特数目有限、线路层数较浅的计算过程。而对于较深层的量子线路，噪声在计算过程中的逐步积累，会导致错误抑制算法失效，并且现有的量子错误抑制算法往往会带来额外的计算开销，存在无法规模化到较大系统的缺陷。
因此，需要一种新的抑制量子测量中的错误的方案。
发明内容
本发明实施例提供一种抑制费米子系统测量中的错误的方法及装置。利用该方法，可以对费米子系统测量中的测量错误进行抑制，有效地提高测量结果的准确性；并可以在消耗较少的测量资源的前提下，确定系统能量，从而可以用于大规模费米子系统的测量。
本发明为解决上述技术问题采用的技术方案为，一方面提供一种抑制费米子系统测量中的错误的方法，包括：
基于对第一费米子系统进行的测量结果，确定携带噪声的第一约化密度矩阵；
将所述第一约化密度矩阵，输入预先训练的错误抑制模型，获取降噪后的第二约化密度矩阵；
基于所述第二约化密度矩阵，确定所述第一费米子系统的能量。
优选地，所述费米子系统为电子系统，所述第一约化密度矩阵为携带噪声的两电子约化密度矩阵，所述第二约化密度矩阵为降噪后的两电子约化密度矩阵。
优选地，所述错误抑制模型通过如下过程训练：
获取第二费米子系统的带噪声的第三约化密度矩阵和理想的第四约化密度矩阵，所述第三约化密度矩阵和第四约化密度矩阵为两电子约化密度矩阵；
将所述第三约化密度矩阵输入错误抑制模型，得到第五约化密度矩阵；
根据第五约化密度矩阵和第四约化密度矩阵的第一差异，确定第一损失，至少以第一损失趋向变小为目的，更新所述错误抑制模型的参数。
优选地，所述方法还包括：
根据所述第四约化密度矩阵，基于Wick定理，确定第一两空穴约化密度矩阵和第一电子-空穴约化密度矩阵；
根据第五约化密度矩阵，基于Wick定理，确定第二两空穴约化密度矩阵和第二电子-空穴约化密度矩阵；
根据第五约化密度矩阵和第四约化密度矩阵的第二差异，根据第一两空穴约化密度矩阵和第二两空穴约化密度矩阵的第二差异、以及第一电子-空穴约化密度矩阵和第一电子-空穴约化密度矩阵的第二差异，确定第二损失；
所述至少以第一损失趋向变小为目的，更新所述错误抑制模型的参数，包括：
以第一损失和第二损失趋向变小为目的，更新所述错误抑制模型的参数。
优选地，所述第五约化密度矩阵和第四约化密度矩阵的差异，包括：
第五约化密度矩阵和第四约化密度矩阵的Frobenius范数之差。
优选地，第五约化密度矩阵和第四约化密度矩阵的第二差异，包括，第五约化密度矩阵和第四约化密度矩阵的秩的差值；
第一两空穴约化密度矩阵和第二两空穴约化密度矩阵的第二差异，包括，第一两空穴约化密度矩阵和第二两空穴约化密度矩阵的秩的差值；
第一电子-空穴约化密度矩阵和第一电子-空穴约化密度矩阵的第二差异，包括，第一电子-空穴约化密度矩阵和第一电子-空穴约化密度矩阵的秩的差值。
优选地，基于所述第二约化密度矩阵，确定所述第一费米子系统的能量，包括：
根据降噪后的两电子约化密度矩阵，确定降噪后的单电子约化密度矩阵；
根据降噪后的两电子约化密度矩阵和降噪后的单电子约化密度矩阵，确定所述第一费米子系统的能量。
第二方面，提供一种抑制费米子系统测量中的错误的装置，所述装置包括：
噪声矩阵获取单元，配置为，基于对第一费米子系统进行的测量结果，确定携带噪声的第一约化密度矩阵；
噪声矩阵确定单元，配置为，将所述第一约化密度矩阵，输入预先训练的错误抑制模型，获取降噪后的第二约化密度矩阵；
系统量确定单元，配置为，基于所述第二约化密度矩阵，确定所述第一费米子系统的能量。
第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一、第二方面任一项所述的方法。
第四方面，提供一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一、第二方面任一项所述的方法。
附图说明
为了更清楚说明本发明实施例的技术方案，下面将对实施例描述中所需使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种抑制费米子系统测量中的错误的方法的流程图；
图2为本发明另一实施例提供的错误抑制模型的训练方法的流程图；
图3为本发明又一实施例提供的错误抑制模型的训练方法的流程图；
图4为本发明实施例提供的一种抑制费米子系统测量中的错误的装置的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如前所述，现有的量子错误抑制方法仅面对近期可调控量子比特数目有限、线路层数较浅的计算过程，对于较深层的量子线路，噪声在计算过程中的逐步积累，会导致错误抑制算法失效，并且现有的量子错误抑制算法往往会带来额外的计算开销，存在无法规模化到较大系统的缺陷。为了更清晰的表述本说明书实施例提供的量子测量的错误抑制方案的优点。下面先对现有的量子错误抑制技术及其缺点做进一步的概要说明。
量子错误抑制技术主要包含三个类别：噪声模型无关、针对特定噪声模型和基于机器学习的错误抑制算法。噪声模型无关的错误抑制方法例如包括外推法、对称性校验法等方法。外推法的主要过程是，首先逐步增加量子线路实施过程中的噪声大小并获得相应量子太的观测量的期望值，然后，根据多个期望值，在假定噪声水平较低的情况下则能够以泰勒展开获得观测量的理想映射函数。对称性校验发，则利用特定求解问题的对称性，对测量结果进行筛选、或者将其投影到满足对称性的子空间，以去除测量结果中不满足限制条件的部分。但是，这些具有如下问题：由于错误模型未知，很大程度上会增加观测量测量的方差，从而导致难以将这些方法扩展到更大规模的系统中。
噪声模型已知的量子错误抑制算法一般先假设特定形式的噪声模型，例如退极化噪声，且由于噪声模型一般以线性的方式作用于量子系统，则最为直接的错误抑制方法为实施错误产生的逆过程。例如，一种噪声模型已知的量子错误抑制算法-准概率方法，出于对逆过程往往伴随着非物理性质的出现的现象的考虑，以准概率形式等价地在量子线路实施过程中以特定概率将逆操作作用于量子线路中并以观测期望值的形式还原得到错误缓解后的观测量期望值。但是，该方法也存在如下问题：针对特定噪声模型提出的算法一般依赖于所假设的噪声模型可以足够好的描述真实量子设备的噪声形式，而一般不论是获得噪声形式还是获得合理的噪声模型本身的代价都是非常高的，前者通常依赖于额外的态层析(state tomography)方法，而对于后者来说，则由于错误的多来源性，噪声模型难以对错误形式进行通用描述。
对于基于机器学习的错误抑制方法，一般包含两种形式，一类为针对观测量的期望值进行纠正，另一类针对测量得到的概率分布实施错误抑制。前者通过拟合有噪声观测量期望值到理想期望值的映射实现错误抑制，这要求训练集数据中的理想期望值能够被高效模拟，如利用C l i fford线路来生成数据，一旦完成训练可以应用于更为一般的量子线路。而后者一般基于神经网络算法，通过其拟合从有噪声概率分布到理想概率分布的映射实现错误抑制。但是，该方法也具有如下问题：对于一些特定问题，基于机器学习的错误抑制算法的局限性会比较大，当实际应用过程中量子线路的深度不同于训练集时，会造成错误抑制结果的偏差。此外，通过拟合测量分布映射的方法也难以规模化应用到较大系统。
为了解决上述技术问题，尤其是为抑制费米子系统测量中的测量错误，本发明实施例提供一种抑制费米子系统测量中的错误的方法。费米子是对一类粒子的统称，在一组由全同粒子组成的体系中，如果在体系的一个量子态上只允许容纳一个粒子，这种粒子称为费米子，或者说自旋为半奇数(例如，1/2，3/2…)的粒子统称为费米子。本发明实施例提供的抑制费米子系统测量中的测量错误的方案的核心思想是，首选，基于费米子系统的理想约化密度矩阵和实测的携带噪声的约化密度矩阵，训练出根据输入的实测约化密度矩阵，输出降噪后的约化密度矩阵的神经网络模型。然后，利用该神经网络模型，根据被测费米子系统的携带噪声的约化密度矩阵，得到其降噪后的约化密度矩阵，进而根据降噪后的约化密度矩阵，确定被测费米子系统的能量。
使用该方法，具有如下优点：第一方面，相较于错误模型未知的错误抑制方法，该方法无需增加量子态测量的次数，也就是不会增加量子态测量阶段的成本，可以保证量子计算过程的高效性。第二方面，利用神经网络模型可以有效地针对不同量子计算过程中用到具体量子设备的情况，进行针对性的错误抑制，避免了假设错误模型形式的局限性，并免除了例如实施态层析等方法带来的计算开销。第三方面，相较于一般的基于机器学习方法拟合从输入到输出的概率分布映射，该方法对于费米子系统的拟合从输入到输出的约化密度矩阵映射的，能够更为高效的训练并使用错误抑制模型。此外，该方法还可以在训练模型时，利用N阶可表示性条件作为训练的约束条件(设定训练的损失函数)，使得输出的约化密度矩阵更符合费米子系统的物理特性，并可以保证对于所处理的不同形式的量子线路都能够有比较稳定的降噪效果。
图1为本发明实施例提供的一种抑制费米子系统测量中的错误的方法的流程图。如图1所示，该方法至少包括如下步骤：
步骤11，基于对第一费米子系统进行的测量结果，确定携带噪声的第一约化密度矩阵；
步骤12，将所述第一约化密度矩阵，输入预先训练的错误抑制模型，获取降噪后的第二约化密度矩阵；
步骤13，基于所述第二约化密度矩阵，确定所述第一费米子系统的能量。
首先，在步骤11，基于对第一费米子系统进行的测量结果，确定携带噪声的第一约化密度矩阵。
该步骤中，基于针对待测费米子系统(例如，第一费米子系统)进行测量后得到的测量结果，确定携带噪声的约化密度矩阵(例如，第一约化密度矩阵)。由于该约化密度矩阵是根据实际测量结果获取的，所以约化密度矩阵是携带有量子噪声信息的约化密度矩阵。
费米子系统是由费米子构成的量子系统。在不同的实施例中，可以对于不同的待测费米子系统进行测量，并根据测量结果确定其对应的具体约化密度矩阵，本说明书对此不作限制。在不同的实施例中，对于待测费米子系统进行测量，也可以通过不同的具体测量方式，本说明书对此不作限制。在一个实施例中，费米子系统可以为电子系统，第一约化密度矩阵可以为携带噪声的两电子约化密度矩阵。
费米子系统通常可以通过其对应哈密顿量来表示。但是，一个费米子系统的完整哈密顿量，通常需要根据大数量的量子测量的测量结果来确定。相对而言，确定费米子系统的约化密度矩阵则可以通过较少量的测量结果来确定。
然后，在步骤12，将所述第一约化密度矩阵，输入预先训练的错误抑制模型，获取降噪后的第二约化密度矩阵。
该步骤中，将步骤11中获取的第一约化密度矩阵，输入训练好的错误抑制模型，获取降噪后的第二约化密度矩阵。而获取的降噪后的第二约化密度矩阵，可以用于在后续步骤中用于确定费米子系统的能量。
在上述第一约化密度矩阵为携带噪声的两电子约化密度矩阵的实施例，第二约化密度矩阵为降噪后的两电子约化密度矩阵。
在不同的实施例中，错误抑制模型的预先训练方法可以不同，本说明书对此不做限制。后文给出了一些采用不同具体训练方式的实施例的详细描述。
当获取第二约化密度矩阵之后，在步骤13，基于所述第二约化密度矩阵，确定所述第一费米子系统的能量。
该步骤中，可以根据步骤12中获取第二约化密度矩阵，确定第一费米子系统的能量。
在一个实施例中，对于待测的由N个电子构成的电子系统，其哈密顿量H可以表示为：
其中，
和a分别为费米子生成和湮灭算符，i、j、k、j为电子序数，hij和Vijkl分别为单电子和两电子相互作用系数。对于待测系统的量子态|ψ>，其系统能量可以表示为：
E＝<ψ|H|ψ>＝hijD1+VijklD2
其中，D1和D2分别为系统的单电子和两电子约化密度矩阵(reduced densitymatrix，RDM)，可以分别记作1-RDM和2-RDM。在一个例子中，可以高效地测量得到系统的2-RDM，并约化得到1-RDM。
也就是说，可以通过更少的(相对于获取完整哈密顿量所要的)的量子测量次数，确定待测系统的2-RDM，在根据2-RDM得到1-RDM，然后根据1-RDM和2-RDM，确定待测系统的能量。
在上述对于步骤12的描述中，论及用于输出待测费米子系统的降噪约化密度矩阵的错误抑制模型可以是预先训练好的。在不同的实施例中，预先训练错误抑制模型的具体方式可以不同。图2为本发明另一实施例提供的错误抑制模型的训练方法的流程图。在图2所示的实施例中，错误抑制模型的训练过程可以具体包括如下步骤21-23：
步骤21，获取第二费米子系统的带噪声的第三约化密度矩阵和理想的第四约化密度矩阵，所述第三约化密度矩阵和第四约化密度矩阵为两电子约化密度矩阵；
步骤22，将所述第三约化密度矩阵输入错误抑制模型，得到第五约化密度矩阵；
步骤23，根据第五约化密度矩阵和第四约化密度矩阵的第一差异，确定第一损失，至少以第一损失趋向变小为目的，更新所述错误抑制模型的参数。
在步骤21中，第二费米子系统是训练过程中使用的训练样本(例如包括第三约化密度矩阵和第四约化密度矩阵)所对应的具体的费米子系统，其不限定等同于步骤11中所述的第一费米子系统。
在不同的实施例中，带噪声的第三约化密度矩阵和理想的第四约化密度矩阵可以通过对于费米子系统的实测或模拟获取，本说明书对此不做限制。在一个实施例中，理想的第四约化密度矩阵可以通过经典计算机进行的量子模拟获得。在一个实施例中，带噪声的约化密度矩阵可以通过假设的噪声模型或者从量子设备上获取有噪声的测量结果确定。此外，由于自由费米子系统可以被经典计算机高效模拟，且其变换的哈密顿量形式可以方便产生足够丰富的量子态用于训练。因此，在一个实施例中，可以采用自由费米子系统作为第二费米子系统。
此外，可以在模型训练中，还可以根据N可表示性条件设定模型更新的损失函数，以通过模型获取更为精确的、符合费米子系统物理特性的约化密度矩阵。具体的，对于一般局域哈密顿量，原则上不需要哈密顿量的完备信息来估计该哈密顿量的期望值，例如对于2-局域的哈密顿量，仅需要知道两电子约化密度矩阵既可估计出其期望值(即该哈密顿量对应的量子系统的系统能量)。如前所述，由于噪声的存在导致从量子设备测量得到的约化密度矩阵发生改变进而引起能量估计误差。N可表示性条件是费米子系统的约化密度矩阵需要满足的约束条件，仅当满足这些条件时，一个给定的约化密度矩阵才对应于一个N体米子系统；相反，当出现违反情况时，说明说给定的约化密度矩阵不对应于任何物理系统，故而，我们可以通过将受到噪声影响的约化密度矩阵投影到物理子空间来减小噪声的影响，该子空间即满足N可表示性约束条件的空间。在一个实施例中，由于N可表示性条件的完全满足难度很大，可以以该条件的二阶近似代替该条件。该条件的二阶近似，可以称为2-正性条件(2-positive)，其具体表达式如下：
上述公式表示两电子、两空穴、单电子和单空穴RDM都是半正定的，对应的物理意义为在任意两电子轨道找到两电子、两空穴、一个电子和一个空穴的概率大等于零。如上所述，N可表示性规定了测量得到的2-RDM具备怎样的性质才为物理或化学上可以出现的，但是实验测量得到的2-RDM往往由于噪声的存在不满足这些条件。而利用神经网络则可以在使得输出的2-RDM拟合理想2-RDM的同时，使得输出的2-RDM处于N阶可表示性空间，以进一步缓解量子噪声的负面影响。
图3为本发明又一实施例提供的错误抑制模型的训练方法的流程图。在图3所示的实施例中，错误抑制模型的训练过程可以具体包括如下步骤31-35，：
在步骤31，获取第二费米子系统的带噪声的第三约化密度矩阵和理想的第四约化密度矩阵，所述第三约化密度矩阵和第四约化密度矩阵为两电子约化密度矩阵；
在步骤32，将所述第三约化密度矩阵输入错误抑制模型，得到第五约化密度矩阵；
在步骤33，根据所述第四约化密度矩阵，基于Wick定理，确定第一两空穴约化密度矩阵和第一电子-空穴约化密度矩阵；根据第五约化密度矩阵，基于Wick定理，确定第二两空穴约化密度矩阵和第二电子-空穴约化密度矩阵；
在步骤34，根据第五约化密度矩阵和第四约化密度矩阵的第二差异，根据第一两空穴约化密度矩阵和第二两空穴约化密度矩阵的第二差异、以及第一电子-空穴约化密度矩阵和第一电子-空穴约化密度矩阵的第二差异，确定第二损失。
在不同的实施例中，第二差异也可以具有不同的具体确定方式。在一个实施例中，第二差异可以是不同矩阵之间的秩的差值。因此，在该实施例中，第五约化密度矩阵和第四约化密度矩阵的第二差异，可以是第五约化密度矩阵和第四约化密度矩阵的秩的差值；第一两空穴约化密度矩阵和第二两空穴约化密度矩阵的第二差异，可以是第一两空穴约化密度矩阵和第二两空穴约化密度矩阵的秩的差值；第一电子-空穴约化密度矩阵和第一电子-空穴约化密度矩阵的第二差异，可以是第一电子-空穴约化密度矩阵和第一电子-空穴约化密度矩阵的秩的差值。
在步骤35，根据第五约化密度矩阵和第四约化密度矩阵的第一差异，确定第一损失；以第一损失和第二损失趋向变小为目的，更新所述错误抑制模型的参数。
根据又一方面的实施例，提供了一种抑制费米子系统测量中的错误的装置。图4为本发明实施例提供的一种抑制费米子系统测量中的错误的装置的结构图，如图4所示，该装置400包括:
噪声矩阵获取单元，配置为41，基于对第一费米子系统进行的测量结果，确定携带噪声的第一约化密度矩阵；
噪声矩阵确定单元，配置为42，将所述第一约化密度矩阵，输入预先训练的错误抑制模型，获取降噪后的第二约化密度矩阵；
系统量确定单元，配置为43，基于所述第二约化密度矩阵，确定所述第一费米子系统的能量。
根据又一方面的实施例，还提供一种计算机可读介质，包括存储于其上的计算机程序，所述计算机在运行时执行上述的方法。
根据又一方面的实施例，还提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现上述的方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种抑制费米子系统测量中的错误的方法，所述费米子系统为电子系统,所述方法包括：
基于对第一费米子系统进行的测量结果，确定携带噪声的第一约化密度矩阵，所述第一约化密度矩阵为携带噪声的两电子约化密度矩阵；
将所述第一约化密度矩阵，输入预先训练的错误抑制模型，获取降噪后的第二约化密度矩阵，所述第二约化密度矩阵为降噪后的两电子约化密度矩阵；所述错误抑制模型通过如下过程训练：获取第二费米子系统的带噪声的第三约化密度矩阵和理想的第四约化密度矩阵，所述第三约化密度矩阵和第四约化密度矩阵为两电子约化密度矩阵；将所述第三约化密度矩阵输入错误抑制模型，得到第五约化密度矩阵；根据第五约化密度矩阵和第四约化密度矩阵的第一差异，确定第一损失；根据所述第四约化密度矩阵，基于Wick定理，确定第一两空穴约化密度矩阵和第一电子-空穴约化密度矩阵；根据第五约化密度矩阵，基于Wick定理，确定第二两空穴约化密度矩阵和第二电子-空穴约化密度矩阵；根据第五约化密度矩阵和第四约化密度矩阵的第二差异，根据第一两空穴约化密度矩阵和第二两空穴约化密度矩阵的第二差异、以及第一电子-空穴约化密度矩阵和第一电子-空穴约化密度矩阵的第二差异，确定第二损失；以第一损失和第二损失趋向变小为目的，更新所述错误抑制模型的参数；
基于所述第二约化密度矩阵，确定所述第一费米子系统的能量。
2.根据权利要求1所述的方法，其中，所述第五约化密度矩阵和第四约化密度矩阵的差异，包括：
第五约化密度矩阵和第四约化密度矩阵的Frobenius范数之差。
3.根据权利要求2所述的方法，其中，第五约化密度矩阵和第四约化密度矩阵的第二差异，包括，第五约化密度矩阵和第四约化密度矩阵的秩的差值；
第一两空穴约化密度矩阵和第二两空穴约化密度矩阵的第二差异，包括，第一两空穴约化密度矩阵和第二两空穴约化密度矩阵的秩的差值；
第一电子-空穴约化密度矩阵和第一电子-空穴约化密度矩阵的第二差异，包括，第一电子-空穴约化密度矩阵和第一电子-空穴约化密度矩阵的秩的差值。
4.根据权利要求1所述的方法，其中，基于所述第二约化密度矩阵，确定所述第一费米子系统的能量，包括：
根据降噪后的两电子约化密度矩阵，确定降噪后的单电子约化密度矩阵；
根据降噪后的两电子约化密度矩阵和降噪后的单电子约化密度矩阵，确定所述第一费米子系统的能量。
5.一种抑制费米子系统测量中的错误的装置，包括：
噪声矩阵获取单元，配置为，基于对第一费米子系统进行的测量结果，确定携带噪声的第一约化密度矩阵，所述第一约化密度矩阵为携带噪声的两电子约化密度矩阵；
噪声矩阵确定单元，配置为，将所述第一约化密度矩阵，输入预先训练的错误抑制模型，获取降噪后的第二约化密度矩阵，所述第二约化密度矩阵为降噪后的两电子约化密度矩阵；所述错误抑制模型通过如下过程训练：获取第二费米子系统的带噪声的第三约化密度矩阵和理想的第四约化密度矩阵，所述第三约化密度矩阵和第四约化密度矩阵为两电子约化密度矩阵；将所述第三约化密度矩阵输入错误抑制模型，得到第五约化密度矩阵；根据第五约化密度矩阵和第四约化密度矩阵的第一差异，确定第一损失；根据所述第四约化密度矩阵，基于Wick定理，确定第一两空穴约化密度矩阵和第一电子-空穴约化密度矩阵；根据第五约化密度矩阵，基于Wick定理，确定第二两空穴约化密度矩阵和第二电子-空穴约化密度矩阵；根据第五约化密度矩阵和第四约化密度矩阵的第二差异，根据第一两空穴约化密度矩阵和第二两空穴约化密度矩阵的第二差异、以及第一电子-空穴约化密度矩阵和第一电子-空穴约化密度矩阵的第二差异，确定第二损失；以第一损失和第二损失趋向变小为目的，更新所述错误抑制模型的参数；
系统量确定单元，配置为，基于所述第二约化密度矩阵，确定所述第一费米子系统的能量。
6.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-4中任一项的所述的方法。
7.一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210945793.9A CN115204404B (zh) | 2022-08-08 | 2022-08-08 | 一种抑制费米子系统测量中的错误的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210945793.9A CN115204404B (zh) | 2022-08-08 | 2022-08-08 | 一种抑制费米子系统测量中的错误的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115204404A CN115204404A (zh) | 2022-10-18 |
| CN115204404B true CN115204404B (zh) | 2023-05-30 |
Family
ID=83585064
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210945793.9A Active CN115204404B (zh) | 2022-08-08 | 2022-08-08 | 一种抑制费米子系统测量中的错误的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115204404B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116665790A (zh) * | 2023-05-23 | 2023-08-29 | 正则量子(北京)技术有限公司 | 变分量子求解的错误缓解方法、装置、介质及电子设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1755715A (zh) * | 2004-07-30 | 2006-04-05 | 微软公司 | 用于执行量子计算的系统和方法 |
| WO2018033823A1 (en) * | 2016-08-17 | 2018-02-22 | International Business Machines Corporation | Efficient reduction of resources for the simulation of fermionic hamiltonians on quantum hardware |
| CN110678867A (zh) * | 2017-05-19 | 2020-01-10 | 谷歌有限责任公司 | 量子模拟的平面波双基 |
| CA3146219A1 (en) * | 2019-07-29 | 2021-02-04 | Ryan BABBUSH | Efficient and noise resilient measurements for quantum chemistry |
| CN112470173A (zh) * | 2018-06-06 | 2021-03-09 | Q-Ctrl股份有限公司 | 量子控制开发和实现界面 |
| CN113314110A (zh) * | 2021-04-25 | 2021-08-27 | 天津大学 | 一种基于量子测量与酉变换技术的语言模型及构建方法 |
| CN113379057A (zh) * | 2021-06-07 | 2021-09-10 | 腾讯科技（深圳）有限公司 | 量子体系基态能量估计方法及系统 |
| CN113544709A (zh) * | 2018-12-07 | 2021-10-22 | 爱奥尼克公司 | 用于量子化学电路合成的经典优化器 |
| CN113811899A (zh) * | 2019-02-15 | 2021-12-17 | 谷歌有限责任公司 | 在没有附加量子资源的情况下提高量子模拟的表示精度 |
| CN114509003A (zh) * | 2016-03-31 | 2022-05-17 | 甘万达 | 非接触角测量设备和方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220019931A1 (en) * | 2019-02-12 | 2022-01-20 | Google Llc | Increasing representation accuracy of quantum simulations without additional quantum resources |
| US11894107B2 (en) * | 2019-10-22 | 2024-02-06 | International Business Machines Corporation | Precision-preserving qubit reduction based on spatial symmetries in fermionic systems |
| AU2021316089A1 (en) * | 2020-07-29 | 2022-07-21 | Biolinq Incorporated | Continuous analyte monitoring system with microneedle array |
| US20220164501A1 (en) * | 2020-11-20 | 2022-05-26 | Nosanow & Nutt, LLC | Quantum mechanics instruction production systems, methods, and applications thereof |
| CN112906898B (zh) * | 2021-03-10 | 2022-08-09 | 清华大学 | 一种量子噪音确定和量子态估计方法 |
| CN114202072B (zh) * | 2021-10-14 | 2024-09-13 | 腾讯科技（深圳）有限公司 | 量子体系下的期望值估计方法及系统 |
-
2022
- 2022-08-08 CN CN202210945793.9A patent/CN115204404B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1755715A (zh) * | 2004-07-30 | 2006-04-05 | 微软公司 | 用于执行量子计算的系统和方法 |
| CN114509003A (zh) * | 2016-03-31 | 2022-05-17 | 甘万达 | 非接触角测量设备和方法 |
| WO2018033823A1 (en) * | 2016-08-17 | 2018-02-22 | International Business Machines Corporation | Efficient reduction of resources for the simulation of fermionic hamiltonians on quantum hardware |
| CN110678867A (zh) * | 2017-05-19 | 2020-01-10 | 谷歌有限责任公司 | 量子模拟的平面波双基 |
| CN112470173A (zh) * | 2018-06-06 | 2021-03-09 | Q-Ctrl股份有限公司 | 量子控制开发和实现界面 |
| CN113544709A (zh) * | 2018-12-07 | 2021-10-22 | 爱奥尼克公司 | 用于量子化学电路合成的经典优化器 |
| CN113811899A (zh) * | 2019-02-15 | 2021-12-17 | 谷歌有限责任公司 | 在没有附加量子资源的情况下提高量子模拟的表示精度 |
| CA3146219A1 (en) * | 2019-07-29 | 2021-02-04 | Ryan BABBUSH | Efficient and noise resilient measurements for quantum chemistry |
| CN113314110A (zh) * | 2021-04-25 | 2021-08-27 | 天津大学 | 一种基于量子测量与酉变换技术的语言模型及构建方法 |
| CN113379057A (zh) * | 2021-06-07 | 2021-09-10 | 腾讯科技（深圳）有限公司 | 量子体系基态能量估计方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115204404A (zh) | 2022-10-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20240046106A1 (en) | Multi-task neural networks with task-specific paths | |
| CN111832627B (zh) | 抑制标签噪声的图像分类模型训练方法、分类方法及系统 | |
| He et al. | A lack-of-fit test for quantile regression | |
| CN105678422A (zh) | 基于经验模态神经网络的混沌时间序列预测方法 | |
| CN113379071B (zh) | 一种基于联邦学习的噪声标签修正方法 | |
| CN112733933B (zh) | 基于统一优化目标框架图神经网络的数据分类方法及装置 | |
| CN114897175B (zh) | 量子测量设备的噪声消除方法及装置、电子设备和介质 | |
| CN115204404B (zh) | 一种抑制费米子系统测量中的错误的方法及装置 | |
| CN104461821A (zh) | 一种虚拟机监控预警方法及系统 | |
| CN116109004A (zh) | 一种绝缘子泄漏电流的预测方法、装置、设备及介质 | |
| CN108694480A (zh) | 基于改进的长短时记忆网络的金融数据预测方法 | |
| CN118470387A (zh) | 应用于医学影像分析的基于异构网络的加速分布式方差缩减优化方法 | |
| CN112396310A (zh) | 一种基于机器学习的社会信用风险评估系统 | |
| CN111737113A (zh) | 故障检测和引进非线性变化的开源软件可靠性建模方法 | |
| CN110097116A (zh) | 一种基于独立成分分析和核密度估计的虚拟样本生成方法 | |
| CN116564542A (zh) | 一种基于动力学模型的传染病传播规模预测方法及系统 | |
| Kaur et al. | Comparative analysis of the software effort estimation models | |
| JP7226568B2 (ja) | ニューラルネットワーク学習装置、ニューラルネットワーク学習方法、プログラム | |
| WO2024161561A1 (ja) | 情報出力プログラム、情報出力方法及び情報出力装置 | |
| CN117743568B (zh) | 基于资源流量和置信度融合的内容生成方法和系统 | |
| CN110796234B (zh) | 一种用于预测计算机状态的方法和装置 | |
| CN113011476B (zh) | 基于自适应滑动窗口gan的用户行为安全检测方法 | |
| Zhang et al. | Multi-variable data Imputation Method for Fog Computing enabled Industrial Internet of Things | |
| CN111144471B (zh) | 一种检测方法、装置、设备及存储介质 | |
| Grbovic et al. | A boosting method for process fault detection with detection delay reduction and label denoising |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |