[发明专利]一种量子神经网络训练方法和装置

说明书

本发明提供一种量子神经网络训练方法和装置，涉及量子计算技术领域。该量子神经网络训练方法包括：根据量子神经网络算法电路构建期望值求解电路；依次更新所述量子神经网络算法电路中所有量子门对应的当前参数；完成所述量子神经网络算法电路中所有量子门对应的当前参数更新后，判断所述量子神经网络算法电路中所有量子门对应的当前参数是否全部收敛；若所有当前参数全部收敛，则完成所述量子神经网络训练方法。通过该方法的实施，实现在希尔伯特空间对量子态进行直接操作，进而训练量子神经网络。起到了在量子计算机上执行量子神经网络训练的作用，极大地提升了量子神经网络算法的训练效率。

技术领域

本发明涉及量子计算技术领域，特别涉及一种量子神经网络训练方法和装置。

背景技术

神经网络是分布式并行信息处理的算法数学模型，最早是人工智能领域的一种算法或者说是模型，目前神经网络已经发展成为一类多学科交叉的学科领域，也随着深度学习取得的进展重新受到重视和推崇。

随着量子计算科学的发展，神经网络与之结合发展处新型的量子神经网络算法。通过量子门的组合对量子比特进行一系列特殊的操作实现。在量子神经网络中，量子比特对应传统计算机当中比特的概念，有两个存在的状态|0，|1，对应传统比特的开关状态。量子门则是实现量子机器学习算法的重要工具，是对量子态进行的控制操作。作为可以携带参数的操作，在量子神经网络中扮演重要的角色，主要完成量子比特间的控制操作和纠缠操作，通过将各种门有序的组合起来，能够在最终的输出中收获我们想要的信息，实现特定的算法。

量子神经网络基于量子计算，在量子计算机上实现的机器学习算法，与传统计算相比具有良好的泛化性能。目前，在量子计算机上还没有训练量子神经网络算法的方法，训练量子神经网络还是通过传统计算机的机器学习框架进行，不能充分发挥量子计算的优越性。当前的硬件发展条件下，这是一种妥协和折衷的方法。不过，随着量子计算机的进一步发展，亟需一种直接在量子计算机上进行的训练过程。基于以上问题，本发明提出了一种基于量子计算机的训练量子神经网络的方法，解决目前量子神经网络无法在量子计算机上进行训练的问题。

发明内容

为了解决现有技术的问题，本发明实施例提供了一种量子神经网络训练方法和装置，以克服现有技术中无法通过量子计算机直接对量子神经网络进行训练的问题。

为了解决上述的一个或多个技术问题，本发明采用的技术方案如下：

第一方面，提供一种量子神经网络训练方法，用于在量子计算机上进行神经网络训练，包括：

根据量子神经网络算法电路构建期望值求解电路；

依次更新量子神经网络算法电路中所有量子门对应的当前参数；

完成量子神经网络算法电路中所有量子门对应的当前参数更新后，判断量子神经网络算法电路中所有量子门对应的当前参数是否全部收敛；

若所有当前参数全部收敛，则完成量子神经网络训练方法；

其中，依次更新量子神经网络算法电路中所有量子门对应的当前参数包括：

获取正在更新的量子门对应的当前参数作为待处理参数；

使用期望值求解电路对待处理参数与预设值的运算结果进行作用，获得第一期望值和第二期望值；

根据第一期望值和第二期望值计算得到待处理参数的参数梯度；

根据参数梯度对待处理参数进行操作，得到正在更新的量子门对应的当前参数。

进一步地，一种量子神经网络训练方法还包括：若至少存在一个量子门对应的当前参数不收敛，则循环执行量子神经网络训练方法。

进一步地，该方法之前还包括：