一種量子電路合成方法及相關裝置與流程

本申請屬于量子計算，特別是一種量子電路合成方法及相關裝置。

背景技術：

1、量子電路編譯是當前量子計算工作流中的關鍵步驟，其目的是將給定的量子電路適配到特定量子設備所支持的指令集。現(xiàn)代量子電路編譯器包括多個專門針對不同任務的處理步驟，以盡可能少的門操作和電路深度來適配硬件，從而降低量子硬件噪聲對計算的影響。

2、量子電路合成是大多數(shù)編譯器中的一項基本任務。它的目標是給定一個目標酉矩陣，找到硬件指令集中的一個量子邏輯門序列能夠實現(xiàn)該目標酉矩陣。在尋找量子邏輯門的過程中通常使用基于給定電路模板的近似方法。具體為：采用固定的量子邏輯門組成的電路模板，其中攜帶可調節(jié)參數(shù)的量子邏輯門，在隨機生成的參數(shù)值基礎上，優(yōu)化電路模板中各量子邏輯門的可調節(jié)參數(shù)，以最大化生成電路與目標酉矩陣之間的保真度，隨著量子比特數(shù)量的增加，優(yōu)化各量子邏輯門的可調節(jié)參數(shù)的過程比較耗時，收斂比較慢，進而導致量子電路編譯效率比較低。

技術實現(xiàn)思路

1、本申請的目的是提供一種量子電路合成方法及相關裝置，旨在提高量子電路的編譯效率。

2、本申請的一個實施例提供了一種量子電路合成方法，所述方法包括：

3、基于目標酉矩陣，從量子電路模版庫中確定目標量子電路模版，其中，所述量子電路模版庫中每一量子電路模版均攜帶至少一個可調節(jié)參數(shù)；

4、將所述目標酉矩陣輸入到訓練好的第一預測模型，預測得到所述目標量子電路模版可調節(jié)參數(shù)的初始值，其中，所述第一預測模型是以輸出酉矩陣和輸入酉矩陣之間的保真度最大化為目標訓練得到的，所述輸出酉矩陣是對所述輸入酉矩陣重構得到的；

5、在所預測的初始值基礎上，優(yōu)化所述目標量子電路模版中的可調節(jié)參數(shù)；

6、當最新可調節(jié)參數(shù)對應的酉矩陣與所述目標酉矩陣之間的保真度滿足收斂條件，將最新可調節(jié)參數(shù)對應的目標量子電路模版作為合成的量子電路。

7、可選的，所述基于目標酉矩陣，從量子電路模版庫中確定目標量子電路模版，包括：

8、將目標酉矩陣輸入到訓練好的第二預測模型中，獲得一組可選擇的量子電路模版和每一量子電路模版對應的概率，其中，所述第二預測模型是通過對輸入酉矩陣進行概率預測，以預測出的預測概率和預先標注的實際概率之間的交叉熵損失函數(shù)最小為目標，進行訓練得到的；

9、基于所獲得的概率，選擇最大概率對應的量子電路模版作為目標量子電路模版。

10、可選的，所述第二預測模型的訓練過程，包括：

11、填充量子電路模版庫中每一量子電路模版可調節(jié)參數(shù)的參數(shù)值，獲得對應的酉矩陣，以構建訓練數(shù)據(jù)集；

12、將所述訓練數(shù)據(jù)集各個訓練數(shù)據(jù)輸入到預先構建的第二預測模型中，得到各個訓練數(shù)據(jù)對應的預測概率；

13、以預測出的預測概率和預先針對訓練數(shù)據(jù)標注的實際概率之間的交叉熵損失函數(shù)最小為目標，對所述第二預測模型進行模型參數(shù)調整。

14、可選的，所述第二預測模型為機器學習模型。

15、可選的，所述第二預測模型為多層全連接神經網(wǎng)絡。

16、可選的，當最新可調節(jié)參數(shù)對應的酉矩陣與所述目標酉矩陣之間的保真度無法收斂時，所述方法還包括：

17、從所述量子電路模版庫中，確定概率僅次于當前目標量子電路模版的量子電路模版作為新的目標量子電路模版，并返回執(zhí)行通過所述目標酉矩陣，預測所述目標量子電路模版的可調節(jié)參數(shù)的初始值的步驟。

18、可選的，所述第一預測模型為輸入和學習目標相同的機器學習模型。

19、可選的，所述第一預測模型的模型參數(shù)為復數(shù)。

20、可選的，所述第一預測模型為自編碼器。

21、本申請的又一實施例提供了一種量子電路合成裝置，所述裝置包括：

22、第一確定模塊，用于基于目標酉矩陣，從量子電路模版庫中確定目標量子電路模版，其中，所述量子電路模版庫中每一量子電路模版均攜帶至少一個可調節(jié)參數(shù)；

23、預測模塊，用于將所述目標酉矩陣輸入到訓練好的第一預測模型，預測得到所述目標量子電路模版可調節(jié)參數(shù)的初始值，其中，所述第一預測模型是以輸出酉矩陣和輸入酉矩陣之間的保真度最大化為目標訓練得到的，所述輸出酉矩陣是對所述輸入酉矩陣重構得到的；

24、優(yōu)化模塊，用于在所預測的初始值基礎上，優(yōu)化所述目標量子電路模版中的可調節(jié)參數(shù)；

25、第二確定模塊，用于當最新可調節(jié)參數(shù)對應的酉矩陣與所述目標酉矩陣之間的保真度滿足收斂條件，將最新可調節(jié)參數(shù)對應的目標量子電路模版作為合成的量子電路。

26、本申請的又一實施例提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)上述任一項方法。

27、本申請的又一實施例提供了一種計算機設備，所述計算機設備包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)上述任一項方法。

28、與現(xiàn)有技術相比，本申請?zhí)峁┝艘环N量子電路合成方法，可以先基于目標酉矩陣，從量子電路模版庫中確定目標量子電路模版；再將目標酉矩陣輸入到訓練好的第一預測模型，預測得到目標量子電路模版可調節(jié)參數(shù)的初始值；然后在所預測的初始值基礎上，優(yōu)化目標量子電路模版中的可調節(jié)參數(shù)；最后當最新可調節(jié)參數(shù)對應的酉矩陣與目標酉矩陣之間的保真度滿足收斂條件，將最新可調節(jié)參數(shù)對應的目標量子電路模版作為合成的量子電路。相較于現(xiàn)有技術中隨機生成可調節(jié)參數(shù)的初始值或經驗值，本申請基于目標酉矩陣利用預測模型得到的，初始值的設置更加的合理，減少了參數(shù)優(yōu)化的次數(shù)，特別是隨著量子比特數(shù)量的增加，減少優(yōu)化的次數(shù)更少，進而減少了優(yōu)化耗時，從而提高了量子電路的編譯效率。

技術特征：

1.一種量子電路合成方法，其特征在于，所述方法包括：

2.如權利要求1所述的方法，其特征在于，所述基于目標酉矩陣，從量子電路模版庫中確定目標量子電路模版，包括：

3.如權利要求2所述的方法，其特征在于，所述第二預測模型的訓練過程，包括：

4.如權利要求2所述的方法，其特征在于，所述第二預測模型為機器學習模型。

5.如權利要求4所述的方法，其特征在于，所述第二預測模型為多層全連接神經網(wǎng)絡。

6.如權利要求2所述的方法，其特征在于，當最新可調節(jié)參數(shù)對應的酉矩陣與所述目標酉矩陣之間的保真度無法收斂時，所述方法還包括：

7.如權利要求1-6任一項所述的方法，其特征在于，所述第一預測模型為輸入和學習目標相同的機器學習模型。

8.如權利要求7所述的方法，其特征在于，所述第一預測模型的模型參數(shù)為復數(shù)。

9.如權利要求7所述的方法，其特征在于，所述第一預測模型為自編碼器。

10.一種量子電路合成裝置，其特征在于，所述裝置包括：

11.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)權利要求1至9任一項所述的方法。

12.一種計算機設備，其特征在于，所述計算機設備包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)權利要求1至9任一項所述的方法。

技術總結
本申請公開了一種量子電路合成方法及相關裝置，屬于量子計算技術領域，方法包括：基于目標酉矩陣，從量子電路模版庫中確定目標量子電路模版；將所述目標酉矩陣輸入到訓練好的第一預測模型，預測得到所述目標量子電路模版可調節(jié)參數(shù)的初始值，其中，所述第一預測模型是以輸出酉矩陣和輸入酉矩陣之間的保真度最大化為目標訓練得到的，所述輸出酉矩陣是對所述輸入酉矩陣重構得到的；在所預測的初始值基礎上，優(yōu)化所述目標量子電路模版中的可調節(jié)參數(shù)；當最新可調節(jié)參數(shù)對應的酉矩陣與所述目標酉矩陣之間的保真度滿足收斂條件，將最新可調節(jié)參數(shù)對應的目標量子電路模版作為合成的量子電路。應用本申請實施例，可以提高量子電路合成的效率。

技術研發(fā)人員：竇猛漢,請求不公布姓名,請求不公布姓名
受保護的技術使用者：本源量子計算科技（合肥）股份有限公司
技術研發(fā)日：
技術公布日：2024/12/30