特許 7451008 量子回路の決定方法、装置、機器及びコンピュータプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-03-08

(45)【発行日】2024-03-18

(54)【発明の名称】量子回路の決定方法、装置、機器及びコンピュータプログラム

(51)【国際特許分類】

   G06N 10/20 20220101AFI20240311BHJP

【ＦＩ】

G06N10/20

【請求項の数】 19

(21)【出願番号】P 2021546756

(86)(22)【出願日】2021-01-25

(65)【公表番号】

(43)【公表日】2023-01-23

(86)【国際出願番号】 CN2021073639

(87)【国際公開番号】W WO2022077797

(87)【国際公開日】2022-04-21

【審査請求日】2021-08-10

(31)【優先権主張番号】202011096965.7

(32)【優先日】2020-10-14

(33)【優先権主張国・地域又は機関】CN

(73)【特許権者】

【識別番号】517392436

【氏名又は名称】▲騰▼▲訊▼科技（深▲セン▼）有限公司

【氏名又は名称原語表記】ＴＥＮＣＥＮＴ ＴＥＣＨＮＯＬＯＧＹ （ＳＨＥＮＺＨＥＮ） ＣＯＭＰＡＮＹ ＬＩＭＩＴＥＤ

【住所又は居所原語表記】３５／Ｆ，Ｔｅｎｃｅｎｔ Ｂｕｉｌｄｉｎｇ，Ｋｅｊｉｚｈｏｎｇｙｉ Ｒｏａｄ，Ｍｉｄｗｅｓｔ Ｄｉｓｔｒｉｃｔ ｏｆ Ｈｉ－ｔｅｃｈ Ｐａｒｋ，Ｎａｎｓｈａｎ Ｄｉｓｔｒｉｃｔ， Ｓｈｅｎｚｈｅｎ，Ｇｕａｎｇｄｏｎｇ ５１８０５７，ＣＨＩＮＡ

(74)【代理人】

【識別番号】100110364

【弁理士】

【氏名又は名称】実広 信哉

(74)【代理人】

【識別番号】100150197

【弁理士】

【氏名又は名称】松尾 直樹

(72)【発明者】

【氏名】▲張▼ 士欣

(72)【発明者】

【氏名】▲謝▼ 昌▲諭▼

(72)【発明者】

【氏名】▲張▼ ▲勝▼誉

【審査官】金田 孝之

(56)【参考文献】

【文献】Harper R. Grimsley et al.，An adaptive variational algorithm for exact molecular simulations on a quantum computer，nature communications，nature，2019年07月08日，10, 3007，Pages 1-9，<DOI: 10.1038/s41467-019-10988-2>

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｎ １０／００－１０／８０

(57)【特許請求の範囲】

【請求項1】

量子回路の決定方法であって、前記方法は、
初期の確率モデルを構築するステップであって、前記初期の確率モデルのモデルパラメータはｐ×ｃ個のパラメータを含み、ｐは回路ユニットの最大数を示し、ｃは回路ユニットプール中の回路ユニットの総数を示し、前記初期の確率モデルに含まれるｐ行×ｃ列の行列式の要素は、ターゲット量子回路に含まれる充填対象の位置に、前記回路ユニットプール中に含まれる回路ユニットの確率を充填することを表す、ステップ（２０１）と、
前記初期の確率モデルを用いた初期のサンプリング方式に従い、初期の回路ユニットプールをＫ回サンプリングすることによってＫ個のグループの回路ユニットを選択し、Ｋ個の候補量子回路を構成するステップであって、各グループの回路ユニットは、少なくとも１つの回路ユニットを含み、１つの候補量子回路を構成することに用いられ、Ｋは正の整数である、ステップ（１０１）と、
前記Ｋ個の候補量子回路に対応する性能評価指標を決定するステップであって、前記モデルパラメータに基づく正規項を含めたターゲット関数の演算結果である性能評価指標を決定するステップ（１０２）と、
前記性能評価指標に基づいて前記サンプリング方式及び前記回路ユニットプール中の回路ユニットを更新して、更新後のサンプリング方式及び更新後の回路ユニットプールを得るステップ（１０３）と、
前記更新後のサンプリング方式に従い、前記更新後の回路ユニットプールをＫ回サンプリングすることによってＫ個のグループの回路ユニットを選択して、Ｋ個の候補量子回路を構成するステップ（１０４）と、
前記ステップ（１０２）、前記ステップ（１０３）、前記ステップ（１０４）をサイクル停止条件が満たされるまでサイクルして実行するステップと、
前記サイクル停止条件が満たされた場合、最後の１回に生成した前記Ｋ個の候補量子回路の中に占める同じ該候補量子回路の割合に基づいてターゲット量子回路を決定するステップと
を含み、
前記正規項を含めたターゲット関数は、

【数1】

によって表され、ｐ（Ｋ _ｉ ＝Ｋ）はｉ個目の候補充填位置に第ｋ個の回路ユニットを充填する確率であり、λは該正規項の重みであり、ｑは回路ユニット中の２ビット量子ゲートの数を表す
量子回路の決定方法。

【請求項2】

前記ステップ（１０１）は、
前記初期の確率モデルに基づいて、前記初期の回路ユニットプールに対してＫ回のサンプリングを行い、サンプリングするたびに１グループの回路ユニットを取得して、前記Ｋ個のグループの回路ユニットを得るステップ、および、
前記Ｋ個のグループの回路ユニットに基づいて、前記Ｋ個の候補量子回路を構成するステップを含む請求項１に記載の方法。

【請求項3】

前記ステップ（１０３）は、
前記性能評価指標に基づいて、第１勾配情報及び第２勾配情報を計算するステップであって、前記第１勾配情報は前記モデルパラメータの勾配情報であり、前記第２勾配情報は前記回路ユニットプール中の回路ユニットの回路パラメータの勾配情報である、ステップ（２０５）、
前記第１勾配情報に基づいて前記モデルパラメータを更新して、更新後の確率モデルを得るステップ（２０６）、および、
前記第２勾配情報に基づいて前記回路ユニットプール中の回路ユニットの回路パラメータを更新して、更新後の回路ユニットプールを得るステップ（２０７）を含む請求項２に記載の方法。

【請求項4】

前記ステップ（２０５）は、
前記ターゲット関数の前記確率モデルのモデルパラメータに対する導関数を、モンテカルロ期待値自動微分に基づいて計算して、前記第１勾配情報を得るステップ、および、
前記ターゲット関数の前記回路ユニットプール中の回路ユニットの回路パラメータに対する導関数を自動微分に基づいて計算して、前記第２勾配情報を得るステップを含む請求項３に記載の方法。

【請求項5】

前記ステップ（１０２）は、
前記Ｋ個の候補量子回路であるＵ（Ｋ，θ）の前記ターゲット関数であるＬ（Ｕ（Ｋ，θ））のそれぞれに対応する演算結果を以下の数式に基づいて計算して、Ｋ個の演算結果を得るステップ、

【数2】

ここで、θはターゲット関数の回路パラメータであり、αは前記モデルパラメータであり、
および、
前記Ｋ個の演算結果に基づいて、前記性能評価指標を得るステップを含む請求項１に記載の方法。

【請求項6】

最後の１回に生成した前記Ｋ個の候補量子回路の中からターゲット量子回路を決定する前記ステップは、
最後の１回に生成した前記Ｋ個の候補量子回路の中から、生成確率が最も高い候補量子回路を決定するステップ、および、
前記生成確率が最も高い候補量子回路を、前記ターゲット量子回路として決定するステップを含む請求項１に記載の方法。

【請求項7】

Ｋ個の候補量子回路を構成する前記ステップの後、さらに、
ｉ個目の候補量子回路中のｊ個目の回路ユニットに対して、前記ｊ個目の回路ユニットの前記回路ユニットプール中での位置及び前記ｉ個目の候補量子回路中での位置に基づき、回路パラメータプール中から前記ｊ個目の回路ユニットの回路パラメータを取得するステップを含み、
前記回路パラメータプール中には前記回路ユニットプール中の各回路ユニットの各充填対象の位置上での回路パラメータが含まれ、ｉはＫ以下の正の整数であり、ｊは正の整数である請求項１に記載の方法。

【請求項8】

最後の１回に生成した前記Ｋ個の候補量子回路の中からターゲット量子回路を決定する前記ステップの後、さらに、
前記ターゲット量子回路の構造を固定して、且つ前記ターゲット量子回路中に含まれる各回路ユニットの回路パラメータを調整するステップ、および、
調整停止条件が満たされた場合、パラメータが最適化調整された後の前記ターゲット量子回路を得るステップを含む請求項１～７のいずれか１項に記載の方法。

【請求項9】

各グループの回路ユニット中に含まれる回路ユニットは繰り返し利用可能である請求項１～７のいずれか１項に記載の方法。

【請求項10】

量子回路の決定方法であって、前記方法は、
回路ユニットプール中からＮ個の回路ユニットを選択するステップであって、前記回路ユニットプール中には複数の回路ユニットが含まれ、各回路ユニットは１つのユニタリ行列に対応する等価量子回路であり、Ｎは１より大きい整数である、ステップ、
前記Ｎ個の回路ユニットのそれぞれに対応する回路パラメータを決定するステップであって、前記回路パラメータは前記回路ユニットにより実行される操作を定義することに用いられ、且つ前記回路パラメータは更新可能である、ステップ、および、
前記Ｎ個の回路ユニット及び前記Ｎ個の回路ユニットのそれぞれに対応する回路パラメータに基づいて、量子回路を構成するステップを含み、
前記Ｎ個の回路ユニットのそれぞれに対応する回路パラメータを決定する前記ステップは、
前記Ｎ個の回路ユニット中のｉ個目の回路ユニットに対して、前記ｉ個目の回路ユニットの充填対象の位置に基づき、回路パラメータプール中から前記ｉ個目の回路ユニットの回路パラメータを取得するステップを含み、
前記回路パラメータプール中には前記回路ユニットプール中の各回路ユニットの各充填対象の位置上での回路パラメータが含まれ、ｉはＮ以下の正の整数である
量子回路の決定方法。

【請求項11】

前記Ｎ個の回路ユニット及び前記Ｎ個の回路ユニットのそれぞれに対応する回路パラメータに基づいて、量子回路を構成する前記ステップの後、さらに、
前記量子回路に対応する性能評価指標を決定するステップ、
前記性能評価指標に基づいて、ターゲット勾配情報を計算するステップであって、前記ターゲット勾配情報は前記量子回路の回路パラメータの勾配情報である、ステップ、および、
前記ターゲット勾配情報に基づいて、前記量子回路の回路パラメータを更新して、更新後の量子回路を得るステップを含む請求項１０に記載の方法。

【請求項12】

前記性能評価指標はターゲット関数の演算結果であり、
前記性能評価指標に基づいて、ターゲット勾配情報を計算する前記ステップは、
前記ターゲット関数の前記量子回路の回路パラメータに対する導関数∇θＬ＝∇θＬ（Ｕ（Ｋ，θ））を計算して、前記ターゲット勾配情報を得るステップであって、∇θＬは前記ターゲット関数であるＬの量子回路Ｕ（Ｋ，θ）の回路パラメータθに対する導関数であるステップを含む請求項１１に記載の方法。

【請求項13】

前記Ｎ個の回路ユニット中に含まれる回路ユニットは繰り返し利用可能である請求項１０～１２のいずれか１項に記載の方法。

【請求項14】

コンピュータ機器に適用される量子回路の決定方法であって、前記方法は、
初期の確率モデルを構築するステップであって、前記確率モデルのモデルパラメータはｐ×ｃ個のパラメータを含み、ｐは回路ユニットの最大数を示し、ｃは回路ユニットプール中の回路ユニットの総数を示し、前記初期の確率モデルに含まれるｐ行×ｃ列の行列式の要素は、ターゲット量子回路に含まれる充填対象の位置に、前記回路ユニットプール中に含まれる回路ユニットの確率を充填することを表す、ステップ（２０１）と、
前記初期の確率モデルを用いた初期のサンプリング方式に従い、初期の回路ユニットプールをＫ回サンプリングすることによってＫ個のグループの回路ユニットを選択し、Ｋ個の候補量子回路を構成するステップであって、各グループの回路ユニットは、少なくとも１つの回路ユニットを含み、１つの候補量子回路を構成することに用いられ、Ｋは正の整数である、ステップ（１０１）と、
前記Ｋ個の候補量子回路に対応する性能評価指標を決定するステップであって、前記モデルパラメータに基づく正規項を含めたターゲット関数の演算結果である性能評価指標を決定するステップ（１０２）と、
前記性能評価指標に基づいて前記サンプリング方式及び前記回路ユニットプール中の回路ユニットを更新して、更新後のサンプリング方式及び更新後の回路ユニットプールを得るステップ（１０３）と、
前記更新後のサンプリング方式に従い、前記更新後の回路ユニットプール中をＫ回サンプリングすることによってＫ個のグループの回路ユニットを選択して、Ｋ個の候補量子回路を構成するステップ（１０４）と、
前記ステップ（１０２）、前記ステップ（１０３）、前記ステップ（１０４）をサイクル停止条件が満たされるまでサイクルして実行するステップと、
前記サイクル停止条件が満たされた場合、最後の１回に生成した前記Ｋ個の候補量子回路の中に占める同じ該候補量子回路の割合に基づいてターゲット量子回路を決定するステップを含み、
前記正規項を含めたターゲット関数は、

【数3】

によって表され、ｐ（Ｋ _ｉ ＝Ｋ）はｉ個目の候補充填位置に第ｋ個の回路ユニットを充填する確率であり、λは該正規項の重みであり、ｑは回路ユニット中の２ビット量子ゲートの数を表す
量子回路の決定方法。

【請求項15】

コンピュータ機器に適用される量子回路の決定方法であって、前記方法は、
回路ユニットプール中からＮ個の回路ユニットを選択するステップであって、前記回路ユニットプール中には複数の回路ユニットが含まれ、各回路ユニットは１つのユニタリ行列に対応する等価量子回路であり、Ｎは１より大きい整数である、ステップ、
前記Ｎ個の回路ユニットのそれぞれに対応する回路パラメータを決定するステップであって、前記回路パラメータは前記回路ユニットにより実行される操作を定義することに用いられ、且つ前記回路パラメータは更新可能である、ステップ、および、
前記Ｎ個の回路ユニット及び前記Ｎ個の回路ユニットのそれぞれに対応する回路パラメータに基づいて、量子回路を構成するステップを含み、
前記Ｎ個の回路ユニットのそれぞれに対応する回路パラメータを決定する前記ステップは、
前記Ｎ個の回路ユニット中のｉ個目の回路ユニットに対して、前記ｉ個目の回路ユニットの充填対象の位置に基づき、回路パラメータプール中から前記ｉ個目の回路ユニットの回路パラメータを取得するステップを含み、
前記回路パラメータプール中には前記回路ユニットプール中の各回路ユニットの各充填対象の位置上での回路パラメータが含まれ、ｉはＮ以下の正の整数である
量子回路の決定方法。

【請求項16】

量子回路の決定装置であって、前記装置は、回路サンプリングモジュール、回路評価モジュール、パラメータ更新モジュール、及び回路決定モジュールを含み、
前記回路サンプリングモジュールは、初期の確率モデルを構築するステップであって、前記確率モデルのモデルパラメータはｐ×ｃ個のパラメータを含み、ｐは回路ユニットの最大数を示し、ｃは回路ユニットプール中の回路ユニットの総数を示し、前記初期の確率モデルに含まれるｐ行×ｃ列の行列式の要素は、ターゲット量子回路に含まれる充填対象の位置に、前記回路ユニットプール中に含まれる回路ユニットの確率を充填することを表す、ステップ（２０１）を実行することと、前記初期の確率モデルを用いた初期のサンプリング方式に従い、初期の回路ユニットプールをＫ回サンプリングすることによってＫ個のグループの回路ユニットを選択し、Ｋ個の候補量子回路を構成するステップ（１０１）を実行することとに用いられ、各グループの回路ユニットは、少なくとも１つの回路ユニットを含み、１つの候補量子回路を構成することに用いられ、Ｋは正の整数であり、
前記回路評価モジュールは、前記Ｋ個の候補量子回路に対応する性能評価指標を決定するステップであって、前記モデルパラメータに基づく正規項を含めたターゲット関数の演算結果である性能評価指標を決定するステップ（１０２）を実行することに用いられ、
前記パラメータ更新モジュールは、前記性能評価指標に基づいて前記サンプリング方式及び前記回路ユニットプール中の回路ユニットを更新して、更新後のサンプリング方式及び更新後の回路ユニットプールを得るステップ（１０３）を実行することに用いられ、
前記回路サンプリングモジュールは、さらに、前記更新後のサンプリング方式に従い、前記更新後の回路ユニットプールをＫ回サンプリングすることによってＫ個のグループの回路ユニットを選択して、Ｋ個の候補量子回路を構成するステップ（１０４）を実行することに用いられ、
前記回路評価モジュールが前記ステップ（１０２）を実行し、
次いで前記パラメータ更新モジュールが前記ステップ（１０３）を実行し、
次いで前記回路サンプリングモジュールが前記ステップ（１０４）を実行する
サイクルを、前記回路評価モジュール、前記パラメータ更新モジュール及び前記回路サンプリングモジュールが、サイクル停止条件が満たされるまでサイクルして実行し、
前記回路決定モジュールは、前記サイクル停止条件が満たされた場合、最後の１回に生成した前記Ｋ個の候補量子回路の中に占める同じ該候補量子回路の割合に基づいてターゲット量子回路を決定することに用いられ、
前記正規項を含めたターゲット関数は、

【数4】

によって表され、ｐ（Ｋ _ｉ ＝Ｋ）はｉ個目の候補充填位置に第ｋ個の回路ユニットを充填する確率であり、λは該正規項の重みであり、ｑは回路ユニット中の２ビット量子ゲートの数を表す
量子回路の決定装置。

【請求項17】

量子回路の決定装置であって、前記装置は、回路ユニット選択モジュール、回路パラメータ決定モジュール、及び量子回路構成モジュールを含み、
前記回路ユニット選択モジュールは、回路ユニットプール中からＮ個の回路ユニットを選択することに用いられ、前記回路ユニットプール中には複数の回路ユニットが含まれ、各回路ユニットは１つのユニタリ行列に対応する等価量子回路であり、Ｎは１より大きい整数であり、
前記回路パラメータ決定モジュールは、前記Ｎ個の回路ユニットのそれぞれに対応する回路パラメータを決定することに用いられ、前記回路パラメータは前記回路ユニットにより実行される操作を定義することに用いられ、且つ前記回路パラメータは更新可能であり、
前記量子回路構成モジュールは、前記Ｎ個の回路ユニット及び前記Ｎ個の回路ユニットのそれぞれに対応する回路パラメータに基づいて、量子回路を構成することに用いられ、
前記回路パラメータ決定モジュールは、前記Ｎ個の回路ユニット中のｉ個目の回路ユニットに対して、前記ｉ個目の回路ユニットの充填対象の位置に基づき、回路パラメータプール中から前記ｉ個目の回路ユニットの回路パラメータを取得することに用いられ、
前記回路パラメータプール中には前記回路ユニットプール中の各回路ユニットの各充填対象の位置上での回路パラメータが含まれ、ｉはＮ以下の正の整数である
量子回路の決定装置。

【請求項18】

コンピュータ機器であって、前記コンピュータ機器は、プロセッサと、メモリとを含み、前記メモリ中には少なくとも１つの命令、少なくとも１つのプログラム、コードセット又は命令セットが記憶されており、前記少なくとも１つの命令、前記少なくとも１つのプログラム、前記コードセット又は命令セットは前記プロセッサがロードし、実行することにより請求項１～１３のいずれか１項に記載の量子回路の決定方法を実施するコンピュータ機器。

【請求項19】

コンピュータプログラムであって、前記コンピュータプログラム中には、少なくとも１つの命令、少なくとも１つのプログラム、コードセット又は命令セットが記憶されており、前記少なくとも１つの命令、前記少なくとも１つのプログラム、前記コードセット又は命令セットはプロセッサがロードし、実行することにより請求項１～１３のいずれか１項に記載の量子回路の決定方法を実施するコンピュータプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本願の実施例は量子の技術分野に関し、特に量子回路の決定方法、装置、機器及び記憶媒体に関する。

【0002】

本願は２０２０年１０月１４日に提出された出願番号が第２０２０１１０９６９６５．７号、発明の名称が「量子回路の決定方法及び装置」である中国特許出願の優先権を主張しており、その全部の内容は引用により本願に組み込まれている。
本願

【背景技術】

【0003】

量子回路は量子汎用コンピュータの１つの表現であり、相応な量子アルゴリズム／プログラムの量子ゲートモデル下のハードウェア実現を表す。

【0004】

異なる量子コンピューティングタスクに対して、異なる量子回路を構築することで相応なタスクを完了する必要がある。現在既存の量子回路を構築する技術的解決手段は、複雑で効率が低く且つ汎用性が悪いという問題が存在する。

【発明の概要】

【0005】

本願の実施例は量子回路の決定方法、装置、機器及び記憶媒体を提供している。前記技術的解決手段は以下のとおりである。

【0006】

本願の実施例の一態様によれば、量子回路の決定方法を提供しており、前記方法は、
初期のサンプリング方式に従い、初期の回路ユニットプール中からＫ個のグループの回路ユニットをサンプリングして、Ｋ個の候補量子回路を構成するステップであって、各グループの回路ユニットは、少なくとも１つの回路ユニットを含み、１つの候補量子回路を構成することに用いられ、Ｋは正の整数である、ステップ、
前記Ｋ個の候補量子回路に対応する性能評価指標を決定するステップ、
前記性能評価指標に基づいて前記サンプリング方式及び前記回路ユニットプール中の回路ユニットを更新して、更新後のサンプリング方式及び更新後の回路ユニットプールを得るステップ、
前記更新後のサンプリング方式に従い、前記更新後の回路ユニットプール中からＫ個のグループの回路ユニットをサンプリングして、Ｋ個の候補量子回路を構成するステップ、および、
サイクル停止条件が満たされた場合、最後の１回に生成した前記Ｋ個の候補量子回路の中からターゲット量子回路を決定するステップを含む。

【0007】

本願の実施例の一態様によれば、量子回路の決定方法を提供しており、前記方法は、
回路ユニットプール中からＮ個の回路ユニットを選択するステップであって、前記回路ユニットプール中には複数の回路ユニットが含まれ、各回路ユニットは１つのユニタリ行列に対応する等価量子回路であり、Ｎは１より大きい整数である、ステップ、
前記Ｎ個の回路ユニットのそれぞれに対応する回路パラメータを決定するステップであって、前記回路パラメータは前記回路ユニットにより実行される操作を定義することに用いられ、且つ前記回路パラメータは更新可能である、ステップ、および、
前記Ｎ個の回路ユニット及び前記Ｎ個の回路ユニットのそれぞれに対応する回路パラメータに基づいて、量子回路を構成するステップを含む。

【0008】

本願の実施例の一態様によれば、量子回路の決定装置を提供しており、前記装置は、回路サンプリングモジュール、回路評価モジュール、パラメータ更新モジュール、及び回路決定モジュールを含み、
前記回路サンプリングモジュールは、初期のサンプリング方式に従い、初期の回路ユニットプール中からＫ個のグループの回路ユニットをサンプリングして、Ｋ個の候補量子回路を構成することに用いられ、各グループの回路ユニットは、少なくとも１つの回路ユニットを含み、１つの候補量子回路を構成することに用いられ、Ｋは正の整数であり、
前記回路評価モジュールは、前記Ｋ個の候補量子回路に対応する性能評価指標を決定することに用いられ、
前記パラメータ更新モジュールは、前記性能評価指標に基づいて前記サンプリング方式及び前記回路ユニットプール中の回路ユニットを更新して、更新後のサンプリング方式及び更新後の回路ユニットプールを得ることに用いられ、
前記回路サンプリングモジュールは、さらに、前記更新後のサンプリング方式に従い、前記更新後の回路ユニットプール中からＫ個のグループの回路ユニットをサンプリングして、Ｋ個の候補量子回路を構成することに用いられ、
前記回路決定モジュールは、サイクル停止条件が満たされた場合、最後の１回に生成した前記Ｋ個の候補量子回路の中からターゲット量子回路を決定することに用いられる。

【0009】

本願の実施例の一態様によれば、量子回路の決定装置を提供しており、前記装置は、回路ユニット選択モジュール、回路パラメータ決定モジュール、及び量子回路構成モジュールを含み、
前記回路ユニット選択モジュールは、回路ユニットプール中からＮ個の回路ユニットを選択することに用いられ、前記回路ユニットプール中には複数の回路ユニットが含まれ、各回路ユニットは１つのユニタリ行列に対応する等価量子回路であり、Ｎは１より大きい整数であり、
前記回路パラメータ決定モジュールは、前記Ｎ個の回路ユニットのそれぞれに対応する回路パラメータを決定することに用いられ、前記回路パラメータは前記回路ユニットにより実行される操作を定義することに用いられ、且つ前記回路パラメータは更新可能であり、
前記量子回路構成モジュールは、前記Ｎ個の回路ユニット及び前記Ｎ個の回路ユニットのそれぞれに対応する回路パラメータに基づいて、量子回路を構成することに用いられる。

【0010】

本願の実施例の一態様によれば、コンピュータ機器を提供しており、前記コンピュータ機器は、プロセッサと、メモリとを含み、前記メモリ中には少なくとも１つの命令、少なくとも１つのプログラム、コードセット又は命令セットが記憶されており、前記少なくとも１つの命令、前記少なくとも１つのプログラム、前記コードセット又は命令セットは前記プロセッサがロードし、実行することにより上記量子回路の決定方法を実現する。

【0011】

本願の実施例の一態様によれば、コンピュータ読み取り可能な記憶媒体を提供しており、前記コンピュータ読み取り可能な記憶媒体中には少なくとも１つの命令、少なくとも１つのプログラム、コードセット又は命令セットが記憶されており、前記少なくとも１つの命令、前記少なくとも１つのプログラム、前記コードセット又は命令セットはプロセッサがロードし、実行することにより上記量子回路の決定方法を実現することを特徴とする。

【0012】

本願の実施例の一態様によれば、コンピュータプログラム製品又はコンピュータプログラムを提供しており、該コンピュータプログラム製品又はコンピュータプログラムは、コンピュータ命令を含み、該コンピュータ命令はコンピュータ読み取り可能な記憶媒体中に記憶されている。コンピュータ機器のプロセッサはコンピュータ読み取り可能な記憶媒体から該コンピュータ命令を読み取り、プロセッサは該コンピュータ命令を実行することにより、該コンピュータ機器に上記量子回路の決定方法を実行させる。

【発明の効果】

【0013】

本願の実施例が提供する技術的解決手段は以下の有益な効果を含むことができる。

【0014】

異なるタイプの量子回路の設計問題に対して、いずれも本願の技術的解決手段を採用して相応な問題を解決することに用いられる１つのターゲット量子回路を構築することができ、それにより、異なるタイプの量子回路の設計問題を高度に抽象化されて統合され、該解決手段は非常に高い普遍性及び汎用性を有する。

【0015】

また、遺伝的アルゴリズム自体に存在する、計算による消費量が大きく、収束が遅いという欠陥に比べて、本願の技術的解決手段はサンプリングして得られた候補量子回路に対応する性能評価指標を決定して、次に該性能評価指標に基づいてサンプリング方式及び回路ユニットプール中の回路ユニットを同期に更新するだけが必要であり、それにより、性能に比較的優れた候補量子回路を迅速に構成でき、これは計算量を減少させるだけでなく、且つ最終的にターゲット量子回路を決定する効率も向上させる。

【0016】

本願の実施例における技術的手段をより明確に説明するために、以下、実施例の記述において使用される必要がある図面を簡単に紹介する。明らかなように、以下の記述における図面は本願のいくつかの実施例に過ぎず、当業者にとっては、創造的な努力をしない前提下で、これらの図面に基づいて他の図面を獲得することもできる。

【図面の簡単な説明】

【0017】

【図1】本願の一実施例が提供する量子回路の決定方法のフローチャートである。

【図2】本願の他の実施例が提供する量子回路の決定方法のフローチャートである。

【図3】本願の一実施例が提供する可微分量子構造探索アーキテクチャの模式図である。

【図4】本願の他の実施例が提供する量子回路の決定方法のフローチャートである。

【図5】本願の他の実施例が提供する量子回路の決定方法のフローチャートである。

【図6】本願が提供する可微分量子構造探索アーキテクチャを採用して構築したいくつかの量子回路の模式図を例示的に示している。

【図7】本願が提供する可微分量子構造探索アーキテクチャを採用して構築したいくつかの量子回路の模式図を例示的に示している。

【図8】本願が提供する可微分量子構造探索アーキテクチャを採用して構築したいくつかの量子回路の模式図を例示的に示している。

【図9】本願が提供する可微分量子構造探索アーキテクチャを採用して構築したいくつかの量子回路の模式図を例示的に示している。

【図10】本願が提供する可微分量子構造探索アーキテクチャを採用して構築したいくつかの量子回路の模式図を例示的に示している。

【図11】本願が提供する可微分量子構造探索アーキテクチャを採用して構築したいくつかの量子回路の模式図を例示的に示している。

【図12】本願が提供する可微分量子構造探索アーキテクチャを採用して構築したいくつかの量子回路の模式図を例示的に示している。

【図13】本願の一実施例が提供する量子回路構造の決定装置のブロック図である。

【図14】本願の他の実施例が提供する量子回路構造の決定装置のブロック図である。

【図15】本願の他の実施例が提供する量子回路構造の決定装置のブロック図である。

【図16】本願の他の実施例が提供する量子回路構造の決定装置のブロック図である。

【図17】本願の一実施例が提供するコンピュータ機器のブロック図である。

【発明を実施するための形態】

【0018】

本願の目的、技術的解決手段及び利点をより明確にするために、以下、図面に関連付けて本願の実施形態をさらに詳細に記述する。

【0019】

クラウド技術（ｃｌｏｕｄ ｔｅｃｈｎｏｌｏｇｙ）とは、広域エリアネットワーク又はローカルエリアネットワーク内にハードウェア、ソフトウェア、ネットワーク等の一連のリソースを統合して、データの計算、
1628551624063_0
、処理及び
1628551624063_1
を実現するホスティング技術である。

【0020】

クラウド技術は、クラウドコンピューティングのビジネスモデルの応用に基づくネットワーク技術、情報技術、統合技術、管理プラットフォーム技術、応用技術等の総称であり、リソースプールを形成し、必要に応じて使用することができ、柔軟で便利である。クラウドコンピューティング技術は重要なサポートになる。技術ネットワークシステムのバックグラウンドサービスは大量の計算、記憶リソースを必要として、例えば、ビデオウェブサイト、画像ウェブサイト及びより多くのポータルサイトである。インターネット産業の急速な発展及び応用に伴って、将来、各品物はいずれも自分の識別記号がある可能性があり、いずれもバックグラウンドシステムに伝送されて論理処理を行われる必要があり、異なる程度レベルのデータが別々に処理され、様々な業界のデータはすべて強力なシステムによりサポートされる必要があり、クラウドコンピューティングにより実現可能である。

【0021】

クラウド技術は、クラウドコンピューティング、クラウドストレージ、データベース及びビッグデータ等の基本的な技術に関し、クラウド技術に基づいて提供するクラウドアプリケーションは医療クラウド、クラウド・オブ・シングス、クラウドセキュリティ、クラウド通話、プライベートクラウド、パブリッククラウド、ハイブリッドクラウド、クラウドゲーム、クラウド教育、クラウド会議、クラウドソーシャル、人工知能クラウドサービス等を含む。クラウド技術の発展及びクラウド技術の異なる分野での応用に伴って、ますます多くのクラウドアプリケーションが現れる。

【0022】

一般的に言えば、クラウド技術に基づいて構築するシステムは、サーバと、端末とを含む。サーバは独立した物理サーバであってもよく、複数の物理サーバで構成されるサーバクラスタ又は分散システムであってもよく、さらに、クラウドサービス、クラウドデータベース、クラウドコンピューティング、クラウド関数、クラウドストレージ、ネットワークサービス、クラウド通信、ミドルウェアサービス、ドメイン名サービス、セキュリティサービス、ＣＤＮ（Ｃｏｎｔｅｎｔ Ｄｅｌｉｖｅｒｙ Ｎｅｔｗｏｒｋ、コンテンツデリバリネットワーク）、並びにビッグデータ及び人工インテリジェントプラットフォーム等の基本的なクラウドコンピューティングサービスを提供するクラウドサーバであってもよい。端末はスマートフォン、タブレットコンピュータ、ノートコンピュータ、デスクトップパソコン、スマートスピーカー、スマートウォッチ等であってもよいが、これに制限されない。端末とサーバとの間は有線又は無線通信方式で直接又は間接的に接続することができ、本願はここで制限しない。

【0023】

量子コンピュータ（ｑｕａｎｔｕｍ ｃｏｍｐｕｔｅｒ）は、量子力学の原理を利用して計算する１つの機械である。量子力学の重ね合わせ原理及び量子もつれに基づいて、量子コンピュータは比較的高い並列処理能力を有し、古典的なコンピュータで計算しにくいいくつかの問題を解決できる。超伝導量子ビットのゼロ抵抗特性及び集積回路に近い製造プロセスにより、超伝導量子ビットを利用して構築した量子コンピューティングシステムは現在、実用的な量子コンピューティングを実現するために最も有望なシステムの１つとなっている。

【0024】

量子プロセッサとは、量子レベルのコンピュータプロセッサであり、すなわち、量子コンピュータのプロセッサである。量子プロセッサは１つ又は複数の量子チップを含んでもよい。

【0025】

量子チップ（又は超伝導量子チップと呼ばれる）とは、量子コンピュータの中央プロセッサであり、量子コンピュータのコアコンポーネントである。量子チップは、量子回路を基板上に集積することで、量子情報処理の機能を果たす。伝統的なコンピュータの開発史に鑑み、量子コンピュータ研究のボトルネック技術を克服した後、商業化と産業の高度化を実現しようとすると、集積化の道路へ進む必要がある。超伝導システム、半導体量子ドットシステム、マイクロナノフォトニクスシステム、ひいては原子システムやイオンシステムはいずれもチップ化の道路へ進もうとする。発展から見ると、超伝導量子チップシステムは技術的には他の物理システムよりも進んでおり、伝統的な半導体量子ドットシステムも、人々が工夫して探求する目的であり、なぜなら、伝統的な半導体産業の発展はすでに非常に成熟しているためであり、例えば、半導体量子チップがデコヒーレンス時間及び操作精度上に耐障害性量子コンピューティングの閾値を破ると、伝統的な半導体工業の既存の結果を集積して、開発コストを節約することが期待できる。

【0026】

量子コンピュータの優位性に鑑み、未来、クラウド技術に基づいて構築したシステム中に量子コンピュータを使用していくつかの処理及び計算を行うことにより、より良好なサービスを提供できる。

【0027】

本願の技術的解決手段を紹介する前に、まず、本願に係るいくつかの重要な用語を解釈して説明する。

【0028】

１：量子コンピューティング：量子論理の計算方式に基づいて、データを記憶するための基本ユニットが量子ビット（ｑｕｂｉｔ）である。

【0029】

２：量子ビット：量子コンピューティングの基本ユニットである。伝統的なコンピュータでは、０及び１を二進数の基本ユニットとして使用している。異なる点は、量子コンピューティングでは、０及び１を同時に処理でき、システムは０及び１の線形重ね合わせ状態にある可能性があり、すなわち、｜Ψ＞＝α｜０＋β｜０＞である。ここで、α、βは、システムの０及び１での複素確率振幅を表す。それらのモッドスクエア｜α｜^２、｜β｜^２は、それぞれ０及び１にある確率を表す。

【0030】

３：量子回路：量子汎用コンピュータの１つの表現であり、相応な量子アルゴリズム／プログラムの量子ゲートモデル下のハードウェア実現を表す。

【0031】

４：ハミルトニアン：量子システムの全エネルギーを記述する１つのエルミート共役行列である。ハミルトニアンは１つの物理的な用語であり、システムの全エネルギーを記述する１つの演算子であり、通常、Ｈで表される。

【0032】

５：固有状態：１つのハミルトニアン行列Ｈに対して、方程式Ｈ｜Ψ＞＝Ｅ｜Ψ＞を満たす解はＨの固有状態｜Ψ＞と呼ばれ、固有エネルギーＥを有する。基底状態は量子システムのエネルギーが最も低い固有状態に対応する。

【0033】

６：ニューラルネットワークアーキテクチャ探索（Ｎｅｕｒａｌ Ａｒｃｈｉｔｅｃｔｕｒｅ Ｓｅａｒｃｈ、ＮＡＳと略称）：自動機械学習（Ａｕｔｏ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ、ＡｕｔｏＭＬと略称）中の重要な分野であり、それは強化学習、遺伝的アルゴリズム及び可微分構造探索等の複数の異なる基礎となる技術的解決手段を利用することにより、コンピュータが自動的に探索して性能に優れたニューラルネットワークトポロジー及び構造を構築するという目的を実現する。

【0034】

７：量子アーキテクチャ探索（Ｑｕａｎｔｕｍ Ａｒｃｈｉｔｅｃｔｕｒｅ Ｓｅａｒｃｈ、ＱＡＳと略称）：量子回路の構造、モード及び配置を自動的でプログラム的に探索しようとする一連の作業及び解決手段の総称である。伝統的には、量子アーキテクチャ探索の作業は、通常、貪欲アルゴリズム、強化学習又は遺伝的アルゴリズムをそのコア技術として採用する。

【0035】

８：量子古典ハイブリッドコンピューティング：内層では量子回路を利用して計算し、外層では伝統的な古典的なオプティマイザで変分量子回路のパラメータを調節する計算パラダイムであり、量子コンピューティングの優位性を最大限に発揮でき、量子優位性を証明できる可能性がある重要な方向の１つであると考えられる。

【0036】

９：量子近似最適化アルゴリズム（Ｑｕａｎｔｕｍ Ａｐｐｒｏｘｉｍａｔｅ Ｏｐｔｉｍｉｚａｔｉｏｎ Ａｌｇｏｒｉｔｈｍ、ＱＡＯＡと略称）：１つの特定の量子回路構造仮説であり、このような量子回路によって生成される量子状態はＮＰ（Ｎｏｎ－ｄｅｔｅｒｍｉｎｉｓｔｉｃ Ｐｏｌｙｎｏｍｉａｌ、非決定論的多項式）の完全な組み合わせ数学的最適化問題の結果を近似することに使用でき、典型的な量子古典ハイブリッドコンピューティングパラダイムに属する。このような特定の量子回路の定義は以下の（式１）のとおりである。

【0037】

【数1】

【0038】

そのうち、Ｈ_ｃ、Ｈ_ｂはそれぞれｍｉｘｅｒ及びｐｈａｓｅのハミルトニアンであり、γ、βは変分パラメータである。一般的には、Ｈ_ｃは我々が最適化しようとするターゲット関数と同じである。｜Ψ_０＞は製造されやすい初期波動関数であり、通常、直積状態（式２）であり、一方、｜Ψ＞はターゲット状態の波動関数である。ＰはＱＡＯＡにより仮定された配列層の数を表し、Ｐは大きいほど、断熱近似により近くなり、ターゲット波動関数が理論結果により近くなり、近似効果がより高くなる。

【0039】

【数2】

【0040】

１０：最大カット（ｍａｘ ｃｕｔ）問題：１つの、典型的で複雑さがＮＰの完全グラフ理論組み合わせ最適化問題であり、ＱＡＯＡアルゴリズムが解決に使用した最も初期の問題でもある。ＭＡＸ ＣＵＴとは、ノード及びエッジ接続を指定したグラフについて、ノードの二分法を見つけることにより、２種類のノードにまたがるエッジ数（又はエッジ重み）の和を最大化にすることを指す。

【0041】

１１：ＮＩＳＱ（Ｎｏｉｓｙ Ｉｎｔｅｒｍｅｄｉａｔｅ－Ｓｃａｌｅ Ｑｕａｎｔｕｍ）：最近ノイズあり中規模量子ハードウェアであって、量子コンピューティング発展の現在の段階及び研究の重要な方向である。この段階では、量子コンピューティングは今のところ規模及びノイズの制限により、汎用コンピューティングのエンジンとして応用できないが、いくつかの問題において、最も強力な古典的なコンピュータを超える結果を既に実現でき、これは、通常、量子超越性又は量子優位性と呼ばれる。

【0042】

１２：量子誤り抑制（Ｑｕａｎｔｕｍ Ｅｒｒｏｒ Ｍｉｔｉｇａｔｉｏｎ）：量子誤り訂正（Ｑｕａｎｔｕｍ Ｅｒｒｏｒ Ｃｏｒｒｅｃｔｉｏｎ）に対応し、ＮＩＳＱ時代でハードウェア下でのリソースコストがより小さい一連の量子誤り低減及びノイズ抑制の解決手段である。完全な量子誤り訂正と比較して必要なリソースは著しく削減し、同時に特定のタスクのみに適用できるが、汎用的な解決手段ではない可能性がある。

【0043】

１３：変分－量子－固有値ソルバー（Ｖａｒｉａｔｉｏｎａｌ－Ｑｕａｎｔｕｍ－Ｅｉｇｅｎｓｏｌｖｅｒ、ＶＱＥと略称）：変分回路により特定の量子システムの基底状態エネルギーの推定を実現し、典型的な量子古典ハイブリッドコンピューティングパラダイムでもあり、量子化学分野に幅広く応用されている。

【0044】

現在、量子回路を構築する１つの比較的一般的な解決手段は遺伝的アルゴリズムを採用することである。その基本的な手法は、量子回路の一部の回路の構造を固定した後、遺伝的アルゴリズムを採用して次の部分の最適な回路構造を見つけ、上記過程を複数回繰り返すことにより、最終的に完全な量子回路を構成することである。しかし、遺伝的アルゴリズム自体に計算量が大きく、効率が低いという問題が存在するため、量子回路の構築は非常に複雑で効率が低いことを引き起こす。且つ、解決手段の汎用性が比較的悪く、例えば、異なる量子コンピューティングタスクに対して異なる遺伝的アルゴリズムのバリアントを選択する必要がある。

【0045】

本願は量子回路を構築することに用いられる技術的解決手段を提供しており、該技術的解決手段は可微分量子アーキテクチャ探索（Ｄｉｆｆｅｒｅｎｔｉａｂｌｅ Ｑｕａｎｔｕｍ Ａｒｃｈｉｔｅｃｔｕｒｅ Ｓｅａｒｃｈ、ＤＱＡＳと略称）解決手段（又は可微分量子構造探索アーキテクチャ）と呼ばれることができる。本願が提案した可微分量子構造探索アーキテクチャ下で、異なるタイプの量子回路の設計問題が高度に抽象化されて統合され、それにより、該アーキテクチャは非常に高い普遍性を有し、修正することを必要とせずに複数のサブ分野の重要な問題を解決できる。例えば、該アーキテクチャを採用して構築した量子回路は、量子コンピューティング及び量子情報処理の複数のサブ分野に用いることができ、量子状態の製造、量子回路の設計、量子コンパイル、最適な変分構造探索、及び量子誤り抑制等を含むが、それらに限定されない。該アーキテクチャを採用すると最適な量子回路構造及び回路パラメータを自動的に設計して見つけることができ、それにより多目的、全自動、エンドツーエンドの量子回路の自動設計を実現できる。

【0046】

以下、先ず、本願の技術的解決手段を概略的に説明する。

【0047】

任意の量子回路はいずれも一連のユニタリ行列を積み重ねてなるものとみなされてもよく、すなわち以下の（式３）のとおりである。

【0048】

【数3】

【0049】

そのうち、Ｕは量子回路を表し、Ｕ_ｉは該量子回路Ｕを構成するｉ個目のユニタリ行列に対応する等価量子回路を表し、θ_ｉは該ｉ個目のユニタリ行列に対応する等価量子回路の回路パラメータを表し、例えば、θ_ｉはゼロから若干の回路パラメータを含んでもよく、ｉ∈［０,ｐ］であり、且つｉが整数である。量子回路の回路パラメータは変分パラメータであり、いわゆる変分パラメータとは、量子回路の回路パラメータが更新可能であり（すなわち調整・修正可能である）、それによりオプティマイザで量子回路の回路パラメータを更新でき、それによりターゲット関数を最適化するという目的を達成することを指す。任意の量子回路を一連のユニタリ行列を積み重ねてなるものとみなすことにより、我々の探索解決手段は量子古典ハイブリッドコンピューティングパラダイムの仮想回路探索に制限されず、回路パラメータを含む又はパラメータを含まないより幅広い問題に適用できる。つまり、我々は、同様にこの解決手段で完全に離散した量子ゲート配置の最適な量子回路設計を見つけることができ、回路自体の変分パラメータの存在の有無にかかわらず該解決手段は互換性がある。

【0050】

上記の式で記述した量子回路Ｕを製造するために、具体的な問題に対してコード化解決手段、すなわち、各プレースホルダーＵ_ｉが一体、何を表すかを設定する必要があり、それは１つの単一ビットゲートであってもよく、１層の量子ゲートであってもよく、又は１つのハミルトニアンの時間依存進化ｅ^ｉＨθであってもよい。本願の実施例では、１つの回路ユニットプールを構築して、該回路ユニットプール中には選択可能な複数の回路ユニットが含まれ、各回路ユニットが１つのユニタリ行列回路、すなわち、１つのユニタリ行列の等価量子回路とみなすことができる。任意選択的に、量子コンピューティングタスク中に関する可能性があるいくつかの基本的な操作については、各種の基本的な操作に対して対応する１つの回路ユニットを設計する。例えば、１つの回路ユニットは１つのシングルビット量子ゲートであってもよく、１層の量子ゲートであってもよく、又は１つのハミルトニアンの時間依存進化等であってもよく、本願の実施例はこれについて限定しない。各プレースホルダーＵ_ｉに対して、回路ユニットプール中から１つの回路ユニットを選定して充填し、この選定には重複があり、それにより、各回路ユニットが最終的に構築した量子回路中で再利用できることを確保する。

【0051】

各具体的な量子回路設計タスクに対して、相応しいターゲット関数を指定する必要がある。最も一般的な量子古典ハイブリッドコンピューティングでは、このような最適化問題のパラダイムは、一連の観察値Ｈの期待値を採用して最適化ターゲットとする。いわゆる観察値（観測量とも呼ばれる）とは、測定により古典的な出力が得られ得るエルミート行列演算子を指す。すなわち、ターゲット関数Ｌは以下の（式４）のとおりである。

【0052】

【数4】

【0053】

そのうち、Ｕは我々が探索して構築しようとする量子回路であり、Ｕ^＋は対応する回路行列の転置共役である。より複雑なニーズに対して、最適化ターゲット関数は観察値Ｈ_iにより期待されるいくつかの関数であってもよく、このように最適化ターゲットは出力量子状態の期待値及び具体的な分布状況を同時に考慮できる。このとき、より汎用性のターゲット関数Ｌは以下の（式５）のように表され得る。

【0054】

【数5】

【0055】

そのうち、ｆ_i、ｇ_iは特定タスクに適用できる任意の可微分関数であり、最終的なターゲット関数Ｌが観察値結果のある変換であることを表す。

【0056】

さらに一般的に、量子機械学習等の他のタスクに対して、ターゲット関数Ｌは伝統的な教師付き学習と類似する以下の（式６）の形式として定義されてもよい。

【0057】

【数6】

【0058】

そのうち、ｆ_i、ｇ_iは特定タスクに適用できる任意の可微分関数であり、｜Ψ_ｊ＞は相応な量子波動関数の入力データセットであり、ｙ_ｊはデータセットの相応な量子状態に対応する古典的なラベルであり、通常、０又は１である。

【0059】

汎用ユニタリ行列学習タスクに対して、相応なターゲット関数Ｌは以下の（式７）のとおりである。

【0060】

【数7】

【0061】

そのうち、φ_i、Ψ_iはそれぞれ回路の入力状態及び出力状態に対応する。iは１つだけあり且つ｜Ψ_ｉ＞＝｜０＞の特別なケースであれば、量子状態の製造タスクに対応する。このときのターゲット関数が特徴付けるのは入力した簡単な行列積状態｜０＞が回路Ｕにより作用された後の出力量子状態及び製造目標状態｜φ＞の忠実度である。該ターゲット関数を最適化することにより、我々が対応する量子状態を製造する回路を見つけることができる。

【0062】

要するに、計算過程全体は自動微分をサポートするため、この自動微分の特性により可微分量子構造探索アーキテクチャが任意の形式のエンドツーエンド最適化ターゲット関数に対しても効果的にサポートする。回路パラメータ全体の最適化調整に必要な勾配は、すべて最終的なターゲット関数の変化から逆伝播してくることができ、この過程はターゲット関数により定義されたコンポーネントが自動微分可能であるものであればよく、一方、性質に優れた任意の関数はほぼ該要件を満たす。

【0063】

量子回路構造を制御するパラメータを連続領域に嵌め込むために、本願では、量子回路を構成する回路ユニットの選択過程を１つの確率モデルに制御されるものとみなす。この確率モデルｐは十分に普遍的なエネルギーモデル又は自己回帰（ａｕｔｏｒｅｇｒｅｓｓｉｖｅ）ネットワークであってもよい。インスタンスでは、最も簡単なレイヤーごとの離散分布を選択して、回路ユニットプール中から回路ユニットを選定して量子回路構造を行う過程を説明することができる。この確率モデルは連続的なパラメータαを有し、それにより該確率モデルｐ（ｋ，α）中から離散整数の構造パラメータｋをサンプリングすることができ、それは対応する量子回路の構造を決める。

【0064】

最後に、エンドツーエンドの最適化ターゲット（式８）は以下の（式９）のとおりである。

【0065】

【数8】

【0066】

【数9】

【0067】

そのうち、ｐ（ｋ，α）は確率モデルを表し、Ｕ（Ｋ，θ）は構造パラメータｋに基づいて構成した候補量子回路を表し、構造パラメータｋは若干の離散値を含んでもよく、今回でサンプリングにより取得した回路ユニットを表すことに用いられ、Ｌ（Ｕ（Ｋ，θ））は候補量子回路Ｕ（Ｋ，θ）に対応するターゲット関数を表す。

【0068】

本願の方法の実施例を紹介して説明する前に、まず、該方法の運行環境を紹介して説明する。本願の実施例が提供する量子回路構造の決定方法は、古典的なコンピュータ（例えば、ＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ、パーソナルコンピュータ））により実行・実現されてもよく、例えば、古典的なコンピュータは相応なコンピュータプログラムを実行することで該方法を実現し、古典的なコンピュータと量子コンピュータの混合機器の環境下で実行されてもよく、例えば、古典的なコンピュータによって回路サンプリング、パラメータ更新及び回路選択等のステップを実行し、一方、量子コンピュータによって候補量子回路の対応する性能評価指標（例えばターゲット関数）の決定等のステップを実行し、量子回路を量子コンピュータ上に直接配備して実行する場合、古典的なコンピュータ上に上記量子回路をシミュレートする場合に比較して、相応な性能評定結果は理論的により優れているためである。

【0069】

以下の方法の実施例において、説明の便宜上、各ステップの実行エンティティがコンピュータ機器であることのみを紹介して説明する。理解すべきものとして、該コンピュータ機器は古典的なコンピュータであってもよく、古典的なコンピュータと量子コンピュータを含む混合実行環境であってもよく、本願の実施例はこれに対して限定しない。

【0070】

図１に参照されるように、本願の一実施例が提供する量子回路の決定方法のフローチャートが示されている。該方法の各ステップの実行エンティティはコンピュータ機器であってもよい。該方法は以下のいくつかのステップ（１０１～１０５）を含んでもよい。

【0071】

ステップ１０１：初期のサンプリング方式に従い、初期の回路ユニットプール中からＫ個のグループの回路ユニットをサンプリングして、Ｋ個の候補量子回路を構成するステップであって、Ｋは正の整数である。

【0072】

回路ユニットプール中には複数の選択可能な回路ユニットが含まれる。本願の実施例において、回路ユニットは量子回路を構成する基本ユニットであり、１つの量子回路は１つ又は複数の回路ユニットを含んでもよい。量子回路は複数の回路ユニットを含む場合、各回路ユニットの間の接続関係は予め定義又は設計されてもよい。１つの例において、１つの量子回路は多層構造であり、各層中には１つの回路ユニットが含まれ、各層の間が順に接続されており、例えば、ある層の回路ユニットの出力結果は、次の層の回路ユニットの入力データとし、且つ該次の層の回路ユニットによってさらに計算又は処理されてもよい。他の例において、１つの量子回路は多層構造であり、各層の中には１つ又は複数の充填対象の位置が含まれ、回路ユニットを充填することに用いられる。同一層の中には複数の充填対象の位置が含まれる場合、各充填対象の位置の間は設定された方式に従い予め接続することができる。

【0073】

任意選択的に、量子コンピューティングタスク中に関する可能性があるいくつかの基本的な操作に対して、各種類の基本的な操作に対して対応する１つの回路ユニットを設計する。例えば、１つの回路ユニットは１つのシングルビット量子ゲートであってもよく、１層の量子ゲートであってもよく、又は１つのハミルトニアンの時間依存進化等であってもよく、本願の実施例はこれに対して限定しない。

【0074】

サンプリング方式とは、回路ユニットプール中から回路ユニットを選択する方式を指す。サンプリングするたびに回路ユニットプール中から１つ又は複数の回路ユニットを選択して、一回のサンプリングにより選択した該１つ又は複数の回路ユニットは１グループの回路ユニットを構成し、すなわち、各グループの回路ユニットは少なくとも１つの回路ユニットを含む。本願の実施例において、各グループの回路ユニットは１つの候補量子回路を構成することに用いられる。また、各グループの回路ユニット中に含まれる回路ユニットは繰り返し利用可能である。またすなわち、上記のサンプリング過程は重複があり、それにより各回路ユニットは最終的に構築した量子回路中に繰り返し利用できることを確保する。

【0075】

例えば、初期の回路ユニットプール中には番号がそれぞれ０、１、２、３、４の５つの回路ユニットが含まれる。初期のサンプリング方式に従い、該初期の回路ユニットプールの中から３回サンプリングして、３つのグループの回路ユニットを取得すると仮定する。１回目のサンプリングにより取得した１グループの回路ユニットは番号が順に２、１、３の３つの回路ユニットを含み、２回目のサンプリングにより取得した１グループの回路ユニットは番号が順に２、１、１の３つの回路ユニットを含み、３回目のサンプリングにより取得した１グループの回路ユニットは番号が順に２、１、４の３つの回路ユニットを含むと仮定する。その後、上記サンプリング結果に従い、３つの候補量子回路を構成する。

【0076】

ステップ１０２：Ｋ個の候補量子回路に対応する性能評価指標を決定する。

【0077】

性能評価指標は候補量子回路の性能を定量的に評価することに用いられるパラメータである。本願の実施例において、Ｋ個の候補量子回路の対応する性能評価指標は、該Ｋ個の候補量子回路の統合性能又は平均性能を評価することに用いられるパラメータであり、該Ｋ個の候補量子回路のそれぞれの性能の全体状況又は平均値状況を反映する。

【0078】

例示的な実施例において、ターゲット関数を採用して上記性能評価指標を特徴付ける。ターゲット関数は構成した量子回路がタスクの最適化ターゲットに達するか否かを計算することに用いられる数学関数である。例えば、上記で紹介したように、異なる量子回路の設計タスクに対して、異なるターゲット関数を対応して設定できる。

【0079】

ステップ１０３：性能評価指標に基づいてサンプリング方式及び回路ユニットプール中の回路ユニットを更新し、更新後のサンプリング方式及び更新後の回路ユニットプールを得る。

【0080】

性能評価指標はサンプリング方式及び回路ユニットの回路パラメータへの調整を指導することに用いられ、それにより、性能により優れた候補量子回路をサンプリングするようにする。一方では、性能評価指標に基づいてサンプリング方式を更新することで、サンプリング方式を最適化して、回路ユニットプール中からより優れた回路ユニットの組み合わせの解決手段を選択し、他方では、性能評価指標に基づいて回路ユニットプール中の回路ユニットを更新し、例えば、回路ユニットの回路パラメータを更新することで、単一の回路ユニットが示す性能を最適化して、さらに構成した量子回路全体が示す性能の向上に有利である。

【0081】

ステップ１０４：更新後のサンプリング方式に従い、更新後の回路ユニットプール中からＫ個のグループの回路ユニットをサンプリングして、Ｋ個の候補量子回路を構成する。

【0082】

ステップ１０４中のサンプリング過程はステップ１０１中で紹介したサンプリング過程と同じ又は類似し、違いは、サンプリング方式及び回路ユニットプール中の回路ユニットの回路パラメータに更新が生じたことであり、ステップ１０４中で、更新後のサンプリング方式に従い、更新後の回路ユニットプール中からＫ個のグループの回路ユニットをサンプリングする。

【0083】

説明すべきものとして、ステップ１０４中のサンプリング回数とステップ１０１中のサンプリング回数とは同じであってもよく、異なってもよい。例えば、ステップ１０４中のサンプリング回数とステップ１０１中のサンプリング回数は同じである場合、例えば、ステップ１０１中のＫが１０に等しく、ステップ１０４中のＫも１０に等しい。また、例えば、ステップ１０４中のサンプリング回数とステップ１０１中のサンプリング回数は同じではない場合、例えば、ステップ１０１中のＫが１０に等しいが、ステップ１０４中のＫが８に等しい。サンプリング方式に対応する確率モデルはこのサイクル過程において収束する傾向があるため、各ラウンドのサンプリング数Ｋの値を適応的に削減すると、性能を保持すると同時に計算リソースを効果的に節約できる。

【0084】

また、上記ステップ１０４の後、上記ステップ１０２～１０４をサイクルして実行することで、最適化サンプリング方式を持続的に更新し、及び最適化回路パラメータを持続的に更新することで、より優れた候補量子回路を構成して、サイクル停止条件を満たすと、該サイクル過程を停止する。

【0085】

サイクル停止条件とは、予め設定された、上記サイクル過程の停止をトリガーすることに用いられる条件である。例示的には、該サイクル停止条件は、最後の１回に生成したＫ個の候補量子回路が同じであること、最後の１回に生成したＫ個の候補量子回路中に閾値数量より大きい同じ量子回路が存在すること、最後の１回に生成したＫ個の候補量子回路に対応する性能評価指標が設定された指標の要件に一致すること、サイクル過程の実行回数が設定された回数に達すること等のうちの少なくとも１種を含むが、それらに限定されず、本願の実施例はこれに対して限定しない。

【0086】

ステップ１０５：サイクル停止条件が満たされた場合、最後の１回に生成したＫ個の候補量子回路の中からターゲット量子回路を決定する。

【0087】

ターゲット量子回路は最後の１回に生成したＫ個の候補量子回路の中から決定された１つの量子回路であり、該ターゲット量子回路は最後の１回に生成したＫ個の候補量子回路中から選択されたある量子回路であってもよい。本願の実施例において、ターゲット量子回路は最終的に構成して、ある特定の量子回路の設計タスクを達成することに用いられる量子回路である。

【0088】

例示的な実施例において、最後の１回に生成したＫ個の候補量子回路の中から、生成確率が最も高い候補量子回路を決定し、該生成確率が最も高い候補量子回路を、ターゲット量子回路として決定する。ある候補量子回路の生成確率は、上記Ｋ個の候補量子回路中に占める該候補量子回路の割合であってもよい。例えば、最後の１回に生成した候補量子回路の数が１０であり、これらのうち９つの候補量子回路が同じ（量子回路Ａとしてマークする）、残りの１つの候補量子回路が他の９つの候補量子回路と異なる（量子回路Ｂとしてマークする）。そうすると、量子回路Ａの生成確率は９／１０＝０．９であり、量子回路Ｂの生成確率は１／１０＝０．１であり、量子回路Ａを最終的なターゲット量子回路として選択してもよい。

【0089】

以上のように、異なるタイプの量子回路の設計問題に対しては、いずれも本願の技術的解決手段を採用して、相応な問題を解決することに用いられる１つのターゲット量子回路を構築することができ、それにより、異なるタイプの量子回路の設計問題は高度に抽象化されて統合され、該解決手段は非常に高い普遍性及び汎用性を有する。

【0090】

また、遺伝的アルゴリズム自体に存在する計算による消費量が大きく、収束が遅いという欠陥に比べて、本願の技術的解決手段はサンプリングにより得られた候補量子回路に対応する性能評価指標を決定して、次に該性能評価指標に基づいてサンプリング方式及び回路ユニットプール中の回路ユニットを同期に更新するだけが必要であり、それにより、性能に優れた候補量子回路を迅速に構成でき、これは計算量を減少させるだけでなく、且つ最終的に決定されたターゲット量子回路の効率も向上させる。

【0091】

図２に参照されるように、本願の他の実施例が提供する量子回路の決定方法のフローチャートが示されている。該方法の各ステップの実行エンティティはコンピュータ機器であってもよい。該方法は以下のいくつかのステップ（２０１～２１１）を含んでもよい。

【0092】

ステップ２０１：初期の確率モデルを構築するステップであって、該確率モデルはｐ×ｃ個のパラメータを含み、そのうち、ｐは回路ユニットの最大数を示し、ｃは回路ユニットプール中の回路ユニットの総数を表す。

【0093】

本願の実施例において、確率モデルをサンプリング方式として採用し、回路ユニットプール中から若干のグループの回路ユニットをサンプリング取得する。該確率モデルは１つのパラメータ化された確率モデルであり、それはｐ×ｃ個のパラメータを含み、そのうち、ｐは回路ユニットの最大数を示し、ｃは回路ユニットプール中の回路ユニットの総数を表す。

【0094】

回路ユニットの最大数とは、最終的に構成した、ある特定の量子回路の設計タスクを達成することに用いられるターゲット量子回路中に含まれ得る回路ユニットの最大数である。例えば、回路ユニットの最大数は６である場合、最終的に構成したターゲット量子回路中に含まれる回路ユニットの実際の数が６以下であるべきであり、このような場合、サンプリングするたびに取得した１グループの回路ユニット中に６つの回路ユニットを含んでもよく、６つ以下の回路ユニットを含んでもよい。１つの例において、ターゲット量子回路中に含まれる回路ユニットは特定の数であり、例えば、予め規定されたターゲット量子回路中に含まれる回路ユニットの数が６であれば、サンプリングするたびに取得した１グループの回路ユニット中にいずれも６つの回路ユニットが含まれる。このとき、回路ユニットの最大数が該特定の数であり、該特定の数量はターゲット量子回路の設計層数又は充填対象の位置数に応じて決めることができる。

【0095】

回路ユニットプール中には複数の回路ユニットが含まれる。上記では、任意の量子回路が一連のユニタリ行列を積み重ねてなるとみなせることが既に紹介されており、従って、回路ユニットプール中には複数のユニタリ行列のそれぞれに対応する等価回路を含んでもよい。回路ユニットプールは演算子プール又は他の名称とも呼ばれてもよく、本願の実施例はこれに対して限定しない。

【0096】

本願の実施例において、確率モデルのモデルパラメータがαであると仮定し、αはｐ×ｃ個のパラメータを含む。例えば、αは１つのｐ行×ｃ列の行列であるとみなすことができ、行列中の第ｉ行第ｊ列の元素は、ターゲット量子回路のｉ個目の充填対象の位置に回路ユニットプール中のｊ個目の回路ユニットの確率を充填することを表し、ｉはｐ以下の正の整数であり、ｊはｃ以下の正の整数である。

【0097】

ステップ２０２：初期の確率モデルに基づいて、初期の回路ユニットプールに対してＫ回のサンプリングを行い、サンプリングするたびに１グループの回路ユニットを取得して、Ｋ個のグループの回路ユニットを得る。

【0098】

毎回のサンプリングの過程において、確率モデルＰ（ｋ，α）のモデルパラメータαに基づいて構造パラメータｋを生成して、該構造パラメータｋは若干の離散値を含んでもよく、今回のサンプリングにより取得した回路ユニットを表すことに用いられる。例えば、回路ユニットプール中には番号がそれぞれ０、１、２、３、４の５つの回路ユニットが含まれ、構造パラメータｋは（２、１、３）を含み、回路ユニットプール中からサンプリングして取得した１グループの回路ユニットは番号が順に２、１、３の３つの回路ユニットを含むことを表す。説明するべきものとして、確率モデルＰ（ｋ，α）のモデルパラメータαが同じである場合、任意の２回のサンプリングにより生成した構造パラメータｋは同じであってもよく、異なってもよい。例えば、前後２回のサンプリングにより生成した構造パラメータｋは同じであり、いずれも（２、１、３）であり、また、例えば、前後の２回のサンプリングにより生成した構造パラメータｋは異なり、前のものは（２、１、３）であり、後のものは（２、１、４）である。

【0099】

また、回路ユニットプール中の各回路ユニットの回路パラメータの数がｌであると仮定すると、１つの回路パラメータプールを維持してもよく、該回路パラメータプール中には回路ユニットプール中の各回路ユニットの各充填対象の位置上での回路パラメータが含まれ、すなわち該回路パラメータプール中にはｐ×ｃ×ｌ個のパラメータが含まれる。

【0100】

ステップ２０３：Ｋ個のグループの回路ユニットに基づいて、Ｋ個の候補量子回路を構成する。

【0101】

サンプリングして取得した各グループの回路ユニットに対して、１つの候補量子回路を対応して構成する。各回路ユニットの間の接続関係は予め定義又は設計されてもよく、本願の実施例はこれに対して限定しない。

【0102】

ステップ２０４：Ｋ個の候補量子回路に対応する性能評価指標を決定するステップであって、該性能評価指標はターゲット関数の演算結果である。

【0103】

ターゲット関数は構成した量子回路がタスク最適化ターゲットに達するか否かを計算することに用いられる数学関数である。例えば、上記で紹介したように、異なる量子回路の設計タスクに対して、異なるターゲット関数を対応して設定してもよい。

【0104】

本願の実施例において、構造パラメータｋに基づいて構成した候補量子回路はＵ（Ｋ，θ）であり、該候補量子回路Ｕ（Ｋ，θ）に対応するターゲット関数はＬ（Ｕ（Ｋ，θ））としてマークされると仮定すると、Ｋ回のサンプリングを経た後に構成したＫ個の候補量子回路に対応するターゲット関数（式１０）は下記の（式１１）で表されてもよい。

【0105】

【数10】

【0106】

【数11】

【0107】

上の式から分かるように、まず、Ｋ個の候補量子回路のターゲット関数に対してそれぞれに対応する演算結果を計算し、Ｋ個の演算結果を得て、次に、該Ｋ個の演算結果に基づいて、性能評価指標（すなわち、ターゲット関数（式１０）の演算結果）を得る。該ターゲット関数（式１０）の演算結果は該Ｋ個の候補量子回路のそれぞれの性能の全体状況又は平均値状況を反映する。

【0108】

ステップ２０５：性能評価指標に基づいて、第１勾配情報及び第２勾配情報を計算し、そのうち、第１勾配情報は確率モデルのモデルパラメータの勾配情報であり、第２勾配情報は回路ユニットプール中の回路ユニットの回路パラメータの勾配情報である。

【0109】

本願の実施例において、一方では、ターゲット関数の確率モデルのモデルパラメータに対する勾配情報を計算して、第１勾配情報を得て、該第１勾配情報は確率モデルのモデルパラメータを更新することを指導することに用いられ、他方では、ターゲット関数の回路ユニットプール中の回路ユニットの回路パラメータに対する勾配情報を計算して、第２勾配情報を得て、該第２勾配情報は回路ユニットの回路パラメータを更新することを指導することに用いられる。

【0110】

１つの例において、ターゲット関数の確率モデルのモデルパラメータに対する導関数を計算して、第１勾配情報を得る。例示的には、該第１勾配情報を計算することに採用した導関数式は以下の（式１２）のとおりである。

【0111】

【数12】

【0112】

そのうち、（式１３）はターゲット関数（式１０）のモデルパラメータαに対する導関数を表し、式中の他のパラメータは上記の紹介説明を参照することができるが、ここでは詳しく説明しない。

【0113】

【数13】

【0114】

他の例において、ターゲット関数の回路ユニットプール中の回路ユニットの回路パラメータに対する導関数を計算して、第２勾配情報を得る。例示的には、該第２勾配情報を計算することに採用した導関数式は以下の（式１４）のとおりである。

【0115】

【数14】

【0116】

そのうち、（式１５）はターゲット関数（式１０）の回路パラメータθに対する導関数を表し、式中の他パラメータは上記の紹介説明を参照することができるが、ここでは詳しく説明しない。

【0117】

【数15】

【0118】

また、導関数求め方式で第１勾配情報を計算する時、モンテカルロ期待値自動微分の関連技術を利用してもよく、スコア関数（ｓｃｏｒｅ ｆｕｎｃｔｉｏｎ）又は再パラメータ化（ｒｅｐａｒａｍｅｔｅｒｉｚａｔｉｏｎ）の方式を含むが、それらに限定されない。例えば、スコア関数を採用する解決手段は、非正規化を含むユニバーサル確率分布モデルに適用できる。導関数求め方式で第２勾配情報を計算する時、数値的には自動微分を利用して導関数を求めることができ、実験的にはパラメータシフト（ｐａｒａｍｅｔｅｒ ｓｈｉｆｔ）又は勾配量子回路を直接測定する方法によって量子回路の導関数を計算することができる。

【0119】

ステップ２０６：第１勾配情報に基づいて確率モデルのモデルパラメータを更新して、更新後の確率モデルを得る。

【0120】

例えば、勾配降下アルゴリズムを採用して確率モデルのモデルパラメータαを更新することで、該確率モデルのモデルパラメータαを持続的に最適化して、それにより、より優れた回路ユニットの組み合わせの解決手段をサンプリングする。

【0121】

ステップ２０７：第２勾配情報に基づいて回路ユニットプール中の回路ユニットの回路パラメータを更新して、更新後の回路ユニットプールを得る。

【0122】

例えば、勾配降下アルゴリズムを採用して回路ユニットプール中の各回路ユニットの回路パラメータθを更新することで、各回路ユニットの回路パラメータθを持続的に最適化して、それにより、単一の回路ユニットが示す性能を最適化して、さらに構成した量子回路全体が示す性能の向上に有利である。

【0123】

ステップ２０８：更新後の確率モデルに従い、更新後の回路ユニットプール中からＫ個のグループの回路ユニットをサンプリングして、Ｋ個の候補量子回路を構成する。

【0124】

ステップ２０９：サイクル停止条件が満たされた場合、最後の１回に生成したＫ個の候補量子回路の中からターゲット量子回路を決定する。

【0125】

ステップ２０８～２０９は図１の実施例中のステップ１０４～１０５と同じ又は類似するため、具体的には上記実施例中の紹介説明を参照することができるが、ここでは詳しく説明しない。

【0126】

任意選択的に、本願の実施例が提供する方法はさらに以下のステップ２１０～２１１を含み、それにより、ターゲット量子回路の回路パラメータに対するさらなる最適化調整を実現する。

【0127】

ステップ２１０：ターゲット量子回路の構造を固定して、且つターゲット量子回路中に含まれる各回路ユニットの回路パラメータを調整する。

【0128】

ターゲット量子回路を決定した後、その回路構造（すなわち、回路中に含まれる回路ユニット及び各回路ユニットの間の接続関係）が固定され、必要がある場合、さらに該ターゲット量子回路中に含まれる各回路ユニットの回路パラメータをさらに最適化調整してもよく、それにより、ターゲット量子回路が示す性能をさらに向上させる。

【0129】

例えば、ターゲット関数のターゲット量子回路の回路パラメータに対する勾配情報を計算することにより、同様に勾配降下アルゴリズムを採用してターゲット量子回路の回路パラメータを更新することで、ターゲット量子回路の回路パラメータを持続的に最適化して、それにより、ターゲット量子回路が示す性能を向上させる。

【0130】

ステップ２１１：調整停止条件が満たされた場合、パラメータが調整・最適化された後のターゲット量子回路を得る。

【0131】

調整停止条件とは、予め設定されたターゲット量子回路の回路パラメータを調整することを停止することをトリガーすることに用いられる条件である。例示的には、該調整停止条件は、ターゲット量子回路の性能評価指標が予め設定した指標に達すること、ターゲット量子回路の回路パラメータの調整回数が設定された回数に達すること等のうちの少なくとも１種を含むが、それらに限定されず、本願の実施例はこれに対して限定しない。

【0132】

本願の実施例において、パラメータが最適化調整された後のターゲット量子回路は最終的に構成され、ある特定の量子回路の設計タスクを達成することに用いられる量子回路である。

【0133】

例示的な実施例において、Ｋ個の候補量子回路を構成した後、さらに、ｉ個目の候補量子回路中のｊ個目の回路ユニットに対して、該ｊ個目の回路ユニットの回路ユニットプール中での位置及びｉ個目の候補量子回路中での位置に基づき、回路パラメータプール中からｊ個目の回路ユニットの回路パラメータを取得するステップを含み、そのうち、回路パラメータプール中には回路ユニットプール中の各回路ユニットの各充填対象の位置上での回路パラメータが含まれ、ｉはＫ以下の正の整数であり、ｊは正の整数である。回路パラメータプール中にはｐ×ｃグループの回路パラメータが含まれてもよく、第（ｉ、ｊ）グループの回路パラメータは回路ユニットプール中のｊ個目の回路ユニットがｉ個目の充填対象の位置上に充填する時の回路パラメータであり、ｉはｐ以下の正の整数であり、ｊはｃ以下の正の整数である。

【0134】

上記方式により、パラメータバインディングメカニズムを採用して回路ユニットの回路パラメータをその充填対象の位置とバインディングして、このように、新しい候補量子回路を構成した後、回路パラメータプール中から各回路ユニットの回路パラメータを簡単で効率的に取得できる。また、第２勾配情報に基づいて回路ユニットプール中の各回路ユニットの回路パラメータを更新する時、回路パラメータプール中に保存されている回路パラメータを同期に更新する必要があり、それにより、回路パラメータプール中から取得した回路パラメータの正確性を確保する。

【0135】

例示的な実施例において、より安定的なトレーニング過程のために、ＮＡＳ及びより幅広い機械学習分野の研究に出現するトレーニングテクニックを導入・発展することができ、ｅａｒｌｙ ｓｔｏｐ（早期停止法）、マルチ開始点、回路変分パラメータウォームアップトレーニングを含むが、それらに限定されず、トレーニング認証データセットは、より優れたトレーニング結果の後処理及びグリッド探索、段階的なレイヤーごとのトレーニングという２グループのパラメータを個別にそれぞれ最適化し、モンテカルロ勾配推定時にターゲット関数の移動平均値をベースライン（ｂａｓｅｌｉｎｅ）として追加することで推定分散を減少させ、回路パラメータにランダムノイズを追加することでエネルギー損失を平滑化し、ターゲット関数に多目的をサポートする正規項及びペナルティ項、小規模なエージェントタスク及び転移学習等を追加する。

【0136】

そのうち、比較的重要なのは正規項の追加であり、確率モデルのモデルパラメータは各回路ユニットのサンプリング回数及び確率を決めるため、モデルパラメータに基づく相応な正規項を定義でき、それにより、あるタイプの回路ユニット（例えば、シングルビット量子ゲート）を奨励し、すなわち、該タイプの回路ユニットのサンプリング回数及び確率を向上させ、又は、あるタイプの回路ユニット（例えば２ビット量子ゲート）を抑制し、すなわち、該タイプの回路ユニットのサンプリング回数及び確率を低減させることができる。例えば、以下の正規項をターゲット関数Ｌ中に追加し、正規項を追加した後のターゲット関数ＬはΔＬとして表され得る（式１６）。

【0137】

【数16】

【0138】

そのうち、ｃは回路ユニットプール中の回路ユニットの数を表し、ｐは充填対象の位置の数であり、ｐ（Ｋ_ｉ＝Ｋ）はｉ個目の候補充填位ｐに第ｋ個の回路ユニットを充填する確率であり、λは該正規項の重みであり、ｑは回路ユニット中の２ビット量子ゲートの数を表す。

【0139】

上記したカスタマイズされた正規項導入方式は、回路ユニットのサンプリングの柔軟性及び制御可能性を向上させ、それにより、最終的に構成した量子回路が示す性能の向上に有利であり、且つその量子ノイズレベルを下げる。

【0140】

以上のように、本願の実施例が提供する技術的解決手段は、量子回路の探索領域を連続空間に広げ、それにより自動微分及び確率的勾配降下が可能になり、これは計算リソースの消耗量を大幅に減少させ、同時に収束性もより確実に確保される。

【0141】

また、パラメータ最適化過程において、本願は第１勾配情報及び第２勾配情報を計算することにより、上記２種の勾配情報に基づいてモデルパラメータ及び回路パラメータを同時に最適化でき、多目的のパラメータ最適化解決手段を実現し、量子回路構築効率の向上に有利である。

【0142】

以下、図３に関連付けて、本願の実施例が提供する可微分量子構造探索アーキテクチャの完全な構造を紹介して説明する。該可微分量子構造探索アーキテクチャによって、ある特定の量子回路の設計タスクを達成することに用いられる１つのターゲット量子回路を探索して構築すると仮定する。そのうち、回路ユニットプール３１中には複数の選択可能な回路ユニット、例えば、図に示される回路ユニット１、２、３等が含まれる。確率モデルｐ（ｋ，α）に基づいて回路ユニットプール３１中からバッチ式でサンプリングしてＫ個のグループの回路ユニットを取得して、Ｋ個の候補量子回路を構成する。パラメータプール３２は量子回路の回路パラメータを記憶することに用いられる。構成した各候補量子回路中の各回路ユニットの回路パラメータに対しては、パラメータプール３２中から取得されてもよい。また、ターゲット関数Ｌによって候補量子回路の性能を評定して、Ｋ個の候補量子回路の全体性はターゲット関数（式１７）を採用して評定されてもよい。ターゲット関数（式１７）の確率モデルのモデルパラメータαに対する勾配情報（式１８）、及びターゲット関数（式１７）の回路ユニットプール３１中の回路ユニットの回路パラメータθに対する勾配情報（式１９）を計算して、上記２つの勾配情報に基づいて、それぞれモデルパラメータα及び回路パラメータθを更新する。

【0143】

【数17】

【0144】

【数18】

【0145】

【数19】

【0146】

その後、更新後の確率モデルに従い、更新後の回路ユニットプール中からＫ個のグループの回路ユニットをサンプリングして、Ｋ個の候補量子回路を構成する。上記過程をサイクルして実行し、サイクル停止条件が満たされた場合、最後の１回に生成したＫ個の候補量子回路の中から、生成確率が最も高い候補量子回路を、最終的なターゲット量子回路として選択する。

【0147】

図４に参照されるように、本願の他の実施例が提供する量子回路の決定方法のフローチャートが示されている。該方法の各ステップの実行エンティティはコンピュータ機器であってもよい。該方法は以下のいくつかのステップ（４０１～４０３）を含んでもよい。

【0148】

ステップ４０１：回路ユニットプール中からＮ個の回路ユニットを選択するステップであって、回路ユニットプール中には複数の回路ユニットが含まれ、各回路ユニットは１つのユニタリ行列に対応する等価量子回路であり、Ｎは１より大きい整数である。

【0149】

回路ユニットプール中には複数の選択可能な回路ユニットが含まれる。本願の実施例において、回路ユニットは量子回路を構成するための基本ユニットであり、１つの量子回路は１つ又は複数の回路ユニットを含んでもよい。量子回路は複数の回路ユニットを含む場合、各回路ユニットの間の接続関係は予め定義又は設計されてもよい。１つの例において、１つの量子回路は多層構造であり、各層中には１つの回路ユニットが含まれ、各層の間が順に接続されており、例えば、ある層の回路ユニットの出力結果は、次の層の回路ユニットの入力データとし、且つ該次の層の回路ユニットによってさらに計算又は処理されてもよい。他の例において、１つの量子回路は多層構造であり、各層の中には１つ又は複数の充填対象の位置が含まれ、回路ユニットを充填することに用いられる。同一層の中には複数の充填対象の位置が含まれる場合、各充填対象の位置の間は設定された方式に従い予め接続することができる。

【0150】

任意選択的に、量子コンピューティングタスク中に関する可能性があるいくつかの基本的な操作に対して、各種類の基本的な操作に対して対応する１つの回路ユニットを設計する。例えば、１つの回路ユニットは１つのシングルビット量子ゲートであってもよく、１層の量子ゲートであってもよく、又は１つのハミルトニアンの時間依存進化等であってもよく、本願の実施例はこれに対して限定しない。

【0151】

本願の実施例において、回路ユニットを粒度として量子回路を分割し、１つの量子回路は複数の回路ユニットをある接続方式に従い接続してなるものであってもよい。従って、ある量子コンピューティングタスクを完了することに用いられる量子回路を構築するために、回路ユニットプール中から若干の回路ユニットを選択することができる。

【0152】

可能な実施形態において、あるサンプリング方式に従い、回路ユニットプール中からＮ個の回路ユニットを選択する。サンプリング方式とは、回路ユニットプール中から回路ユニットを選択する方式を指す。サンプリングするたびに回路ユニットプール中からＮ個の回路ユニットを選択し、一回のサンプリングにより選択した該Ｎ個の回路ユニットは１グループの回路ユニットを構成し、すなわち、各グループの回路ユニットはＮ個の回路ユニットを含む。また、Ｎ個の回路ユニット中には含まれる回路ユニットは繰り返し利用可能である。すなわち、上記のサンプリング過程は重複があり、それにより、各回路ユニットは最終的に構築した量子回路中に繰り返して利用できることを確保する。

【0153】

例示的な実施例において、上記サンプリング方式は確率モデルであってもよく、確率モデルによってサンプリングして回路ユニットを取得する方式については、上記実施例中の紹介説明を参照することができるが、ここでは詳しく説明しない。

【0154】

ステップ４０２：Ｎ個の回路ユニットのそれぞれに対応する回路パラメータを決定するステップであって、回路パラメータは回路ユニットにより実行される操作を定義することに用いられ、且つ回路パラメータは更新可能である。

【0155】

１つの回路ユニットにとって、該回路ユニットは対応する回路パラメータを有し、該回路パラメータは該回路ユニットにより実行される操作を定義することに用いられる。すなわち、１つの回路ユニットにより実行される操作は、該回路ユニットの構造と関係があることに加えて、該回路ユニットの回路パラメータとも関係がある。ステップ４０１において、回路ユニットプール中からＮ個の回路ユニットを選択した後、各回路ユニットの構造は決定されており、次にステップ４０２によって各回路ユニットの回路パラメータを取得する。

【0156】

本願の実施例において、回路ユニットの回路パラメータは変分パラメータであり、すなわち、回路ユニットの回路パラメータは更新可能（すなわち調整及び修正可能）であり、それにより、必要がある場合、該回路ユニットの回路パラメータを更新することで、該回路ユニットが示す性能を向上させることができる。

【0157】

例示的な実施例において、１つの回路パラメータプールを維持でき、該回路パラメータプール中には回路ユニットプール中の各回路ユニットの各充填対象の位置上での回路パラメータが含まれる。上記Ｎ個の回路ユニット中のｉ個目の回路ユニットに対しては、該ｉ個目の回路ユニットの充填対象の位置に基づき、回路パラメータプール中から該ｉ個目の回路ユニットの回路パラメータを取得する。上記方式によって、パラメータバインディングメカニズムを採用して回路ユニットの回路パラメータとその充填対象の位置とをバインディングして、このように、量子回路を構成する時、回路パラメータプール中から各回路ユニットの回路パラメータを簡単で効率的に取得できる。

【0158】

ステップ４０３：Ｎ個の回路ユニット及び該Ｎ個の回路ユニットのそれぞれに対応する回路パラメータに基づいて、量子回路を構成する。

【0159】

Ｎ個の回路ユニット及び該Ｎ個の回路ユニットのそれぞれに対応する回路パラメータを得た後、量子回路を構成し、該量子回路中には上記Ｎ個の回路ユニットが含まれ、且つ該量子回路の回路パラメータは上記Ｎ個の回路ユニットのそれぞれに対応する回路パラメータを含む。また、各回路ユニットの間の接続関係は予め定義又は設計されてもよく、本願の実施例はこれに対して限定しない。

【0160】

例示的な実施例において、図５に示すように、上記ステップ４０３の後にさらに以下のステップを含む。

【0161】

ステップ４０４：量子回路に対応する性能評価指標を決定する。

【0162】

性能評価指標とは量子回路の性能を定量的に評価することに用いられるパラメータである。例示的な実施例において、ターゲット関数を採用して上記性能評価指標を特徴付ける。ターゲット関数は構成した量子回路がタスク最適化ターゲットに達するか否かを計算することに用いられる数学関数である。例えば、上記で紹介したように、異なる量子回路の設計タスクに対して、異なるターゲット関数を対応して設定できる。

【0163】

ステップ４０５：性能評価指標に基づいて、ターゲット勾配情報を計算するステップであって、該ターゲット勾配情報は量子回路の回路パラメータの勾配情報である。

【0164】

本願の実施例において、ターゲット関数の量子回路の回路パラメータに対する勾配情報を計算することにより、ターゲット勾配情報を得て、該ターゲット勾配情報は量子回路の回路パラメータを更新することを指導することに用いられる。

【0165】

１つの例において、ターゲット関数の量子回路の回路パラメータに対する導関数を計算することにより、ターゲット勾配情報を得る。例示的には、該ターゲット勾配情報を計算することに採用した導関数式は以下のとおりである。

【0166】

∇_θＬ＝∇_θＬ（Ｕ（Ｋ，θ））

【0167】

そのうち、∇_θＬはターゲット関数Ｌの量子回路Ｕ（Ｋ，θ）の回路パラメータθに対する導関数を表す。

【0168】

ステップ４０６：ターゲット勾配情報に基づいて、量子回路の回路パラメータを更新して、更新後の量子回路を得る。

【0169】

例えば、勾配降下アルゴリズムを採用して量子回路の回路パラメータを更新して、それにより、各回路ユニットの回路パラメータを持続的に最適化して、それにより量子回路全体が示す性能を向上させる。

【0170】

本願の実施例において、ターゲット関数は可微分関数であるため、導関数求め方式で相応な勾配情報を計算でき、それにより、勾配降下アルゴリズムを採用して回路パラメータを更新して最適化できるようになり、それにより量子回路の性能を持続的に向上させる。

【0171】

以上のように、本願の実施例が提供する技術的解決手段は、量子回路を一連のユニタリ行列に対応する等価量子回路を積み重ねてなるものとみなすことにより、量子回路を１つずつの回路ユニットに分割し、回路ユニットプールを構築することで選択可能な回路ユニットを提供し、該回路ユニットプール中から回路ユニットを選択して量子回路を構築し、可微分量子アーキテクチャ探索を実現し、普遍性が高く且つ汎用性がある量子回路の構築解決手段を提供する。

【0172】

また、量子回路中には含まれる各回路ユニットの回路パラメータは更新可能であるため、回路パラメータを更新（すなわち調整）することにより量子回路が示す性能を向上させることができる。さらに、量子回路に対応するターゲット関数は可微分関数であるため、導関数求め方式で相応な勾配情報を計算して、それにより勾配降下アルゴリズムを採用して回路パラメータを更新して最適化できるようになり、それにより量子回路の性能を持続的に向上させる。

【0173】

また、遺伝的アルゴリズムを採用して量子回路を構築する場合と比較して、遺伝的アルゴリズムは段階的に最適な局所の一部の回路構造を探索するため、最終的に構築した完全な量子回路に全体的に最適ではないという問題が存在することを引き起こし、本願は完全な量子回路構造を構成した後、回路パラメータを更新するため、最終的に該完全な量子回路を全体的に最適化する回路パラメータを見つけることができ、従って、性能がより優れる。

【0174】

説明するべきものとして、本実施例中に詳細に説明されていない細部に対しては、上記他の実施例中の紹介説明を参照してもよい。

【0175】

以下、本願が提供する可微分量子構造探索アーキテクチャを具体的な量子回路の設計問題に応用する実験ケースを紹介して説明する。ここで、それぞれ３つの種類の問題を考慮して、可微分量子構造探索アーキテクチャの応用及び将来性を示す。

【0176】

ケース１：ＧＨＺ（ＧｒｅｅｎｂｅｒｇｅｒＨｏｒｎｅ－Ｚｅｉｌｉｎｇ）量子状態の製造及びＢｅｌｌ状態の回路設計。

【0177】

以下の例において、用いた演算子プール及びコード化解決手段はシングルビット及び２ビット量子ゲートであり、量子ゲートの種類及び位置する量子ビットの行により演算子プールの構成が決められる。

【0178】

ＧＨＺ量子状態とは、（式２０）に定義される。

【0179】

【数20】

【0180】

このような状態は、すなわち、有名なシュレーディンガーの猫の状態であり、理論及び量子情報の実践においていずれも大幅に応用されている。本願が提供する可微分量子構造探索アーキテクチャは、対応する量子状態の製造回路を自動的に設計できる。そのターゲット関数は量子回路の出力状態と理論ＧＨＺ状態との内積である。トレーニングのゲート数ｐを徐々に小さく調整し且つ性能を確保する方式で探索することにより、必要な量子ゲートが最も少ない条件に一致する製造回路を見つけることを確保でき、具体的な回路は図６に示されている。そのうち、パラメータπ／２は完全にアーキテクチャが自分で学習するものである。

【0181】

Ｂｅｌｌ状態とは２ビットで構成される４つの直交するエンタングル状態を指し、量子テレポーテーション状態及び圧縮コード化のいずれにも重要な役割を果たす。相応な量子回路はそれぞれ４つの異なる測定された基底状態を対応するコード化されたＢｅｌｌ状態のエンタングル状態にマッピングすべきである。従って、該問題は１つの完全な回路学習の問題であり、単一の量子状態の製造ではない。目標状態の内積又は観測量ＸＸ、ＺＺの期待値はいずれもターゲット関数として使用でき、同時に４つの異なる入力状態評定を合計ターゲット関数として使用する必要がある。自動探索により得られた具体的な回路は図７に示されている。この例において、該アーキテクチャは離散したパラメータなし演算子プールのみを利用し、すなわち、可変回路パラメータがない。

【0182】

ケース２：量子誤り抑制（ｑｕａｎｔｕｍ ｅｒｒｏｒ ｍｉｔｉｇａｔｉｏｎ）。

【0183】

ここでは、量子コンピューティング中に常に発生した量子フーリエ変換の回路コンポーネント及び仮定された量子ノイズモデルを利用することにより、可微分量子アーキテクチャ探索解決手段の量子誤り訂正分野での潜在的な応用を示す。３ビット及び４ビットシステム上に、量子フーリエ変換回路を充填することにより、出力状態の忠実度の向上を実現する。

【0184】

ここで採用した量子誤り抑制戦略は以下のとおりである。量子回路中のギャップにシングルビット量子ゲートが充填され、それによりそれらの量子ゲートの集合が単位行列を与える。このように量子回路に対応する行列を変えない前提下で、待機ビットの減衰ノイズを効果的に削減でき、且つより抑制されにくいコヒーレントノイズを簡単なパウリノイズに転化できる。該戦略に適応して、我々が用いた回路設計コード化解決手段は異なるタイプの単一ビットゲートで構成される演算子プールＶ及び探索深さｐが元の回路ギャップ位置の数に等しいプレースホルダーＵである。例えば、３ビット量子フーリエ変換回路に対して、ｐ＝６であり、一方、４ビット回路に対して、ｐ＝１２である。

【0185】

この誤り訂正効果の比較ベースラインは対応な連続ギャップ中に１に相当する量子ゲートを充填しようとするものであり、我々は、本アーキテクチャは忠実度がこの知識ベースの常識解決手段よりも高い回路を探索できることを発見する。実際には、可微分量子アーキテクチャ探索は量子回路中のある長距離相関を効果的に感知でき、それにより単一のギャップに対しても非恒等の充填を行うことができ、それにより忠実度のさらなる向上を実現する。

【0186】

具体的には、３ビット量子フーリエ変換回路に対して、オリジナル回路、エキスパート回路及びアーキテクチャが自動的に設計した回路に対応する忠実度はそれぞれ０．３３、０．５５及び０．６である。一方、４ビット量子フーリエ変換回路に対して、オリジナル回路、エキスパート回路及びアーキテクチャが自動的に設計した回路に対応する忠実度はそれぞれ０．１３、０．４１及び０．４５である。本アーキテクチャが自動的な設計を完了した誤り訂正回路による量子ノイズへの抑制は人間のエキスパートによる回路設計よりも優れていることが分かる。このような自動化回路設計は全く任意の事前知識にも依存せず、ゼロから生成したものである。（対応する量子誤り訂正設計及び具体的な忠実度の値は仮定された量子ノイズモデルに決められ、本例で用いた量子ノイズモデルは以下のとおりである。各列の量子ゲートのギャップに対して、ｐ＝０．０２のビット反転ノイズが存在するが、各量子回路空孔に対して、ｐ＝０．２のビット反転ノイズが存在する。）

【0187】

３ビット及び４ビットのオリジナル回路に対して、本アーキテクチャが発見した誤り訂正回路はそれぞれ図８～１１に示されている。そのうち、誤り訂正回路中の灰色量子ゲートは、可微分量子構造探索アーキテクチャがトレーニングされた後、インテリジェントに充填した結果である。

【0188】

ケース３：ＱＡＯＡタイプの回路立体配置探索。

【0189】

ＱＡＯＡは非常に重要な量子古典ハイブリッドコンピューティングパラダイムであり、且つ比較的強い物理的意義及び量子アニーリングとの関連を有する。従って同じ深さ、同じ回路パラメータの場合、近似能力がより強い量子回路配置を見つけることは、重要な応用価値（量子優位性を示すために使用する）及び理論的意義（量子アニーリングにおける重要な概念と交差して比較し、かつ理解するために使用する）を有する。このような問題において、エンドツーエンドの環境で採用したのは典型的なＭＡＸ ＣＵＴ組み合せ最適化問題であり、一方、演算子プールはハミルトニアン時間依存進化層と一般的なシングルビット量子ゲート層とを組み合わせる戦略を用いる。最も簡単な場合、考慮される演算子にはＨａｄａｍａｒｄゲート層、シングルビットｘ、ｙ、ｚ回転層（それはｅ^ｉＨθに相当し、そのうち、Ｈ＝Σ_ｉＸ_ｉ、ＸはＹ、Ｚ演算子に置換してもよい）及び（式２１）の層が含まれる。

【0190】

【数21】

【0191】

そのうち、ｉｊは問題中の図のエッジを表す。我々は、それらの基本的なコンポーネントをそれぞれＨ－ｌａｙｅｒ、ｒｘ－ｌａｙｅｒ、ｒｙ－ｌａｙｅｒ、ｒｚ－ｌａｙｅｒ、ｚｚ－ｌａｙｅｒと呼ぶ。ただし、ｘｘ－ｌａｙｅｒ及びｙｙ－ｌａｙｅｒは上記基本的なコンポーネントで構成してもよく、従って、冗長項である。一方、エンドツーエンドのターゲット関数の設定は伝統的なＱＡＯＡと同じであり、ＭＡＸ ＣＵＴに対応するハミルトニアンの量子回路の出力状態上での期待値である。

【0192】

該アーキテクチャにより、立体配置及び対応するパラメータを見つけることができ、それにより、相応な量子回路構造がある分布で発生したグラフインスタンスのバッチに同時に適用でき、例えばｒｅｇｕｌａｒ ｇｒａｐｈである。このように見つけた量子回路構造は、同じ解決手段で異なる図を可能な限り近似する最適解である。我々は、自動的に探索することでＱＡＯＡの同じレイアウト、すなわちＨ－ｌａｙｅｒ、ｚｚ－ｌａｙｅｒ、ｒｘ－ｌａｙｅｒ、ｚｚ－ｌａｙｅｒ、ｒｘ－ｌａｙｅｒを得ることができ、図１２に示すとおりである。つまり、図の範囲が比較的広く、且つ層の数が比較的少ない場合、該アーキテクチャは、ＱＡＯＡの交互配置が確かに近似される効果が最適である選択であることを示し、これは、該アーキテクチャが強い適用性を有することに加えて、一定の理論探索の機能も備えることも示している。

【0193】

上記のように、本願が提供する可微分量子構造探索アーキテクチャは多様な量子コンピューティング及び量子情報の問題中、特に様々な場合の量子回路の自動化設計に幅広く応用できる。このようなエンドツーエンドの可微分設計は、任意の回路構造への仮定にも依存しないため、これは量子回路の設計により多くの可能性をもたらす。理論的には、この方法は量子プログラミング、微分プログラミング及び確率プログラミング等の新しいプログラミングパラダイムを組み合わせ、且つ既存の知識の蓄積を超える潜在的で効率的な量子構造を探索できる。実践的には、このアーキテクチャは量子状態製造、量子回路分解及びコンパイル、量子誤り訂正、変分量子アーキテクチャ探索のいずれにも良好な性能及び優れた結果を示している。可微分方法論及びアーキテクチャ自体の高度の汎用性は、該解決手段が簡潔で効率的であることを確保すると同時に、実際の量子ハードウェアのネイティブ量子ゲート、接続トポロジー及びノイズ特徴等を同時に考慮に入れることができる。

【0194】

具体的には、本願が提供する可微分量子構造探索アーキテクチャが以下の内容及び効果を実現可能であることを証明できる実証例は既にある。

【0195】

１：マルチビットＧＨＺ量子状態の製造回路を自動的に設計する。

【0196】

２：指定された量子回路の離散ゲート分解を自動的に実現して、Ｂｅｌｌ状態マッピング回路の設計を完了する。

【0197】

３：量子フーリエ変換回路上において所定の量子誤り抑制を実現して、従来のエキスパート経験を超える誤り訂正戦略を見い出した。

【0198】

４：ＭＡＸ ＣＵＴ組み合わせ最適化問題の環境のみにより、ＱＡＯＡの配置構造を量子回路解の仮設として自発的に見つけ、且つ具体的な問題において、性能がより優れたハミルトニアンサブブロック配置方式を探索できる。

【0199】

全体的に、本願が提供する技術的解決手段は他の解決手段と比較して以下の優位性を有する。

【0200】

１：汎用性：我々は、初めて、量子アーキテクチャ探索という重要な問題を完全に要約して抽象化し、且つ完全に汎用的なエンドツーエンド解決手段を初めて提案した。

【0201】

２：計算効率：該解決手段は最初の可微分量子回路の自動設計解決手段であるため、それにより、該解決手段は、計算リソース、例えば、より少ない時間、ハードウェア等を消費するだけで、他の解決手段と類似し又はそれよりも著しく優れた結果を得ることができる。

【0202】

３：多目的：該解決手段は複数のターゲットを同時に最適化できるため、ハードウェアを使いやすくし、量子誤り訂正等を考慮してアーキテクチャ全体をより適切に嵌め込むことができる。

【0203】

４：従来の知識経験を超える結果：該アーキテクチャを具体的な量子コンピューティング問題に応用して、我々は任意の分野の技術知識の仮定にも依存せず、単に機械学習のみに依存して既存の知識の蓄積に達し又はこれを超える一連の結果を取得し、該解決手段の大きな潜在力を示している。

【0204】

本願の技術的解決手段は、この段階で適応性がより高い量子回路設計の加速に有利である。ＮＩＳＱ時代量子ハードウェアの典型的な欠点は、コヒーレンス時間が短く且つ量子ノイズが大きいことであり、それに対応して、我々は、量子ハードウェア自体の具体的な特徴を十分に考慮する場合、量子回路の深さ、及び２ビット量子ゲートの数を最大限に減少させる必要がある。２ビット量子ゲートは常にシングルビット量子ゲートよりも大きなノイズを有するため、性能を確保すると同時に２ビット量子ゲートの数を減少させると、量子ノイズの影響を効果的に緩和できる。本願が提供する可微分量子構造探索アーキテクチャは、この多目的の回路設計問題をより効果的に解決でき、それにより量子コンピューティングの商用的応用において優位性を取得する。

【0205】

また、中短期内で量子ハードウェア評定に応用する可能性があり、実際の生産中の応用としては、可微分量子アーキテクチャ探索により支援されたＶＱＥ又はＱＡＯＡ仮定最適化を含み、それにより、我々はより少ない量子リソースを利用してより優れた結果を取得することができ、その対応する製品は組み合わせ最適化問題又は量子化学の基底状態エネルギーシミュレートを解決することに用い得る。同時に、可微分量子アーキテクチャ探索は量子コンパイル技術スタック及び量子誤り抑制において設計の潜在力を効果的に発揮することもでき、それにより、量子ノイズに対して相応な回路をより安定化させる。

【0206】

以下は本願の装置実施例であり、本願の方法実施例を実行することに用いることができる。本願の装置実施例中において掲示されていない細部については、本願の方法実施例を参照されたい。

【0207】

図１３に参照されるように、本願の一実施例が提供する量子回路の決定装置のブロック図が示されている。該装置は上記方法例を実現する機能を有し、前記機能はハードウェアにより実現されてもよく、ハードウェアにより相応なソフトウェアを実行することで実現されてもよい。該装置は上記で紹介したコンピュータ機器であってもよく、コンピュータ機器中に設置されてもよい。図１３に示すように、該装置１３００は、回路サンプリングモジュール１３１０と、回路評価モジュール１３２０と、パラメータ更新モジュール１３３０と、回路決定モジュール１３４０とを含んでもよい。

【0208】

回路サンプリングモジュール１３１０は、初期のサンプリング方式に従い、初期の回路ユニットプール中からＫ個のグループの回路ユニットをサンプリングして、Ｋ個の候補量子回路を構成することに用いられ、そのうち、各グループの回路ユニットは、少なくとも１つの回路ユニットを含み、１つの候補量子回路を構成することに用いられ、Ｋは正の整数である。

【0209】

回路評価モジュール１３２０は、前記Ｋ個の候補量子回路に対応する性能評価指標を決定することに用いられる。

【0210】

パラメータ更新モジュール１３３０は、前記性能評価指標に基づいて前記サンプリング方式及び前記回路ユニットプール中の回路ユニットを更新して、更新後のサンプリング方式及び更新後の回路ユニットプールを得ることに用いられる。

【0211】

前記回路サンプリングモジュール１３１０は、さらに前記更新後のサンプリング方式に従い、前記更新後の回路ユニットプール中からＫ個のグループの回路ユニットをサンプリングして、Ｋ個の候補量子回路を構成することに用いられる。

【0212】

回路決定モジュール１３４０は、サイクル停止条件が満たされた場合、最後の１回に生成した前記Ｋ個の候補量子回路の中からターゲット量子回路を決定することに用いられる。

【0213】

例示的な実施例において、図１４に示すように、前記回路サンプリングモジュール１３１０は、モデル構築ユニット１３１１と、回路サンプリングユニット１３１２と、回路構造ユニット１３１３とを含む。

【0214】

モデル構築ユニット１３１１は、初期の確率モデルを構築することに用いられ、前記確率モデルはｐ×ｃ個のパラメータを含み、そのうち、ｐは回路ユニットの最大数を示し、ｃは前記回路ユニットプール中の回路ユニットの総数を示す。

【0215】

回路サンプリングユニット１３１２は、前記初期の確率モデルに基づいて、前記初期の回路ユニットプールに対してＫ回のサンプリングを行い、サンプリングするたびに１グループの回路ユニットを取得して、前記Ｋ個のグループの回路ユニットを得ることに用いられる。

【0216】

回路構造ユニット１３１３は、前記Ｋ個のグループの回路ユニットに基づいて、前記Ｋ個の候補量子回路を構成することに用いられる。

【0217】

例示的な実施例において、図１４に示すように、前記パラメータ更新モジュール１３３０は、勾配計算ユニット１３３１と、モデルパラメータ更新ユニット１３３２と、回路パラメータ更新ユニット１３３３とを含む。

【0218】

勾配計算ユニット１３３１は、前記性能評価指標に基づいて、第１勾配情報及び第２勾配情報を計算することに用いられ、そのうち、前記第１勾配情報は前記確率モデルのモデルパラメータの勾配情報であり、前記第２勾配情報は前記回路ユニットプール中の回路ユニットの回路パラメータの勾配情報である。

【0219】

モデルパラメータ更新ユニット１３３２は、前記第１勾配情報に基づいて前記確率モデルのモデルパラメータを更新して、更新後の確率モデルを得ることに用いられる。

【0220】

回路パラメータ更新ユニット１３３３は、前記第２勾配情報に基づいて前記回路ユニットプール中の回路ユニットの回路パラメータを更新して、更新後の回路ユニットプールを得ることに用いられる。

【0221】

例示的な実施例において、前記性能評価指標はターゲット関数の演算結果である。前記勾配計算ユニット１３３１は、前記ターゲット関数の前記確率モデルのモデルパラメータに対する導関数を計算して、前記第１勾配情報を得て、前記ターゲット関数の前記回路ユニットプール中の回路ユニットの回路パラメータに対する導関数を計算して、前記第２勾配情報を得ることに用いられる。

【0222】

例示的な実施例において、前記性能評価指標はターゲット関数の演算結果である。前記回路評価モジュール１３２０は、前記Ｋ個の候補量子回路の前記ターゲット関数のそれぞれに対応する演算結果を計算して、Ｋ個の演算結果を得て、前記Ｋ個の演算結果に基づいて、前記性能評価指標を得ることに用いられる。

【0223】

例示的な実施例において、前記回路決定モジュール１３４０は、最後の１回に生成した前記Ｋ個の候補量子回路の中から、生成確率が最も高い候補量子回路を決定し、前記生成確率が最も高い候補量子回路を、前記ターゲット量子回路として決定することに用いられる。

【0224】

例示的な実施例において、図１４に示すように、前記装置１３００は、ｉ個目の候補量子回路中のｊ個目の回路ユニットに対して、前記ｊ個目の回路ユニットの前記回路ユニットプール中での位置及び前記ｉ個目の候補量子回路中での位置に基づき、回路パラメータプール中から前記ｊ個目の回路ユニットの回路パラメータを取得することに用いられるパラメータ取得モジュール１３５０をさらに含む。そのうち、前記回路パラメータプール中には前記回路ユニットプール中の各回路ユニットの各充填対象の位置上での回路パラメータが含まれ、ｉはＫ以下の正の整数であり、ｊは正の整数である。

【0225】

例示的な実施例において、図１４に示すように、前記装置１３００は、前記ターゲット量子回路の構造を固定して、且つ前記ターゲット量子回路中に含まれる各回路ユニットの回路パラメータを調整することに用いられるパラメータ調整最適化モジュール１３６０であって、調整停止条件が満たされた場合、パラメータが最適化調整された後の前記ターゲット量子回路を得るパラメータ調整最適化モジュール１３６０をさらに含む。

【0226】

例示的な実施例において、各グループの回路ユニット中に含まれる回路ユニットは繰り返し利用可能である。

【0227】

以上のように、異なるタイプの量子回路設計問題に対して、いずれも本願の技術的解決手段を採用して、相応な問題を解決することに用いられる１つのターゲット量子回路を構築することができ、それにより、異なるタイプの量子回路設計問題が高度に抽象化されて統合され、該解決手段は非常に高い普遍性及び汎用性を有する。

【0228】

また、遺伝的アルゴリズム自体に存在する計算による消費量が大きく、収束が遅いという欠陥に比べて、本願の技術的解決手段はサンプリングにより得られた候補量子回路に対応する性能評価指標を決定して、次に該性能評価指標に基づいてサンプリング方式及び回路ユニットプール中の回路ユニットを同期に更新するだけが必要であり、それにより、性能に優れた候補量子回路を迅速に作製でき、これは計算量を減少させるだけでなく、且つ最終的に決定されたターゲット量子回路の効率も向上させる。

【0229】

図１５に参照されるように、本願の他の実施例が提供する量子回路の決定装置のブロック図が示されている。該装置は上記方法例を実現する機能を有し、前記機能はハードウェアにより実現されてもよく、ハードウェアにより相応なソフトウェアを実行することで実現されてもよい。該装置は上記で紹介したコンピュータ機器であってもよく、コンピュータ機器中に設置されてもよい。図１５に示すように、該装置１５００は、回路ユニット選択モジュール１５１０と、回路パラメータ決定モジュール１５２０と、量子回路構成モジュール１５３０とを含んでもよい。

【0230】

回路ユニット選択モジュール１５１０は、回路ユニットプール中からＮ個の回路ユニットを選択することに用いられ、前記回路ユニットプール中には複数の回路ユニットが含まれ、各回路ユニットは１つのユニタリ行列に対応する等価量子回路であり、Ｎは１より大きい整数である。

【0231】

回路パラメータ決定モジュール１５２０は、前記Ｎ個の回路ユニットのそれぞれに対応する回路パラメータを決定することに用いられ、前記回路パラメータは前記回路ユニットにより実行される操作を定義することに用いられ、且つ前記回路パラメータは更新可能である。

【0232】

量子回路構成モジュール１５３０は、前記Ｎ個の回路ユニット及び前記Ｎ個の回路ユニットのそれぞれに対応する回路パラメータに基づいて、量子回路を構成することに用いられる。

【0233】

例示的な実施例において、前記回路パラメータ決定モジュール１５２０は、前記Ｎ個の回路ユニット中のｉ個目の回路ユニットに対して、前記ｉ個目の回路ユニットの充填対象の位置に基づき、回路パラメータプール中から前記ｉ個目の回路ユニットの回路パラメータを取得することに用いられ、そのうち、前記回路パラメータプール中には前記回路ユニットプール中の各回路ユニットの各充填対象の位置上での回路パラメータが含まれ、ｉはＮ以下の正の整数である。

【0234】

例示的な実施例において、図１６に示すように、前記装置１５００はさらに、評価指標決定モジュール１５４０と、勾配情報計算モジュール１５５０と、回路パラメータ更新モジュール１５６０とを含む。

【0235】

評価指標決定モジュール１５４０は、前記量子回路に対応する性能評価指標を決定することに用いられる。

【0236】

勾配情報計算モジュール１５５０は、前記性能評価指標に基づいて、ターゲット勾配情報を計算することに用いられ、前記ターゲット勾配情報は前記量子回路の回路パラメータの勾配情報である。

【0237】

回路パラメータ更新モジュール１５６０は、前記ターゲット勾配情報に基づいて、前記量子回路の回路パラメータを更新して、更新後の量子回路を得ることに用いられる。

【0238】

例示的な実施例において、前記性能評価指標はターゲット関数の演算結果である。前記勾配情報計算モジュール１５５０は、前記ターゲット関数の前記量子回路の回路パラメータに対する導関数を計算して、前記ターゲット勾配情報を得ることに用いられる。

【0239】

例示的な実施例において、前記Ｎ個の回路ユニット中に含まれる回路ユニットは繰り返し利用可能である。

【0240】

以上のように、本願の実施例が提供する技術的解決手段は、量子回路をユニタリ行列に対応する一連の等価量子回路を積み重ねてなるものとみなすことにより、量子回路を１つずつの回路ユニットに分割し、回路ユニットプールを構築することで選択可能な回路ユニットを提供し、該回路ユニットプール中から回路ユニットを選択して量子回路を構築し、可微分量子アーキテクチャ探索を実現し、普遍性が高く且つ汎用性がある量子回路構築解決手段を提供する。

【0241】

説明するべきものとして、上記実施例が提供する装置は、その機能を実現する時、上記各機能モジュールの分割のみを例にして説明したが、実際の応用において、必要に応じて上記機能を異なる機能モジュールに割り当てて完了させてもよく、すなわち機器の内部構造を異なる機能モジュールに分割して、それにより、上記で記述したすべて又は一部の機能を完了する。また、上記実施例が提供する装置及び方法実施例は共通発想に属し、その具体的な実現過程は方法実施例に詳しく記載されているため、ここでは詳しく説明しない。

【0242】

図１７に参照されるように、本願の一実施例が提供するコンピュータ機器の構造ブロック図が示されている。該コンピュータ機器は上記実施例が提供する量子回路の決定方法を実施することに用いることができる。該コンピュータ機器が古典的なコンピュータであることを例とする。

【0243】

該コンピュータ機器１７００は処理ユニット（例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、中央プロセッサ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、グラフィックスプロセッシングユニット）及びＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ、フィールドプログラマブルゲートアレイ）等）１７０１と、ＲＡＭ（Ｒａｎｄｏｍ－Ａｃｃｅｓｓ Ｍｅｍｏｒｙ、ランダムアクセスメモリ）１７０２及びＲＯＭ（ Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ、リードオンリーメモリ）１７０３を含むシステムメモリ１７０４と、システムメモリ１７０４と中央処理ユニット１７０１を接続するシステムバス１７０５とを含む。該コンピュータ機器１７００は、サーバ内の各デバイスの間に情報を伝送することを助ける基礎入力／出力システム（Ｉｎｐｕｔ Ｏｕｔｐｕｔ Ｓｙｓｔｅｍ、Ｉ／Ｏシステム）１７０６と、オペレーティングシステム１７１３、アプリケーションプログラム１７１４及び他のプログラムモジュール１７１５を記憶することに用いられる大容量記憶機器１７０７とをさらに含む。

【0244】

該基礎入力／出力システム１７０６は、情報を表示することに用いられるディスプレイ１７０８と、ユーザーが情報を入力することに用いられる、例えばマウス、キーボードのような入力機器１７０９とを含む。そのうち、該ディスプレイ１７０８及び入力機器１７０９はいずれもシステムバス１７０５に接続された入力出力制御装置１７１０によって中央処理ユニット１７０１に接続される。該基礎入力／出力システム１７０６は入力出力制御装置１７１０をさらに含んでもよく、キーボード、マウス、又は電子スタイラス等の複数の他の機器からの入力を受信して処理することに用いられる。似たように、入力出力制御装置１７１０はディスプレイスクリーン、印刷機又は他のタイプの出力機器への出力をさらに提供する。

【0245】

該大容量記憶機器１７０７はシステムバス１７０５に接続された大容量記憶制御装置（図示せず）によって中央処理ユニット１７０１に接続される。該大容量記憶機器１７０７及びそれに関連するコンピュータ読み取り可能な媒体はコンピュータ機器１７００に不揮発性記憶を提供する。つまり、該大容量記憶機器１７０７はハードディスク又はＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ、コンパクトディスク読み出し専用メモリ）ドライバ等のコンピュータ読み取り可能な媒体（図示せず）を含んでもよい。

【0246】

一般性を失うことなく、該コンピュータ読み取り可能な媒体はコンピュータ記憶媒体及び通信媒体を含んでもよい。コンピュータ記憶媒体はコンピュータ読み取り可能な命令、データ構成、プログラムモジュール又は他のデータ等の情報を記憶することに用いられる任意の方法又は技術で実現した揮発性及び不揮発性、リムーバブル及び非リムーバブル媒体を含む。コンピュータ記憶媒体はＲＡＭ、ＲＯＭ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ、消去可能読み取り専用メモリ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ、電気的消去可能読み取り専用メモリ）、フラッシュメモリ又は他の固体状態記憶技術、ＣＤ－ＲＯＭ、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｉｄｅｏ Ｄｉｓｃ、高密度デジタルビデオ光ディスク）又は他の光学記憶、磁気カセット、磁気テープ、磁気ディスク記憶又は他の磁気記憶機器を含む。もちろん、当業者であれば分かるように、該コンピュータ記憶媒体は上記いくつかの種類に限定されない。上記システムメモリ１７０４及び大容量記憶機器１７０７はメモリと総称してもよい。

【0247】

本願の実施例によれば、該コンピュータ機器１７００はさらにインターネット等のネットワークによってネットワーク上の遠隔コンピュータに接続して運行できる。すなわち、コンピュータ機器１７００は該システムバス１７０５上に接続されたネットワークインタフェースユニット１７１１によってネットワーク１７１２に接続でき、又は、さらにネットワークインタフェースユニット１７１１を使用して他のタイプのネットワーク又は遠隔コンピュータシステム（図示せず）に接続できる。

【0248】

前記メモリは少なくとも１つの命令、少なくとも１つのプログラム、コードセット又は命令セットをさらに含み、該少なくとも１つの命令、少なくとも１つのプログラム、コードセット又は命令セットはメモリ中に記憶されており、且つ配置することにより１つ又は１つ以上のプロセッサにより実行され、それにより上記量子回路の決定方法を実現する。

【0249】

１つの例示的な実施例において、さらにコンピュータ読み取り可能な記憶媒体を提供しており、前記記憶媒体中には少なくとも１つの命令、少なくとも１つのプログラム、コードセット又は命令セットが記憶されており、前記少なくとも１つの命令、前記少なくとも１つのプログラム、前記コードセット又は命令セットはプロセッサに実行される時に上記量子回路の決定方法を実現する。

【0250】

任意選択的に、該コンピュータ読み取り可能な記憶媒体は、ＲＯＭ（Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ、リードオンリーメモリ）、ＲＡＭ（Ｒａｎｄｏｍ－Ａｃｃｅｓｓ Ｍｅｍｏｒｙ、ランダムアクセスメモリ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅｓ、ソリッドステートドライブ）又は光ディスク等を含んでもよい。そのうち、ランダムアクセスメモリはＲｅＲＡＭ（Ｒｅｓｉｓｔａｎｃｅ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ、抵抗ランダムアクセスメモリ）及びＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ、ダイナミックランダムアクセスメモリ）を含んでもよい。

【0251】

１つの例示的な実施例において、さらにコンピュータプログラム製品又はコンピュータプログラムを提供しており、前記コンピュータプログラム製品又はコンピュータプログラムはコンピュータ命令を含み、前記コンピュータ命令はコンピュータ読み取り可能な記憶媒体中に記憶されている。コンピュータ機器のプロセッサは前記コンピュータ読み取り可能な記憶媒体から前記コンピュータ命令を読み取り、前記プロセッサは前記コンピュータ命令を実行することで、前記コンピュータ機器に上記量子回路の決定方法を実行させる。

【0252】

理解すべきものとして、本明細書中に言及されている「複数」とは２つ又は２つ以上を指す。「及び／又は」は、関連対象の関連関係を記述し、３つの関係が存在する可能性があることを示し、例えば、Ａ及び／又はＢは、Ａが単独に存在する、Ａ及びＢが同時に存在すること、Ｂが単独に存在することの３つの状況を示すことができる。文字「／」は、一般的に、前後関連対象が「又は」の関係であることを示す。また、本明細書中に記述されたステップの番号は、ステップの間の可能な実行順番を例示的に示すものに過ぎず、いくつかの他の実施例において、上記ステップは番号の順序で実行しなくてもよく、例えば、２つの異なる番号のステップは同時に実行したり、又は２つの異なる番号のステップは図示と反対の順序で実行したりしてもよく、本願の実施例はこれに対して限定しない。

【0253】

上記は本願の例示的な実施例に過ぎず、本願を限定することに使用されず、本願の精神及び原則内に行った任意の修正、均等物への置換、改良等であれば、すべて本願の保護範囲内に含まれるべきである。

【符号の説明】

【0254】

１ 回路ユニット
１３００ 装置
１３１０ 回路サンプリングモジュール
１３１１ モデル構築ユニット
１３１２ 回路サンプリングユニット
１３１３ 回路構造ユニット
１３２０ 回路評価モジュール
１３３０ パラメータ更新モジュール
１３３１ 勾配計算ユニット
１３３２ モデルパラメータ更新ユニット
１３３３ 回路パラメータ更新ユニット
１３４０ 回路決定モジュール
１３５０ パラメータ取得モジュール
１３６０ パラメータ調整最適化モジュール
１５００ 装置
１５１０ 回路ユニット選択モジュール
１５２０ 回路パラメータ決定モジュール
１５３０ 量子回路構成モジュール
１５４０ 評価指標決定モジュール
１５５０ 勾配情報計算モジュール
１５６０ 回路パラメータ更新モジュール
１７００ コンピュータ機器
１７０１ 中央処理ユニット
１７０４ システムメモリ
１７０５ システムバス
１７０６ 出力システム
１７０７ 大容量記憶機器
１７０８ ディスプレイ
１７０９ 入力機器
１７１０ 入力出力制御装置
１７１１ ネットワークインタフェースユニット
１７１２ ネットワーク
１７１３ オペレーティングシステム
１７１４ アプリケーションプログラム
１７１５ プログラムモジュール

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】