MindQuantum自定义损失函数训练量子线路

最新推荐文章于 2023-09-21 09:52:44 发布

Waikikilick

最新推荐文章于 2023-09-21 09:52:44 发布

阅读量211

点赞数

分类专栏：量子神经网络 MindQuantum 文章标签： python 机器学习

本文链接：https://blog.csdn.net/qq_41827983/article/details/125603244

版权

MindQuantum 同时被 2 个专栏收录

18 篇文章 3 订阅

订阅专栏

量子神经网络

17 篇文章 4 订阅

订阅专栏

MindQuantum 自定义损失函数训练量子线路

MindQuantum 的默认优化方式是将目标哈密顿量期望值最小化，但这种方法有时不能满足我们的需求。下面通过一个简单的例子，展示如何通过自定义损失函数，来使网络能够按照我们的希望进行优化。

案例是将一个 RX 门作用在初始化为 $|0\rangle$ 的比特 0 上，目标哈密顿量为 Z0，如果采用 MindQuantum 的默认优化方式，即，使得目标哈密顿量的期望值最小，则最终的量子态将为 $|1\rangle$ 。我们将通过自定义损失函数的方式，让线路的最终量子态为 $|0\rangle$ ，以与默认方式的结果相区别。（如果仅仅要制备 $|0\rangle$ ，在默认优化方式下，可通过仅仅将目标哈密顿量变为 -Z0 就可以做到，但换成其他任务就不一定这么简单了）

下面展示了默认优化方式的结果，可见最终量子态确为 $|1\rangle$ 。

from mindquantum import *
import mindspore as ms
from mindspore import nn
from mindspore.nn import Adam, TrainOneStepCell, LossBase
ms.context.set_context(mode=ms.context.PYNATIVE_MODE, device_target="CPU")

enc = Circuit().rx('a', 0)
ham = Hamiltonian(QubitOperator('Z0'))
sim = Simulator('projectq', 1)
grad_ops = sim.get_expectation_with_grad(ham, enc,
                                         ansatz_params_name=enc.params_name)
QuantumNet = MQAnsatzOnlyLayer(grad_ops)

opti = Adam(QuantumNet.trainable_params(), learning_rate=0.5)     # 需要优化的是Quantumnet中可训练的参数，学习率设为0.5
net = TrainOneStepCell(QuantumNet, opti)

for i in range(200):
    res = net()
    if i % 20 == 0:
        print(i, ': ', res)

print('\nRX 门的参数为：', QuantumNet.weight.asnumpy()[0])

0 :  [0.99999654]
20 :  [-0.89450353]
40 :  [-0.9850887]
60 :  [-0.9969106]
80 :  [-0.99999183]
100 :  [-0.9999487]
120 :  [-0.9999958]
140 :  [-0.9999998]
160 :  [-1.]
180 :  [-1.]
RX 门的参数为： [3.1415367]

下面采用自定义损失函数的方式，制备 $|0\rangle$ 态。读者可参考如何在 MindSpore 下自定义损失函数和 WithLossCell 的方法。

from mindquantum import *
import numpy as np
import mindspore as ms
from mindspore import nn
from mindspore.nn import Adam, TrainOneStepCell, LossBase
ms.context.set_context(mode=ms.context.PYNATIVE_MODE, device_target="CPU")

enc = Circuit().rx('a', 0)
ham = Hamiltonian(QubitOperator('Z0'))
sim = Simulator('projectq', 1)
grad_ops = sim.get_expectation_with_grad(ham, enc,
                                         ansatz_params_name=enc.params_name)
QuantumNet = MQAnsatzOnlyLayer(grad_ops)

class MyLoss(LossBase):
    def __init__(self, reduction='mean'):
        super(MyLoss, self).__init__(reduction)

    def construct(self, logits):
        out = 1 - logits
        return self.get_loss(out)

class MyWithLossCell(nn.Cell):
   def __init__(self, backbone, loss_fn):
       super(MyWithLossCell, self).__init__(auto_prefix=False)
       self._backbone = backbone
       self._loss_fn = loss_fn

   def construct(self):
       out = self._backbone()
       return self._loss_fn(out)

   @property
   def backbone_network(self):
       return self._backbone

loss = MyLoss()
net_with_criterion = MyWithLossCell(QuantumNet, loss)
opti = Adam(QuantumNet.trainable_params(), learning_rate=0.5)     # 需要优化的是Quantumnet中可训练的参数，学习率设为0.5
net = TrainOneStepCell(net_with_criterion, opti)

for i in range(200):
    res = net()
    if i % 20 == 0:
        print(i, ': ', res)

print('\nRX 门的参数为：', QuantumNet.weight.asnumpy()[0])

0 :  0.000187397
20 :  0.0087457895
40 :  7.867813e-06
60 :  1.2755394e-05
80 :  2.5868416e-05
100 :  1.6093254e-06
120 :  2.3841858e-07
140 :  5.9604645e-08
160 :  0.0
180 :  0.0

RX 门的参数为： 1.4877803e-05