MindQuantum 自定义损失函数和目标标签训练部分量子线路
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。
案例是将两个 RX
门作用在初始化为
∣
0
⟩
|0\rangle
∣0⟩ 的比特 0 上,其中一个的值是指定的,另一个是变分的,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
⟩
|1\rangle
∣1⟩。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
⟩
|0\rangle
∣0⟩,以与默认方式的结果相区别。(如果仅仅要制备
∣
0
⟩
|0\rangle
∣0⟩, 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 ⟩ |1\rangle ∣1⟩。
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)
# sim.set_qs(np.array([0,1]))
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 : [0.99986804]
20 : [-0.8914195]
40 : [-0.9845511]
60 : [-0.996968]
80 : [-0.99999636]
100 : [-0.9999503]
120 : [-0.99999547]
140 : [-0.99999976]
160 : [-1.]
180 : [-1.]
RX 门的参数为: 3.1415355
下面采用自定义损失函数的方式,制备 ∣ 0 ⟩ |0\rangle ∣0⟩ 态。因量子态 ∣ 0 ⟩ |0\rangle ∣0⟩ 的期望值为 1,所以我们将目标标签设置为 Tensor([1])。而非变分部分的值,我们指定为 π / 2 \pi/2 π/2。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, ops, Tensor
from mindspore.nn import Adam, TrainOneStepCell, LossBase
ms.context.set_context(mode=ms.context.PYNATIVE_MODE, device_target="CPU")
encoder = Circuit().rx('theta_0', 0)
encoder.no_grad()
ansatz = Circuit().rx('theta_1', 0)
circ = encoder + ansatz
ham = Hamiltonian(QubitOperator('Z0'))
sim = Simulator('projectq', 1)
grad_ops = sim.get_expectation_with_grad(ham, circ,
encoder_params_name=encoder.params_name,
ansatz_params_name=ansatz.params_name)
QuantumNet = MQLayer(grad_ops)
class MyLoss(LossBase):
def __init__(self, reduction='mean'):
super(MyLoss, self).__init__(reduction)
self.abs = ops.Abs()
def construct(self, logits, label):
out =self.abs(logits - label)
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, x, label):
out = self._backbone(x)
return self._loss_fn(out, label)
@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(Tensor([[np.pi/2]]), Tensor([1.]))
if i % 20 == 0:
print(i, ': ', res)
print('\nRX 门的参数为:', QuantumNet.weight.asnumpy()[0])
[WARNING] DEBUG(8884,7f4762a54740,python):2022-07-06-07:19:22.313.909 [mindspore/ccsrc/debug/debugger/debugger.cc:95] Debugger] Not enabling debugger. Debugger does not support CPU.
0 : 0.9735574
20 : 0.002192676
40 : 0.0044816732
60 : 0.00027894974
80 : 0.00012224913
100 : 1.603365e-05
120 : 8.940697e-07
140 : 0.0
160 : 0.0
180 : 0.0
RX 门的参数为: -1.5706801