专利交易市场

本发明涉及基于生物分子的量子点计算机系统，所述系统包括生物分子运算器、生物分子控制器、生物分子存储器、生物分子指令集组件、生物分子量子点计算机总线和生物分子量子点计算机I/O接口；生物分子运算器，包括多个可进行并行运算的生物分子运算器单元，内部有大量的DNA分子、RNA分子、蛋白质分子和酶，以生物分子的物理态或化学态作为量子态，通过生物分子的生物化学反应、聚合酶链式反应和基因调控实现可逆的量子计算和并行运算。本发明利用生物分子物理态或化学态的双向变迁，实现量子信息的计算和存储，耗电更低，发热量小，计算速度快，存储容量大，还能够利用生物分子化学反应自动检测故障、自动定位、自我复制和修复故障部件。

本发明涉及基于石墨烯的量子点计算机系统，包括石墨烯量子点运算器、石墨烯量子点控制器、石墨烯量子点存储器、石墨烯量子点指令集组件、量子点计算机总线和量子点计算机I/O接口；石墨烯量子点运算器通过石墨烯量子点的量子位元操作完成可逆的量子算术和逻辑运算；石墨烯量子点控制器包括时序单元、调度单元、用户指令地址存储单元、结果检测单元、数据检验单元和用户指令预判断单元；石墨烯量子点存储器包括呈阵列排列的存储单元和存储单元地址寻址单元。本发明利用石墨烯量子点的物理态双向变迁，实现量子信息的计算和存储，具备较快的计算速度和较大的存储容量；本发明的石墨烯量子点不容易受到外界干扰而产生消相干现象，提高了量子态稳定性。

本发明涉及基于无机化合物分子的量子点计算机系统，所述系统包括无机化合物分子运算器、无机化合物分子控制器、无机化合物分子存储器、分子指令集组件、量子点计算机总线和量子点计算机I/O接口；无机化合物分子运算器包括多个可进行并行运算的无机化合物分子运算器单元，内部有大量的无机化合物分子、原子、离子和电子，以无机化合物分子的物理态或化学态作为量子态，通过无机化合物化学反应或配体置换反应实现可逆的量子计算、量子信息存储和传输。本发明所述量子计算机，耗电更低，计算速度快，存储容量大，还能够通过无机化合物化学反应或配体置换反应自动检测故障、自动定位、自我复制和修复故障部件。

本发明公开了一种基于中等规模有噪声量子计算机(NISQ)的量子位交互拓扑结构及其映射方法，所述拓扑结构的最小单元为一阶蜂巢，所述一阶蜂巢的中心和各顶点位置用于放置量子逻辑线路中的各量子位，所述拓扑结构以一阶蜂巢为最小单元进行拓扑形成L阶蜂巢结构，利用蜂巢结构来增加量子线路逻辑映射过程中最近邻量子位的总对数，降低了所有非近邻的量子位交互时插入交换门的数量，同时利用映射方法来初始化各量子位在拓扑结构中的位置，进一步降低了在实际量子物理线路运行过程中需要插入交换门的数量。

本发明提供了一种隐形传态对量子映射的优化方法，属于隐形传态对量子映射的技术领域。解决了现有的近邻化需要额外插入SWAP门或者桥门以及增加了量子电路错误率的技术问题。其技术方案为：在两个不近邻的量子位之间构建量子通讯信道和经典通讯信道，使得量子设备的拓扑图上将量子位的状态互相传输，从而实现量子位近邻化；通过隐形传态直接将不近邻的量子位近邻，无需插入额外的SWAP门或者桥门，SWAP门本身就会导致错误率，减少SWAP门也从侧面减少了错误率。本发明的有益效果为：通过隐形传态，在两个不近邻的量子位之间构建量子通讯信道和经典通讯信道，使得量子设备的拓扑图上将量子位的状态互相传输，实现量子位近邻化。

本发明公开了一种基于支持向量机的量子分类器，包括：将SVM的优化问题转化为等价的线性代数问题；利用量子特征映射将数据存储在量子态上，从而允许量子计算机处理数据分析；提出量子矩阵求逆算法来求解线性代数问题，构建量子分类器，实现数据分类；本发明将传统方案与量子算法相结合，发挥量子计算的优势，提高支持向量机在处理复杂问题的训练速度并保证计算准确性，从而突破传统方案的瓶颈问题。

本发明提供了一种分布式量子计算中传输代价的优化方法，属于分布式量子计算中传输代价的优化技术领域。解决了分布式量子计算中子系统用于接收并存储其他系统传输的量子态的量子存储位消耗过大问题以及分布式量子计算整体传输代价过高的技术问题。其技术方案为：包括以下步骤：S1、存储模式建立；S2、构建跨门合并传输模型；S3、基于合并传输模型的传输代价优化算法。本发明的有益效果为：本发明优化后的合并传输模型，与合并传输模型相比，不影响计算结果的门加入到传输列表中，使得不连续门的量子位也能通过一次传输完成，从而降低传输代价。

本发明公开了一种量子迁移学习方法，包括以下步骤：（1）获取Flowers Recognition花卉识别数据集和Animal‑10动物‑10数据集的数据并进行预处理；（2）构建ResNet18量子迁移学习模型和ResNet34量子迁移学习模型即在ResNet18网络和ResNet34网络中分别引入量子卷积神经网络模块；（3）分别对ResNet18量子迁移学习模型和ResNet34量子迁移学习模型进行训练，并与原有ResNet18和ResNet34模型进行对比；本发明将量子计算与迁移学习相融合，使得量子迁移学习模型能够取得比经典模型更好的性能或者速度。