一种量子卷积操作的实现方法及装置

技术领域

本发明属于量子计算技术领域，特别是一种量子卷积操作的实现方法及装置。

背景技术

量子计算机是一类遵循量子力学规律进行高速数学和逻辑运算、存储及处理量子信息的物理装置。当某个装置处理和计算的是量子信息，运行的是量子算法时，它就是量子计算机。量子计算机因其具有相对普通计算机更高效的处理数学问题的能力，例如，能将破解RSA密钥的时间从数百年加速到数小时，故成为一种正在研究中的关键技术。

在经典计算机领域，卷积神经网络模型可以用于图像识别、自然语言处理、语音识别等领域，旨在提取图像、语言、语音等信息载体中的特征信息。然而，量子计算的技术如何应用于神经网络模型领域亟需探索解决。

发明内容

本发明的目的是提供一种量子卷积操作的实现方法及装置，以解决现有技术中的不足，它能够实现量子计算在卷积神经网络模型领域的应用，以发挥量子计算的并行优势，并补充相关技术的空白。

本申请的一个实施例提供了一种量子卷积操作的实现方法，包括：

获得目标对象的属性信息的第一属性值；

将所述第一属性值输入预先训练完成的量子卷积模型，其中，所述量子卷积模型由包含可变参数的量子线路构建，所述量子线路中第一预设量子逻辑门的第一可变参数的第一参数值由所述第一属性值确定；

运行所述预先训练完成的量子卷积模型，输出所述第一属性值对应的卷积结果。

可选的，所述目标对象包括：图像、自然语言或音频信息。

可选的，所述包含可变参数的量子线路包括：

包含第一预设量子逻辑门的量子态编码子线路，所述量子态编码子线路用于将属性值编码到量子态上；

包含第二预设量子逻辑门的量子纠缠子线路，所述量子纠缠子线路用于关联量子比特的量子态信息；

包含第三预设量子逻辑门的量子卷积核子线路，所述量子卷积核子线路用于提取量子态信息携带的、属性值的特征信息并输出对应的卷积结果；

其中，若所述第二预设量子逻辑门为含有可变参数的预设量子逻辑门，将所述第二预设量子逻辑门作为第一预设量子逻辑门或第三预设量子逻辑门，所述第三预设量子逻辑门的第二可变参数的第二参数值通过迭代更新确定，所述量子态编码子线路、所述量子纠缠子线路、所述量子卷积核子线路中的量子比特数量相同，均为属性值的数量。

可选的，所述预先训练完成的量子卷积模型通过以下方式训练得到：

构建包括量子态编码子线路、量子纠缠子线路和量子卷积核子线路的量子线路；

获得训练对象的属性信息的第二属性值，根据所述第一预设量子逻辑门的种类和所述第二属性值，计算所述量子线路中第一预设量子逻辑门的第一参数值，并初始化所述量子线路中第三预设量子逻辑门的第二参数值；

运行当前量子线路，对当前量子线路输出的量子态进行测量，根据测量结果计算所述第二属性值对应的卷积结果；

将所述卷积结果与预设期望值进行对比，若所述卷积结果未达到预设期望值，利用训练算法对所述第二参数值进行迭代更新，直至计算得到的卷积结果达到预设期望值，其中，所述训练算法包括：梯度下降法、牛顿法、拟牛顿法或共轭梯度法；

将包含迭代更新完成的第二参数值的量子线路，作为训练完成的量子卷积模型。

可选的，所述将所述第一属性值输入预先训练完成的量子卷积模型，包括：

根据所述第一预设量子逻辑门的种类，计算所述第一属性值对应的第一参数值；

将所述第一属性值对应的第一参数值输入包含迭代更新完成的第二参数值的量子线路，得到包含所述第一属性值对应的第一参数值和所述迭代更新完成的第二参数值的量子线路。

可选的，所述运行所述预先训练完成的量子卷积模型，输出所述第一属性值对应的卷积结果，包括：

运行包含所述第一属性值对应的第一参数值和所述迭代更新完成的第二参数值的量子线路，输出第一属性值对应的量子态；

对所述量子线路中预设位量子比特的量子态进行测量，确定测量的量子态为|1>态的概率，作为所述第一属性值对应的卷积结果；

或，对所述量子线路中各量子比特的量子态进行测量，根据测量的各量子态及其概率计算所述第一属性值对应的卷积结果。

可选的，所述根据测量的各量子态及其概率计算所述第一属性值对应的卷积结果，包括：

将每一量子态对应的十进制值与该量子态的概率乘积进行累加，得到所述第一属性值对应的卷积结果。

本申请的又一实施例提供了一种量子卷积操作的实现装置，包括：

数据获得模块，用于获得目标对象的属性信息的第一属性值；

输入确定模块，用于将所述第一属性值输入预先训练完成的量子卷积模型，其中，所述量子卷积模型由包含可变参数的量子线路构建，所述量子线路中第一预设量子逻辑门的第一可变参数的第一参数值由所述第一属性值确定；

运行输出模块，用于运行所述预先训练完成的量子卷积模型，输出所述第一属性值对应的卷积结果。

本申请的又一实施例提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项所述的方法。

本申请的又一实施例提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项所述的方法。

与现有技术相比，本发明通过的一种量子卷积操作的实现方法，首先获得目标对象的属性信息的第一属性值；将第一属性值输入预先训练完成的量子卷积模型，其中，量子卷积模型由包含可变参数的量子线路构建，量子线路中第一预设量子逻辑门的第一可变参数的第一参数值由第一属性值确定；运行预先训练完成的量子卷积模型，输出第一属性值对应的卷积结果，从而实现量子计算在卷积神经网络模型领域的应用，以发挥量子计算的并行优势，并补充相关技术的空白。

附图说明

图1为本发明实施例提供的一种量子卷积操作的实现方法的计算机终端的硬件结构框图；

图2为本发明实施例提供的一种量子卷积操作的实现方法的流程示意图图；

图3为本发明实施例提供的一种包含可变参数的量子线路的结构示意图；

图4为本发明实施例提供的另一种包含可变参数的量子线路的结构示意图；

图5为本发明实施例提供的再一种包含可变参数的量子线路的结构示意图；

图6为本发明实施例提供的一种量子卷积操作的实现装置的结构示意图。

具体实施方式

下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本发明实施例首先提供了一种量子卷积操作的实现方法，该方法可以应用于电子设备，如计算机终端，具体如普通电脑、量子计算机等。

下面以运行在计算机终端上为例对其进行详细说明。图1为本发明实施例提供的一种量子卷积操作的实现方法的计算机终端的硬件结构框图。如图1所示，计算机终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，可选地，上述计算机终端还可以包括用于通信功能的传输装置106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中的量子卷积操作的实现方法对应的程序指令/模块，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

需要说明的是，真正的量子计算机是混合结构的，它包含两大部分：一部分是经典计算机，负责执行经典计算与控制；另一部分是量子设备，负责运行量子程序进而实现量子计算。而量子程序是由量子语言如QRunes语言编写的一串能够在量子计算机上运行的指令序列，实现了对量子逻辑门操作的支持，并最终实现量子计算。具体的说，量子程序就是一系列按照一定时序操作量子逻辑门的指令序列。

在实际应用中，因受限于量子设备硬件的发展，通常需要进行量子计算模拟以验证量子算法、量子应用等等。量子计算模拟即借助普通计算机的资源搭建的虚拟架构(即量子虚拟机)实现特定问题对应的量子程序的模拟运行的过程。通常，需要构建特定问题对应的量子程序。本发明实施例所指量子程序，即是经典语言编写的表征量子比特及其演化的程序，其中与量子计算相关的量子比特、量子逻辑门等等均有相应的经典代码表示。

量子线路作为量子程序的一种体现方式，也称量子逻辑电路，是最常用的通用量子计算模型，表示在抽象概念下对于量子比特进行操作的线路，其组成包括量子比特、线路(时间线)，以及各种量子逻辑门，最后常需要通过量子测量操作将结果读取出来。

不同于传统电路是用金属线所连接以传递电压信号或电流信号，在量子线路中，线路可看成是由时间所连接，亦即量子比特的状态随着时间自然演化，在这过程中按照哈密顿运算符的指示，一直到遇上逻辑门而被操作。

一个量子程序整体上对应有一条总的量子线路，本发明所述量子程序即指该条总的量子线路，其中，该总的量子线路中的量子比特总数与量子程序的量子比特总数相同。可以理解为：一个量子程序可以由量子线路、针对量子线路中量子比特的测量操作、保存测量结果的寄存器及控制流节点(跳转指令)组成，一条量子线路可以包含几十上百个甚至千上万个量子逻辑门操作。量子程序的执行过程，就是对所有的量子逻辑门按照一定时序执行的过程。需要说明的是，时序即单个量子逻辑门被执行的时间顺序。

需要说明的是，经典计算中，最基本的单元是比特，而最基本的控制模式是逻辑门，可以通过逻辑门的组合来达到控制电路的目的。类似地，处理量子比特的方式就是量子逻辑门。使用量子逻辑门，能够使量子态发生演化，量子逻辑门是构成量子线路的基础，量子逻辑门包括单比特量子逻辑门，如Hadamard门(H门，阿达马门)、泡利-X门(X门)、泡利-Y门(Y门)、泡利-Z门(Z门)、RX门、RY门、RZ门等等；两比特或多比特量子逻辑门，如CNOT门、CR门、CZ门、iSWAP门、Toffoli门等等。量子逻辑门一般使用酉矩阵表示，而酉矩阵不仅是矩阵形式，也是一种操作和变换。一般量子逻辑门在量子态上的作用是通过酉矩阵左乘以量子态右矢对应的矩阵进行计算的。

参见图2，图2为本发明实施例提供的一种量子卷积操作的实现方法的流程示意图，可以包括如下步骤：

S201，获得目标对象的属性信息的第一属性值；

具体的，目标对象可以包括但不限于：图像、自然语言或音频信息，例如视频的每一帧图像、单独拍摄的图片、聊天记录的语言文本、语音信息等等，属性信息是指承载和体现目标对象的隐含特征的信息。以图像为例，图像的属性信息包括：像素信息、轮廓信息、颜色信息、标签信息等等，属性值则是属性信息对应的具象化的数据值，例如：像素值、标签值等等。

示例性的，目标对象为图像，属性信息为像素信息，第一属性值为像素值，该图像则可以用具体的数字形式具象化为数据，图像数据为一矩阵，矩阵的每一元素即为像素值。在实际应用中，可以获得图像数据矩阵的特定数量个元素(一元素值即为一像素值)，该特定数量由用户根据具体需求设置。

S202，将所述第一属性值输入预先训练完成的量子卷积模型，其中，所述量子卷积模型由包含可变参数的量子线路构建，所述量子线路中第一预设量子逻辑门的第一可变参数的第一参数值由所述第一属性值确定；

具体的，包含可变参数的量子线路可以包括以下子线路：

包含第一预设量子逻辑门的量子态编码子线路，所述量子态编码子线路用于将属性值编码到量子态上；

包含第二预设量子逻辑门的量子纠缠子线路，所述量子纠缠子线路用于关联量子比特的量子态信息；

包含第三预设量子逻辑门的量子卷积核子线路，所述量子卷积核子线路用于提取量子态信息携带的、属性值的特征信息并输出对应的卷积结果；

其中，预设量子逻辑门的区分以其所属的子线路确定，不以量子逻辑门的类型划分，即：属于量子态编码子线路的量子逻辑门为第一预设量子逻辑门，属于量子纠缠子线路的量子逻辑门为第二预设量子逻辑门，属于量子卷积核子线路的量子逻辑门为第三预设量子逻辑门。

需要说明的是，若第二预设量子逻辑门为含有可变参数的预设量子逻辑门，可以将第二预设量子逻辑门视为第一预设量子逻辑门或第三预设量子逻辑门。并且，第三预设量子逻辑门的第二可变参数的第二参数值可以通过迭代更新确定，量子态编码子线路、量子纠缠子线路、量子卷积核子线路中的量子比特数量相同，均为属性值的数量。

在一种实现方式中，如图3所示为一种可变参数的量子线路的结构示意图，包括：

4个初始态为|0>态的量子比特，对应4个输入的属性值；

组成量子态编码子线路的4个RY门和4个RZ门，共8个第一预设量子逻辑门，其中，RY门包含的旋转角度参数的第一参数值(旋转角度值)，具体可为输入的4个属性值x

组成量子纠缠子线路的4个第二预设量子逻辑门CNOT门，CNOT门的图标用

组成量子卷积核子线路的4个第三预设量子逻辑门U3门，每个U3门包含3个可变的第二参数α、β、γ，如图3中R(α

在另一种实现方式中，如图4所示为另一种可变参数的量子线路的结构示意图，包括：

4个初始态为|0>态的量子比特；

组成量子态编码子线路的4个第一预设量子逻辑门RX门，RX门包含的旋转角度的第一参数值(旋转角度值)，具体可为输入的4个属性值a

同时起到量子纠缠子线路和量子卷积核子线路作用的量子纠缠和卷积核子线路，包括3个受控RZ门和3个受控RX门，该6个预设量子逻辑门均为含有可变参数的预设量子逻辑门，此处均视为第三预设量子逻辑门，对应第二参数值通过迭代更新确定；以及，位于线路末尾的第一位量子比特上的测量操作。

在再一种实现方式中，如图5所示为再一种可变参数的量子线路的结构示意图，包括：

4个初始态为|0>态的量子比特；

组成量子态编码子线路的4个第一预设量子逻辑门RY门，RY门包含的旋转角度的第一参数值，具体可为输入的4个属性值的反正切值；

组成量子纠缠子线路的4个第二预设量子逻辑门，包括1个RX门、1个RZ门和2个CNOT门，RX门和RZ门为含有可变参数的预设量子逻辑门，此处视为第一预设量子逻辑门，对应第一参数值可为对应量子比特位输入的属性值的反正切值；

组成量子卷积核子线路的2个第三预设量子逻辑门，包括1个RY门和1个RX门，对应第二参数值通过迭代更新确定；以及，位于线路末尾的所有量子比特位上的测量操作。

具体的，预先训练完成的量子卷积模型可以通过以下方式训练得到：

S2021，构建包括量子态编码子线路、量子纠缠子线路和量子卷积核子线路的量子线路；

其中，该量子线路由上述实现方式进行构建，且对包含可变参数的量子线路种类、量子逻辑门种类及数量、以及第一参数值的计算方式不做限制。

S2022，获得训练对象的属性信息的第二属性值，根据第一预设量子逻辑门的种类和第二属性值，计算量子线路中第一预设量子逻辑门的第一参数值，并初始化量子线路中第三预设量子逻辑门的第二参数值；

其中，训练对象可与目标对象的类别相同例如均为图像，训练对象的属性信息与目标对象的属性信息一致例如均为像素信息，第二属性值也为像素值(与第一属性值区别在于所属的对象不同，一个对应目标对象，另个对应目标对象)；

第一参数值通过第一预设量子逻辑门和第二属性值计算确定，例如，图3所示RY门的第一参数值为第二属性值的反正切值，RZ门的第一参数值为第二属性值的平方的反正切值；初始的第二参数值可随机初始化确定，也可根据需求设为固定值。

S2023，运行当前量子线路，对当前量子线路输出的量子态进行测量，根据测量结果计算第二属性值对应的卷积结果；

具体的，在第一参数值和第二参数值分别确定后，运行当前量子线路，可以测量第一位量子比特的|1>态的概率，作为测量结果，并直接作为卷积结果；也可以测量所有量子比特的量子态及其概率，作为测量结果，然后根据该测量结果计算对应的卷积结果，例如，将各二进制量子态对应的十进制值(如|0011>对应十进制3)与对应概率的乘积进行累加，累加之和作为卷积结果。

S2024，将卷积结果与预设期望值进行对比，若卷积结果未达到预设期望值，利用训练算法对第二参数值进行迭代更新，直至计算得到的卷积结果达到预设期望值，其中，训练算法可以包括：梯度下降法、牛顿法、拟牛顿法或共轭梯度法；

如果卷积结果未达到预设的期望值，则可以通过常用的训练算法如梯度下降法(更具体可以是反向传播算法)进行训练，以对第二参数值进行迭代更新，直至卷积结果达到预设的期望值，完成训练，得到训练完成的第二参数值。

S2025，将包含迭代更新完成的第二参数值的量子线路，作为训练完成的量子卷积模型。

具体的，将第一属性值输入预先训练完成的量子卷积模型，可以根据第一预设量子逻辑门的种类，计算第一属性值对应的第一参数值；其中，对于第一属性值对应的第一参数值的计算方式与第二属性值同理；

将第一属性值对应的第一参数值输入包含迭代更新完成的第二参数值的量子线路，得到包含所述第一属性值对应的第一参数值和迭代更新完成的第二参数值的量子线路。

S203，运行所述预先训练完成的量子卷积模型，输出所述第一属性值对应的卷积结果。

具体的，可以运行包含第一属性值对应的第一参数值和迭代更新完成的第二参数值的量子线路，输出第一属性值对应的量子态；

对所述量子线路中预设位量子比特的量子态进行测量，确定测量的量子态为|1>态的概率，作为所述第一属性值对应的卷积结果；其中，预设位量子比特与训练过程中测量的量子比特位相同，可以为第一位量子比特；

或者，对量子线路中各量子比特的量子态进行测量，根据测量的各量子态及其概率计算第一属性值对应的卷积结果，具体可以将每一量子态对应的十进制值与该量子态的概率乘积进行累加，得到第一属性值对应的卷积结果。需要说明的是，此处卷积结果的计算方法与训练过程中采用的卷积结果的计算方法保持一致。

本领域技术人员可以理解的是，在实际应用中，一次卷积操作能够提取目标对象中的部分隐含的特征信息，可以通过多层卷积叠加提取目标对象的最终卷积结果。量子卷积操作只需根据卷积特征提取的覆盖范围即卷积核的范围中的输入数据数量(输入的属性值数量)申请相同数量的量子比特(数量为n)，然后构建量子线路并进行训练，采用训练好的量子线路对经典数据进行卷积操作，只需将数据编码到量子态，然后通过量子线路进行量子态演化和测量得到单次的卷积结果，此量子操作的复杂度可以达到O(log(n))，从而很大程度的提高卷积计算的效率。

可见，通过获得目标对象的属性信息的第一属性值；将第一属性值输入预先训练完成的量子卷积模型，其中，量子卷积模型由包含可变参数的量子线路构建，量子线路中第一预设量子逻辑门的第一可变参数的第一参数值由第一属性值确定；运行预先训练完成的量子卷积模型，输出第一属性值对应的卷积结果，从而实现量子计算在卷积模型领域的应用，以发挥量子计算的并行优势，并补充相关技术的空白。

参见图6，图6为本发明实施例提供的一种金融交易数据中协整对的量子查找装置的结构示意图，与图2所示的流程相对应，所述装置包括：

数据获得模块601，用于获得目标对象的属性信息的第一属性值；

输入确定模块602，用于将所述第一属性值输入预先训练完成的量子卷积模型，其中，所述量子卷积模型由包含可变参数的量子线路构建，所述量子线路中第一预设量子逻辑门的第一可变参数的第一参数值由所述第一属性值确定；

运行输出模块603，用于运行所述预先训练完成的量子卷积模型，输出所述第一属性值对应的卷积结果。

具体的，所述目标对象包括：图像、自然语言或音频信息。

具体的，所述包含可变参数的量子线路包括：

包含第一预设量子逻辑门的量子态编码子线路，所述量子态编码子线路用于将属性值编码到量子态上；

包含第二预设量子逻辑门的量子纠缠子线路，所述量子纠缠子线路用于关联量子比特的量子态信息；

包含第三预设量子逻辑门的量子卷积核子线路，所述量子卷积核子线路用于提取量子态信息携带的、属性值的特征信息并输出对应的卷积结果；

其中，若所述第二预设量子逻辑门为含有可变参数的预设量子逻辑门，将所述第二预设量子逻辑门作为第一预设量子逻辑门或第三预设量子逻辑门，所述第三预设量子逻辑门的第二可变参数的第二参数值通过迭代更新确定，所述量子态编码子线路、所述量子纠缠子线路、所述量子卷积核子线路中的量子比特数量相同，均为属性值的数量。

具体的，所述预先训练完成的量子卷积模型通过以下方式训练得到：

构建包括量子态编码子线路、量子纠缠子线路和量子卷积核子线路的量子线路；

获得训练对象的属性信息的第二属性值，根据所述第一预设量子逻辑门的种类和所述第二属性值，计算所述量子线路中第一预设量子逻辑门的第一参数值，并初始化所述量子线路中第三预设量子逻辑门的第二参数值；

运行当前量子线路，对当前量子线路输出的量子态进行测量，根据测量结果计算所述第二属性值对应的卷积结果；

将所述卷积结果与预设期望值进行对比，若所述卷积结果未达到预设期望值，利用训练算法对所述第二参数值进行迭代更新，直至计算得到的卷积结果达到预设期望值，其中，所述训练算法包括：梯度下降法、牛顿法、拟牛顿法或共轭梯度法；

将包含迭代更新完成的第二参数值的量子线路，作为训练完成的量子卷积模型。

具体的，所述输入确定模块，具体用于：

根据所述第一预设量子逻辑门的种类，计算所述第一属性值对应的第一参数值；

将所述第一属性值对应的第一参数值输入包含迭代更新完成的第二参数值的量子线路，得到包含所述第一属性值对应的第一参数值和所述迭代更新完成的第二参数值的量子线路。

具体的，所述运行输出模块，包括：

运行单元，用于运行包含所述第一属性值对应的第一参数值和所述迭代更新完成的第二参数值的量子线路，输出第一属性值对应的量子态；

测量单元，用于对所述量子线路中预设位量子比特的量子态进行测量，确定测量的量子态为|1>态的概率，作为所述第一属性值对应的卷积结果；

或，对所述量子线路中各量子比特的量子态进行测量，根据测量的各量子态及其概率计算所述第一属性值对应的卷积结果。

具体的，所述根据测量单元，具体用于：

将每一量子态对应的十进制值与该量子态的概率乘积进行累加，得到所述第一属性值对应的卷积结果。

可见，通过获得目标对象的属性信息的第一属性值；将第一属性值输入预先训练完成的量子卷积模型，其中，量子卷积模型由包含可变参数的量子线路构建，量子线路中第一预设量子逻辑门的第一可变参数的第一参数值由第一属性值确定；运行预先训练完成的量子卷积模型，输出第一属性值对应的卷积结果，从而实现量子计算在卷积模型领域的应用，以发挥量子计算的并行优势，并补充相关技术的空白。

本发明实施例还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

具体的，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：

S1，获得目标对象的属性信息的第一属性值；

S2，将所述第一属性值输入预先训练完成的量子卷积模型，其中，所述量子卷积模型由包含可变参数的量子线路构建，所述量子线路中第一预设量子逻辑门的第一可变参数的第一参数值由所述第一属性值确定；

S3，运行所述预先训练完成的量子卷积模型，输出所述第一属性值对应的卷积结果。

具体的，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。

本发明实施例还提供了一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。

具体的，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

具体的，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

S1，获得目标对象的属性信息的第一属性值；

S2，将所述第一属性值输入预先训练完成的量子卷积模型，其中，所述量子卷积模型由包含可变参数的量子线路构建，所述量子线路中第一预设量子逻辑门的第一可变参数的第一参数值由所述第一属性值确定；

S3，运行所述预先训练完成的量子卷积模型，输出所述第一属性值对应的卷积结果。

以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果，以上所述仅为本发明的较佳实施例，但本发明不以图面所示限定实施范围，凡是依照本发明的构想所作的改变，或修改为等同变化的等效实施例，仍未超出说明书与图示所涵盖的精神时，均应在本发明的保护范围内。