用于对数据进行量子处理的系统和方法技术方案

多种系统、方法和方面及其实施例涉及与使用非量子处理器的非监督或半监督特征学习。为了实现非监督或半监督特征学习，该量子处理器被编程以在一个或多个数据集上实现层次化深度学习(称为HDL)。多种系统和方法在一个或多个数据集中或者跨数据或数据集搜索、解析并检测多个最大重复模式。多个实施例和方面涉及使用稀疏编码来检测在数据中或者跨数据的多个最大重复模式。稀疏编码的多个示例包括L0和L1稀疏编码。一些实现方式可能涉及将多个标签附加、结合或附接于多个字典元素或者一个或多个字典的构成元素。在标签与被加标签的该元素之间可能存在逻辑关联，从而使得该非监督或半监督特征学习的过程跨越了这些元素和该结合的、附接的或附加的标签两者。

【技术实现步骤摘要】
【国外来华专利技术】背景领域本披露总体上涉及分析数据，例如，使用量子处理器进行非监督或半监督的特征学习。超导量子位人们在考虑将多种不同的硬件和软件途径用于量子计算机中。一种硬件途径使用了超导材料(如铝和/或铌)形成的集成电路来定义超导量子位。根据用于对信息进行编码的物理特性，超导量子位可以被分为几个类别。例如，它们可以被分为电荷、通量与相位器件。电荷器件以该器件的电荷状态来存储和处理信息；通量器件以与通过该器件的某个部分的磁通量相关的一个变量来存储和处理信息；并且相位器件以与该相位器件的两个区域之间的超导相位差相关的一个变量来存储和处理信息。在本领域中已经实现了许多不同形式的超导通量量子位，但是所有成功的实现方式总体上包括一个超导回路(即，一个“量子位环路”)，该超导回路被至少一个约瑟夫逊结中断。一些实施例实现了或者串联或者并联连接的多个约瑟夫逊结(即，复合约瑟夫逊结)，而一些实施例实现了多个超导回路。量子处理器量子处理器可以采取超导量子处理器的形式。超导量子处理器可以包括多个量子位以及多个相关联的局部偏置器件，例如两个或更多个超导量子位。超导量子处理器还可以采用在量子位之间提供通信性耦合的多个耦合器件(即，“耦合器”)。在美国专利7,533,068、美国专利8,008,942、美国专利公开2008-0176750、美国专利公开2009-0121215、以及PCT专利公开2009-120638(现在是美国公开2011-0022820)中描述了可以与本方法结合使用的多个示例性量子处理器的进一步细节及实施例。绝热量子计算绝热量子计算典型地涉及通过逐渐改变哈密尔顿算子来将一个系统从一个已知的初始哈密尔顿算子(该哈密尔顿算子是一个运算符，它的本征值是该系统所允许的能量)演算到一个最终的哈密尔顿算子。一个绝热演算的简单示例是：He＝(1-s)Hi+sHf其中，Hi是初始哈密尔顿算子，Hf是最终哈密尔顿算子，He是演算或瞬态哈密尔顿算子，并且s是控制演算速率的一个演算系数。随着系统的演算，系数s从0到1，这样使得在开始时(即，s＝0)演算哈密尔顿算子He等于初始哈密尔顿算子Hi，并且在结束时(即，s＝1)演算哈密尔顿算子He等于最终的哈密尔顿算子Hf。在演算开始之前，典型地将系统初始化为处于初始哈密尔顿算子Hi的一个基态中，并且目标是使系统进行演算的方式为使得在演算结束时该系统结束在最终的哈密尔顿算子Hf的一个基态中。如果该演算太快，则该系统能够被激发到一个更高的能态，例如第一激发态。在本方法中，“绝热”演算被认为是满足以下绝热条件的一种演算：s.|<1|dHe/ds|0>|=δg2(s)]]>其中，是s的时间导数，g(s)是作为s的一个函数的系统的基态与第一激发态之间的能量差值(在此还被称为“间隙大小”)，并且δ是远远小于1的一个系数。绝热量子计算中的演算过程有时可被称为退火。s变化的速率(有时被称为演算或退火进度)通常是足够慢的以便使该系统在演算过程中总是处于演算哈密尔顿算子的瞬时基态中，并且避免了在反交叉处(即，当该间隙大小是最小的时候)的转变。在美国专利号7,135,701和7,418,283中描述了关于绝热量子计算系统、方法及装置的进一步细节。量子退火量子退火是一种计算方法，该方法可以被用于找出一个系统的低能态，典型地优选是基态。与经典的退火概念相类似，该方法所依赖的本质性原理在于自然系统趋向于低能态，因为低能态是更加稳定的。然而，尽管经典退火使用经典的热波动将一个系统引导到它的全局能量最小值，但量子退火可以使用量子效应(如量子隧道效应)来比经典退火更精确和/或更快速地达到一个全局能量最小值。已知对于一个难题(如组合优化问题)的解可被编码到一个系统哈密尔顿算子的基态中并且因此量子退火可被用于寻找此类难题的解。绝热量子计算是量子退火的一种特殊情况，对于量子退火该系统在理想情况下对于整个绝热演算开始于并保持在它的基态中。因此，在本领域中的技术人员应理解量子退火方法总体上可在一台绝热量子计算机上实现，反之亦然。贯穿本说明书以及所附的权利要求书，任何提及对量子退火之处均旨在包含绝热量子计算，除非上下文中另有要求。量子退火是在退火过程中使用量子力学来作为一个无序化源的一种算法。最优化问题被编码在一个哈密尔顿算子HP中，并且该算法通过增加一个与HP不进行交换的无序化哈密尔顿算子HD来引入强的量子波动。一个示例的情形为：HE＝HP+ΓHD其中，Γ在演算过程中从一个大的值变化到基本上为0，并且HE可以被认为是与以上在绝热量子计算的背景下描述的He相类似的一个演算哈密尔顿算子。通过去掉HD(即，减小Γ)来缓慢地去掉这种无序化。因此，由于该系统以一个初始哈密尔顿算子开始，并且通过一个演算哈密尔顿算子演算到一个最终的“问题”哈密尔顿算子HP(它的基态对于该问题的一个解进行编码)，所以量子退火与绝热量子计算是相类似的。如果该演算是足够慢的，那么该系统将典型地进入一个接近该精确解的局部最小值。这种计算的性能可以通过与演算时间相对比的残余能量(与使用目标函数的精确解之间的距离)来进行评估。该计算的时间是生成在某个可接受的阈值以下的一个残余能量所需要的时间。在量子退火中，HP可以编码一个最优化问题，并且因此HP在编码该解的这些量子位的子空间中可以是对角的，但是该系统不一定始终都保持在这种基态中。HP的能量形态可以是精心设计的，这样使得它的全局最小值是有待被求解的问题的答案，并且处于低位的多个局部最小值是多个良好的近似。在量子退火中Γ的逐步减小可以遵循被称为是退火进度的一个限定的进度。与绝热量子计算的传统形式(其中系统开始于并且在整个演算过程中保持在它的基态中)不同，在量子退火中，系统在整个退火进度过程中也许不保持在它的基态中。这样，量子退火可以实现为一种启发式技术，其中，具有的能量靠近基态能量的低能态可以提供对该问题的近似解。二次无约束二元优化问题二次无约束二元优化(“QUBO”)问题是离散优化问题的形式，该问题涉及寻找将以下形式的目标函数最小化的具有N个二元变量的集{xi本文档来自技高网...

【技术保护点】
一种通过层次化深度学习(HDL)使用量子处理器来标识数据中的多个最大重复模式的方法，该方法包括：在一个非量子处理器处接收具有多个数据元素的一个数据集；通过该非量子处理器基于该数据集将一个目标函数公式化，其中，该目标函数包括一个损耗项以使该数据集的第一表示与该数据集的第二表示之间的差异最小化，并且包括一个正则项以使该目标函数中的任何复杂性最小化；使用该非量子处理器将该目标函数中的一个第一权重集安排为多个变量；使用该非量子处理器针对该目标函数的字典设置一个第一值集，其中，该字典的该第一值集包括一个具有多个列的实值矩阵，每一列定义一个对应于在该量子处理器中的一个量子位的向量，其中，对应于在该量子处理器中的多个不连通的量子位的这些向量中的任何向量是彼此正交的；并且通过该非量子处理器与该量子处理器进行交互以使该目标函数最小化。

【技术特征摘要】
【国外来华专利技术】2013.06.28 US 61/841,129;2013.09.03 US 61/873,3031.一种通过层次化深度学习(HDL)使用量子处理器来标识数据中的多个最大
重复模式的方法，该方法包括：
在一个非量子处理器处接收具有多个数据元素的一个数据集；
通过该非量子处理器基于该数据集将一个目标函数公式化，其中，该目标函数包
括一个损耗项以使该数据集的第一表示与该数据集的第二表示之间的差异最小化，并
且包括一个正则项以使该目标函数中的任何复杂性最小化；
使用该非量子处理器将该目标函数中的一个第一权重集安排为多个变量；
使用该非量子处理器针对该目标函数的字典设置一个第一值集，其中，该字典的
该第一值集包括一个具有多个列的实值矩阵，每一列定义一个对应于在该量子处理器
中的一个量子位的向量，其中，对应于在该量子处理器中的多个不连通的量子位的这
些向量中的任何向量是彼此正交的；并且
通过该非量子处理器与该量子处理器进行交互以使该目标函数最小化。
2.如权利要求1所述的方法，其中，将一个目标函数公式化包括当该正则项是
由一个L0-范数形式支配时将该目标函数公式化。
3.如权利要求1所述的方法，其中，将一个目标函数公式化包括当该正则项是
由一个L1-范数形式支配时将该目标函数公式化。
4.如权利要求1所述的方法，其中，该正则项包括一个正则化参数，并且将一
个目标函数公式化包括为该正则化参数选择一个值以控制该目标函数的稀疏度。
5.如权利要求1所述的方法，其中，在一个非量子处理器处接收具有多个数据
元素的一个数据集包括接收图像数据和音频数据。
6.如权利要求1所述的方法，其中，通过该非量子处理器与该量子处理器进行
交互以使该目标函数最小化包括：
基于该字典的该第一值集针对在该目标函数中的这些权重的该第一值集优化该
目标函数。
7.如权利要求6所述的方法，其中，针对这些权重的一个第一值集优化该目标
函数包括将该目标函数映射到一个第一二次无约束二元优化(“QUBO”)问题并且使
用该量子处理器来至少近似地使该第一QUBO问题最小化，其中，使用该量子处理
器来至少近似地使该第一QUBO问题最小化包括使用该量子处理器来执行绝热量子
计算或量子退火中的至少一项。
8.如权利要求6所述的方法，其中，通过该非量子处理器与该量子处理器进行
交互以使该目标函数最小化进一步包括基于该字典的一个第二值集针对这些权重的
一个第二值集优化该目标函数，其中，针对这些权重的一个第二值集优化该目标函数
包括将该目标函数映射到一个第二QUBO问题并且使用该量子处理器来至少近似地
将该第二QUBO问题最小化。
9.如权利要求6所述的方法，其中，通过该非量子处理器与该量子处理器进行
交互以使该目标函数最小化进一步包括基于这些权重的该第一值集针对该字典的一
个第二值集优化该目标函数，其中，针对该字典的一个第二值集优化该目标函数包括
使用该非量子处理器来更新该字典的这些值中的至少一些值。
10.如权利要求9所述的方法，其中，通过该非量子处理器与该量子处理器进行
交互以使该目标函数最小化进一步包括基于这些权重的该第二值集针对该字典的一
个第三值集优化该目标函数，其中，针对该字典的一个第三值集优化该目标函数包括
使用该非量子处理器来更新该字典的这些值中的至少一些值。
11.如权利要求10所述的方法，进一步包括：
基于该字典的该第三值集针对这些权重的一个第t值集优化该目标函数，其中，
t是一个大于2的整数，其中，针对这些权重的一个第t值集优化该目标函数包括将
该目标函数映射到一个第t个QUBO问题并且使用该量子处理器来至少近似地使该第
t个QUBO问题最小化；并且
基于这些权重的该第t值集针对该字典的一个第(t+1)值集优化该目标函数，其
中，针对该字典的一个第(t+1)值集优化该目标函数包括使用该非量子处理器来更
新该字典的这些值中的至少一些值。
12.如权利要求11所述的方法，该方法进一步包括基于该字典的该第(t+1)值
集针对这些权重的一个第(t+1)值集优化该目标函数，其中，针对这些权重的一个
第(t+1)值集优化该目标函数包括将该目标函数映射到一个第(t+1)个QUBO问题
并且使用该量子处理器来至少近似地使该第(t+1)个QUBO问题最小化。
13.如权利要求11所述的方法，其中，针对t的增值，重复基于这些权重的该
第t值集针对该字典的一个第(t+1)值集优化该目标函数以及基于该字典的该第(t+1)
值集针对这些权重的一个第(t+1)值集优化该目标函数，直到至少一个解标准被满
足。
14.如权利要求13所述的方法，其中，该至少一个解标准包括或者收敛这些权
重的该值集或者收敛该字典的该值集。
15.如权利要求1所述的方法，其中，使该目标函数最小化包括在一个学习问题
中生成多个特征。
16.如权利要求15所述的方法，其中，在一个学习问题中生成多个特征包括在
以下问题的至少一个问题中生成多个特征：模式识别问题、训练人工神经网络问题以
及软件验证与确认问题。
17.如权利要求15所述的方法，其中，在一个学习问题中生成多个特征包括在
机器学习问题或应用人工智能中的至少一者中生成多个特征。
18.如权利要求1所述的方法，其中，使该目标函数最小化包括求解一个稀疏最
小二乘问题。
19.如权利要求1所述的方法，其中，设置该目标函数的该字典的一个第一值集
包括：
生成一个实值矩阵，其中，该矩阵的每个条目是正一与负一之间的一个随机数；
对该矩阵的每一列进行再归一化从而使得每一列的范数等于1；并且
针对该矩阵的每一列，
计算该列的零空间；并且
用该列的该零空间基中的一列随机条目替换该列。
20.如权利要求1所述的方法，其中，使用该非量子处理器将该目标函数中的一
个第一权重集安排为多个变量包括使用该非量子处理器将一个第一权重集安排为多
个布尔变量。
21.如权利要求1所述的方法，进一步包括：
将由至少一个标签元素构成的至少一个标签结合到该数据集中，其中，该至少一
个标签表示标签信息，该标签信息至少在一个抽象级别或类别上逻辑地标识在该数据
集中表示的一个主体，在该数据集中表示的该主体属于该抽象级别或类别。
22.如权利要求21所述的方法，其中，结合至少一个标签包括结合表示标签信
息的至少一个标签，该标签信息将在该数据集中表示的该主体逻辑地标识为字母数字
字符、限定的人类集的所有物、交通工具的制造商和/或型号、限定的对象集、限定
的外来或可疑对象或者解剖特征类型中的至少一者。
23.如权利要求21所述的方法，其中，结合至少一个标签包括结合表示标签信
息的至少一个标签，并且该标签信息是与相应的数据元素相同的类型。
24.如权利要求21所述的方法，其中，在一个非量子处理器处接收具有多个数
据元素的一个数据集包括接收被表达为图像数据的一个数据集，并且该结合的至少一
个标签元素包括图像数据。
25.如权利要求24所述的方法，其中，将由至少一个标签元素构成的至少一个
标签结合到该数据集中包括结合由至少一个标签元素构成的至少一个标签，该至少一
个标签元素包括图像数据，并且该标签元素的空间位置至少部分地编码该标签信息。
26.如权利要求21所述的方法，其中，将一个目标函数公式化包括基于该数据
集和该结合的至少一个标签两者将一个目标函数公式化。
27.如权利要求1所述的方法，其中，在一个非量子处理器处接收具有多个数据
元素的一个数据集包括接收被表达为不同数据类型或格式的一个数据集。
28.如权利要求1所述的方法，其中，该目标函数为以下形式：
G(W^,D^;λ)=Σs=1S||z→s-ΣKk=1wksd→k||2+λΣs=1SΣk=1Kwks.]]>29.一种通过层次化深度学习(HDL)来标识数据中的多个最大重复模式的系统，

\t该系统包括：
一个量子处理器；
一个与该量子处理器通信地耦合的非量子处理器；以及
一个包括多条处理器可执行指令的处理器可读存储介质，用于：
在一个非量子处理器处接收具有多个数据元素的一个数据集；
通过该非量子处理器基于该数据集将一个目标函数公式化，其中，该目标函
数包括一个损耗项以使该数据集的第一表示与该数据集的第二表示之间的差异最小
化，并且包括一个正则项以使该目标函数中的任何复杂性最小化；
使用该非量子处理器将该目标函数中的一个第一权重集安排为多个变量；
使用该非量子处理器针对该目标函数的字典设置一个第一值集，其中，该字
典的该第一值集包括一个具有多个列的实值矩阵，每一列定义一个对应于在该量子处
理器中的一个量子位的向量，其中，对应于在该量子处理器中的多个不连通的量子位
的这些向量中的任何向量是彼此正交的；并且
通过该非量子处理器与该量子处理器进行交互以使该目标函数最小化。
30.一种通过层次化深度学习(HDL)来标识数据中的多个最大重复模式的方法，
该方法包括：
在一个非量子处理器处接收具有多个带标签的数据元素的一个带标签的数据集，
每个带标签的数据元素结合由至少一个标签元素构成的至少一个标签；
通过该非量子处理器基于该带标签的数据集将一个目标函数公式化；并且
通过该非量子处理器与一个量子处理器进行交互以通过以下方式使该目标函数
最小化：
使用该非量子处理器将该目标函数中的一个权重集安排为多个布尔变量；
使用该非量子处理器设置一个字典的一个第一值集；并且
基于该字典的该第一值集针对这些布尔权重的一个第一值集优化该目标函

\t数。
31.如权利要求30所述的方法，其中，针对这些布尔权重的一个第一值集优化
该目标函数包括将该目标函数映射到一个第一二次无约束二元优化(“QUBO”)问题
并且使用一个量子处理器来至少近似地使该第一QUBO问题最小化，其中，使用该
量子处理器来至少近似地使该第一QUBO问题最小化包括使用该量子处理器来执行
绝热量子计算或量子退火中的至少一项。
32.如权利要求31所述的方法，进一步包括基于这些布尔权重的该第一值集针
对该字典的一个第二值集优化该目标函数，其中，针对该字典的一个第二值集优化该
目标函数包括使用该非量子处理器来更新该字典的这些值中的至少一些值。
33.如权利要求31所述的方法，进一步包括基于该字典的该第二值集针对这些
布尔权重的一个第二值集优化该目标函数，其中，针对这些布尔权重的一个第二值集
优化该目标函数包括将该目标函数映射到一个第二QUBO问题并且使用该量子处理
器来至少近似地使该第二QUBO问题最小化。
34.如权利要求33所述的方法，进一步包括基于这些布尔权重的该第二值集针
对该字典的一个第三值集优化该目标函数，其中，针对该字典的一个第三值集优化该
目标函数包括使用该非量子处理器来更新该字典的这些值中的至少一些值。
35.一种处理器可读存储介质，包括多条处理器可执行指令，这些指令用于：
在一个非量子处理器处接收具有多个数据元素的一个数据集；
通过该非量子处理器基于该数据集将一个目标函数公式化，其中，该目标函数包
括一个损耗项以使该数据集的第一表示与该数据集的第二表示之间的差异最小化，以
及一个正则项以使该目标函数中的任何复杂性最小化；
使用该非量子处理器将该目标函数中的一个第一权重集安排为多个变量；
使用该非量子处理器针对该目标函数的字典设置一个第一值集，其中，该字典的
该第一值集包括一个具有多个列的实值矩阵，每一列定义一个对应于在该量子处理器
中的一个量子位的向量，其中，对应于在该量子处理器中的多个不连通的量子位的这
些向量中的任何向量是彼此正交的；并且
通过该非量子处理器与该量子处理器进行交互以使该目标函数最小化。
36.一种自动地对数据加标签的方法，该方法包括：
接收在至少一个处理器可读存储介质中的无标签数据；
通过至少一个处理器对所接收到的无标签数据使用稀疏编码来学习具有多个字
典原子的一个字典；
接收在该至少一个处理器可读存储介质中的多个带标签的数据元素，每个带标签
的数据元素结合由至少一个对应的标签元素构成的至少一个对应的标签；
通过至少一个处理器使用该字典重构该带标签的数据以生成多个经编码的带标
签的数据元素；
通过至少一个处理器使用这些经编码的带标签的数据元素执行一个监督学习过
程以产生分类器或标签分配器中的至少一者；并且
将所产生的至少一个分类器或标签分配器存储在该至少一个处理器可读存储介
质中。
37.如权利要求36所述的方法，其中，通过至少一个处理器执行一个监督学习
过程包括执行感知算法、k最近邻居(kNN)算法或者具有L1和L2损耗的线性支持
向量机(SVM)算法中的至少一个算法。
38.如权利要求36所述的方法，其中，接收在该至少一个处理器可读存储介质
中的多个带标签的数据元素包括接收多个带标签的图像数据元素，每个带标签的图像

\t数据元素结合由至少一个对应的图像标签元素构成的至少一个对应的标签。
39.如权利要求36所述的方法，其中，接收在该至少一个处理器可读存储介质
中的多个带标签的数据元素包括接收各自具有一个特定的数据类型或格式的多个带
标签的数据元素，并且每个带标签的数据元素具有与所接收到的对应的标签元素相同
的特定的数据类型或格式。
40.一种通过层次化深度学习(HDL)使用量子处理器来标识数据中的多个最大
重复模式的方法，该方法包括：
在一个非量子处理器处接收具有多个数据元素的一个数据集；
通过该非量子处理器基于该经预处理的数据集将一个目标函数公式化，其中，该
目标函数包括一个损耗项以使该经预处理的数据集的第一表示与该经预处理的数据
集的第二表示之间的差异最小化，并且包括一个正则项以使该目标函数中的任何复杂
性最小化；
使用该非量子处理器将该目标函数中的一个第一权重集安排为多个变量；
使用该非量子处理器设置该目标函数的字典的一个第一值集，其中，该字典的该
第一值集受约束从而使得该目标函数与该量子处理器的连通性结构相匹配；并且
通过该非量子处理器与该量子处理器进行交互以使该目标函数最小化。
41.如权利要求40所述的方法，其中，将一个目标函数公式化包括当该正则项
是由一个L0-范数形式支配时将该目标函数公式化。
42.如权利要求40所述的方法，其中，将一个目标函数公式化包括当该正则项
是由一个L1-范数形式支配时将该目标函数公式化。
43.如权利要求40所述的方法，其中，该正则项包括一个正则化参数，并且将

\t一个目标函数公式化包括为该正则化参数选择一个值以控制该目标函数的稀疏度。
44.如权利要求40所述的方法，其中，在一个非量子处理器处接收具有多个数
据元素的一个数据集包括接收图像数据和音频数据。
45.如权利要求40所述的方法，其中，通过该非量子处理器与该量子处理器进
行交互以使该目标函数最小化包括：
基于该字典的该第一值集针对在该目标函数中的这些权重的该第一值集优化该
目标函数。
46.如权利要求45所述的方法，其中，针对这些权重的一个第一值集优化该目
标函数包括将该目标函数映射到一个第一二次无约束二元优化(“QUBO”)问题并且
使用该量子处理器来至少近似地使该第一QUBO问题最小化，其中，使用该量子处
理器来至少近似地使该第一QUBO问题最小化包括使用该量子处理器来执行绝热量
子计算或量子退火中的至少一项。
47.如权利要求45所述的方法，其中，通过该非量子处理器与该量子处理器进
行交互以使该目标函数最小化进一步包括基于该字典的一个第二值集针对这些权重
的一个第二值集优化该目标函数，其中，针对这些权重的一个第二值集优化该目标函
数包括将该目标函数映射到一个第二QUBO问题并且使用该量子处理器来至少近似
地将该第二QUBO问题最小化。
48.如权利要求45所述的方法，其中，通过该非量子处理器与该量子处理器进
行交互以使该目标函数最小化进一步包括基于这些权重的该第一值集针对该字典的
一个第二值集优化该目标函数，其中，针对该字典的一个第二值集优化该目标函数包
括使用该非量子处理器来更新该字典的这些值中的至少一些值。
49.如权利要求48所述的方法，其中，通过该非量子处理器与该量子处理器进
行交互以使该目标函数最小化进一步包括基于这些权重的该第二值集针对该字典的
一个第三值集优化该目标函数，其中，针对该字典的一个第三值集优化该目标函数包
括使用该非量子处理器来更新该字典的这些值中的至少一些值。
50.如权利要求49所述的方法，进一步包括：
基于该字典的该第三值集针对这些权重的一个第t值集优化该目标函数，其中，
t是一个大于2的整数，其中，针对这些权重的一个第t值集优化该目标函数包括将
该目标函数映射到一个第t个QUBO问题并且使用该量子处理器来至少近似地使该第
t个QUBO问题最小化；并且
基于这些权重的该第t值集针对该字典的一个第(t+1)值集优化该目标函数，其
中，针对该字典的一个第(t+1)值集优化该目标函数包括使用该非量子处理器来更
新该字典的这些值中的至少一些值。
51.如权利要求50所述的方法，该方法进一步包括基于该字典的该第(t+1)值
集针对这些权重的一个第(t+1)值集优化该目标函数，其中，针对这些权重的一个
第(t+1)值集优化该目标函数包括将该目标函数映射到一个第(t+1)个QUBO问题
并且使用该量子处理器来至少近似地使该第(t+1)个QUBO问题最小化。
52.如权利要求50所述的方法，其中，针对t的增值，重复基于这些权重的该
第t值集针对该字典的一个第(t+1)值集优化该目标函数以及基于该字典的该第(t+1)
值集针对这些权重的一个第(t+1)值集优化该目标函数，直到至少一个解标准被满
足。
53.如权利要求52所述的方法，其中，该至少一个解标准包括或者收敛这些权

\t重的该值集或者收敛该字典的该值集。
54.如权利要求40所述的方法，其中，使该目标函数最小化包括在一个学习问
题中生成多个特征。
55.如权利要求54所述的方法，其中，在一个学习问题中生成多个特征包括在
以下问题的至少一个问题中生成多个特征：模式识别问题、训练人工神经网络问题以
及软件验证与确认问题。
56.如权利要求54所述的方法，其中，在一个学习问题中生成多个特征包括在
机器学习问题或应用人工智能中的至少一者中生成多个特征。
57.如权利要求40所述的方法，其中，使该目标函数最小化包括求解一个稀疏
最小二乘问题。
58.如权利要求40所述的方法，其中，设置该目标函数的该字典的一个第一值
集包括：
生成一个实值矩阵，其中，该矩阵的每个条目是正一与负一之间的一个随机数；
对该矩阵的每一列进行再归一化从而使得每一列的范数等于1；并且
针对该矩阵的每一列，
计算该列的零空间；并且
用该列的该零空间基中的一列随机条目替换该列。
59.如权利要求40所述的方法，其中，使用该非量子处理器将该目标函数中的
一个第一权重集安排为多个变...

【专利技术属性】
技术研发人员：乔迪·罗斯，苏珊娜·吉尔德特，威廉·G·麦克雷迪，多米尼克·克里斯托夫·瓦利曼，
申请(专利权)人：D波系统公司，
类型：发明
国别省市：加拿大;CA