【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。