用于经典机器学习的量子增强特征制造技术

提供了促进用于经典机器学习的量子增强特征的系统和技术

【技术实现步骤摘要】
【国外来华专利技术】用于经典机器学习的量子增强特征

技术介绍

[0001]本公开涉及机器学习，并且更具体地涉及用于经典机器学习的量子增强特征
。
[0002]量子计算已经在解决经典难以处理的计算问题方面显示出前景
。
目前，现有技术的量子计算设备被认为是有噪声的中等规模量子
(Noisy Intermediate
‑
Scale Quantum
，
NISQ)
设备
。
这种量子计算设备实施了少量的易出错量子比特，少于在物理量子比特的当前错误率下实施单个逻辑量子比特的纠错所需要的数百或数千个
。
不幸的是，容错的
、
纠错的量子计算机的完全实现将需要实施数千或甚至数百万个物理量子比特的设备
。
因此，现有技术的量子计算设备还不能支持足够的量子比特来解决许多经典难以处理的感兴趣的计算问题
。
实际上，因为量子计算处于起步阶段，所以成熟的经典计算技术仍然广泛用于各种

。
迄今为止，量子计算研究主要集中于物理地构建可以实施更大数量的量子比特的量子计算设备
。
相比之下，有限的量子计算研究集中在如何利用现有量子计算设备来改进经典计算技术的性能
。
因此，本专利技术人已经观察到，可以解决该技术问题的系统和
/
或技术可能是期望的
。

技术实现思路

[0003]以下给出了概述以提供对本专利技术的一个或多个实施例的基本理解<br/>。
本概述不旨在识别关键或重要元素，或描述特定实施例的任何范围或权利要求的任何范围
。
其唯一目的是以简化形式呈现概念，作为稍后呈现的更详细描述的序言
。
在本文描述的一个或多个实施例中，描述了可以促进用于经典机器学习的量子增强特征的设备
、
系统
、
计算机实施的方法
、
装置和
/
或计算机程序产品
。
[0004]根据一个或多个实施例，提供了一种系统
。
该系统可以包括可以存储计算机可执行组件的存储器
。
该系统还可以包括处理器，该处理器可以操作地耦合到存储器并且可以执行存储在存储器中的计算机可执行组件
。
在各种实施例中，计算机可执行组件可以包括可以访问经典数据集的接收器组件
。
在各个方面，计算机可执行组件还可以包括特征组件，该特征组件可以基于经典数据集的量子变换来生成一个或多个机器学习输入特征
。
在各种实施例中，计算机可执行组件还可以包括转换组件，该转换组件可以将经典数据集转换为量子概率幅度的集合
。
在各种示例中，计算机可执行组件还可以包括量子组件，该量子组件可以对量子概率幅度的集合执行量子电路，从而产生经典数据集的量子变换
。
在各种情况下，计算机可执行组件还可以包括执行组件，该执行组件可以对一个或多个机器学习输入特征执行经典机器学习模型
。
[0005]根据一个或多个实施例，上述系统可以被实施为计算机实施的方法和
/
或计算机程序产品
。
[0006]根据一个或多个实施例，提供了一种系统
。
该系统可以包括可以存储计算机可执行组件的存储器
。
该系统还可以包括处理器，该处理器可以操作地耦合到存储器并且可以执行存储在存储器中的计算机可执行组件
。
在各种实施例中，计算机可执行组件可以包括接收器组件，该接收器组件可以接收来自操作者设备的经典时间序列数据集
。
在各个方面，
计算机可执行组件还可以包括特征组件，该特征组件可以基于经典时间序列数据集的量子变换来生成一个或多个量子增强机器学习输入特征
。
在各种实施例中，计算机可执行组件还可以包括转换组件，该转换组件可以基于经典时间序列数据集来生成量子概率幅度
。
在各种示例中，计算机可执行组件还可以包括量子组件，该量子组件可以对量子概率幅度执行量子算法，从而产生经典时间序列数据集的量子变换
。
在各种情况下，计算机可执行组件还可以包括执行组件，该执行组件可以向操作者设备发送一个或多个量子增强机器学习输入特征
。
[0007]根据一个或多个实施例，上述系统可以被实施为计算机实施的方法和
/
或计算机程序产品
。
附图说明
[0008]图1示出了根据本文描述的一个或多个实施例的促进用于经典机器学习的量子增强特征的示例性非限制性的系统的框图
。
[0009]图2‑3示出了根据本文描述的一个或多个实施例的包括促进用于经典机器学习的量子增强特征的量子概率幅度的示例性非限制性的系统的框图
。
[0010]图4‑5示出了根据本文描述的一个或多个实施例的包括促进用于经典机器学习的量子增强特征的量子电路和结果量子概率幅度的示例性非限制性的系统的框图
。
[0011]图6示出了根据本文描述的一个或多个实施例的示例性非限制性的量子电路图
。
[0012]图7‑8示出了根据本文描述的一个或多个实施例的包括促进用于经典机器学习的量子增强特征的增强机器学习输入特征的示例性非限制性的系统的框图
。
[0013]图9示出了根据本文描述的一个或多个实施例的示例性非限制性的框图，其示出了如何可以实际地利用用于经典机器学习的量子增强特征
。
[0014]图
10
示出了根据本文描述的一个或多个实施例的促进用于经典机器学习的量子增强特征的示例性非限制性的计算机实施的方法的流程图
。
[0015]图
11
示出了根据本文描述的一个或多个实施例的包括促进用于经典机器学习的量子增强特征的可视化组件的示例性非限制性的系统的框图
。
[0016]图
12
示出了根据本文描述的一个或多个实施例的包括促进用于经典机器学习的量子增强特征的操作者设备的示例性非限制性的系统的框图
。
[0017]图
13
‑
14
示出了根据本文描述的一个或多个实施例的促进用于经典机器学习的量子增强特征的示例性非限制性的计算机实施的方法的流程图
。
[0018]图
15
示出了可以促进本文描述的一个或多个实施例的示例性非限制性的操作环境的框图
。
[0019]图
16
示出了根据本文描述的一个或多个实施例的示例性非限制性的云计算环境
。
[0020]图
17
示出了根据本文描述的一个或多个实施例的示例性非限制性的抽象模型层
。
具体实施方式
[0021]以下详细描述本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.
一种系统，包括：处理器，所述处理器执行存储在计算机可读存储器中的计算机可执行组件，所述计算机可执行组件包括：接收器组件，所述接收器组件访问经典数据集；以及特征组件，所述特征组件基于所述经典数据集的量子变换来生成一个或多个机器学习输入特征
。2.
根据前一权利要求所述的系统，其中，所述计算机可执行组件还包括：执行组件，所述执行组件对所述一个或多个机器学习输入特征执行经典机器学习模型
。3.
根据前述权利要求中任一项所述的系统，其中，所述计算机可执行组件还包括：转换组件，所述转换组件将所述经典数据集转换为量子概率幅度的集合；以及量子组件，所述量子组件对所述量子概率幅度的集合执行量子电路，从而产生所述经典数据集的所述量子变换
。4.
根据前一权利要求所述的系统，其中，所述量子电路是量子傅立叶变换
。5.
根据前述权利要求中任一项所述的系统，其中，所述计算机可执行组件还包括：可视化组件，所述可视化组件视觉地渲染所述经典数据集和所述一个或多个机器学习输入特征两者
。6.
根据前述权利要求中任一项所述的系统，其中，所述经典数据集包括时间序列数据
。7.
根据前述权利要求中任一项所述的并且具有权利要求3的特征的系统，其中，所述量子电路在包括物理量子比特的量子计算设备上执行
。8.
根据前一权利要求所述的系统，其中，所述量子组件与量子计算设备电子地集成
。9.
根据前述权利要求中任一项所述的并且具有权利要求3的特征的系统，其中，所述量子概率幅度的集合共同地表示量子态向量
。10.
根据前一权利要求所述的并且具有权利要求7的特征的系统，其中，所述量子组件被配置为在所述量子计算设备上执行任何合适的初始化电路，以便根据所述量子态向量来放置所述量子计算设备的所述量子比特的所述状态
。11.
一种计算机实施的方法，包括：通过操作地耦合到处理器的设备访问经典数据集；以及由所述设备基于所述经典数据集的量子变换来生成一个或多个机器学习输入特征
。12.
根据前一权利要求所述的计算机实施的方法，还包括：由所述设备对所述一个或多个机器学习输入特征执行经典机器学习模型
。13.
根据前述两项权利要求中任一项所述的计算机实施的方法，还包括：由所述设备将所述经典数据集转换为量子概率幅度的集合；以及由所述设备对所述量子概率幅度的集合执行量子电路，从而产生所述经典数据集的所述量子变换
。14.
根据前一权利要求所述的计算机实施的方法，其中，所述量子电路是量子傅里叶变换
。15.
根据前述四项权利要求中任一项所述的计算机实施的方法，还包括：由所述设备视觉地渲染所述经典数据集和所述一个或多个机器学习输入特征两者
。
16.
根据前述五项权利要求中任一项所述的计算机实施的方法，其中，所述经典数据集包括时间序列数据
。17.
根据前述六项权利要求中任一项所述的并且具有权利要求
13
的特征的计算机实施的方法，其中，所述量子电路在包括物理量子比特的量子计算设备上执行
。18.
一种用于促进用于经典机器学习的量子增强特征的计算机程序产品，所述计算机程序产品包括具有与其一起体现...

【专利技术属性】
技术研发人员：N，
申请(专利权)人：国际商业机器公司，
类型：发明
国别省市：