【技术实现步骤摘要】
本申请涉及人工智能、量子计算领域，尤其涉及一种用于伊辛机的多层前馈神经网络训练方法及系统。
技术介绍
1、目前训练深度神经网络的巨大计算花销已成为人工智能发展的关键瓶颈。传统基于梯度的反向传播训练方法遇到了梯度消失、陷入局部最优等诸多问题，这一训练方式需要大量的图形处理器(graphic processing unit，gpu)来高效地更新模型。而伊辛机(ising machines)作为专用的量子计算机，已经实现了大量的自旋位数，展现了在伊辛机上训练神经网络的潜在可能性。
2、目前为止，伊辛机已经被用于一些机器学习任务，如支持向量机的训练和聚类模型的训练等。同时，在神经网络领域，伊辛机可以用来训练玻尔兹曼机(boltzmannmachine)和动态能量网络(dynamical energy network)，而这两类网络都不属于前馈网络。由于前馈网络的强大表示能力、快速推理能力和灵活连接结构，多层前馈网络是在工业中应用最多的神经网络类型。现有伊辛机在对神经网络进行训练的过程中算法所占用量子自旋位数较多，使得伊辛机计算量大且...
【技术保护点】
1.一种用于伊辛机的多层前馈神经网络训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将多层前馈量化神经网络的监督学习建模为二次有约束二值优化问题，包括：
3.根据权利要求2所述的方法，其特征在于，所述不等式约束包括针对每一层激活前、激活后值的同号约束以及满足边界条件时的约束。
4.根据权利要求2所述的方法，其特征在于，所述优化变量包括：所述量化神经网络中每一层的量化权重、每一层的量化偏置、每一层激活前的值、每一层激活后的值、样本的预测值。
5.根据权利要求2所述的方法，其特征在于，所述...
【技术特征摘要】
1.一种用于伊辛机的多层前馈神经网络训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将多层前馈量化神经网络的监督学习建模为二次有约束二值优化问题，包括：
3.根据权利要求2所述的方法，其特征在于，所述不等式约束包括针对每一层激活前、激活后值的同号约束以及满足边界条件时的约束。
4.根据权利要求2所述的方法，其特征在于，所述优化变量包括：所述量化神经网络中每一层的量化权重、每一层的量化偏置、每一层激活前的值、每一层激活后的值、样本的预测值。
5.根据权利要求2所述的方法，其特征在于，所述基于所述二次有约束二值优化问题构造增广拉格朗日函数，对所述增广拉格朗日函数降次，转化为二次无约束二值优化问题，包括：
6.根据权利要求5所述的方法，其特征在于，所述针对所述二次有约束二值优化问题中的目标函数和约束条件，构造增广拉格朗日函数，包括：
7....
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。