CN101657827A - 用于自动图像识别的系统、方法及装置 - Google Patents
用于自动图像识别的系统、方法及装置 Download PDFInfo
- Publication number
- CN101657827A CN101657827A CN200880012343A CN200880012343A CN101657827A CN 101657827 A CN101657827 A CN 101657827A CN 200880012343 A CN200880012343 A CN 200880012343A CN 200880012343 A CN200880012343 A CN 200880012343A CN 101657827 A CN101657827 A CN 101657827A
- Authority
- CN
- China
- Prior art keywords
- quantum
- associated graphic
- image
- query image
- diagrammatic representation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B82—NANOTECHNOLOGY
- B82Y—SPECIFIC USES OR APPLICATIONS OF NANOSTRUCTURES; MEASUREMENT OR ANALYSIS OF NANOSTRUCTURES; MANUFACTURE OR TREATMENT OF NANOSTRUCTURES
- B82Y10/00—Nanotechnology for information processing, storage or transmission, e.g. quantum computing or single electron logic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/196—Recognition using electronic means using sequential comparisons of the image signals with a plurality of references
- G06V30/1983—Syntactic or structural pattern recognition, e.g. symbolic string recognition
- G06V30/1988—Graph matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Nanotechnology (AREA)
- Chemical & Material Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computational Mathematics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
通过实施多个关联图形与一个量子处理器改进自动图像识别的精确度以及计算时间的一种方法。
Description
相关申请的交叉引用
本申请根据37C.F.R.119(e)要求对于2007年4月19日提交的、发明名称为“用于自动图像识别的系统、方法及装置”的美国临时专利申请序列号60/912,904的权益,该专利申请通过引用全文结合在此。
技术领域
本系统、方法及装置涉及在来自图像数据库的一幅图像(如面部图像)的自动识别中的一种量子处理器的实现方式。
背景技术
在1936年由Alan Turing描述的图灵机是一种理论上的计算系统。能够有效地模拟任何其他图灵机的一台图灵机被称为通用图灵机(UTM)。丘奇-图灵理论陈述了任何实际的计算模型或者具有一个UTM的等效运算能力或者具有其运算能力的一个子集。
一台量子计算机是利用一种或者多种量子效应进行计算的任何物理系统。能够有效地模拟任何其他量子计算机的一台量子计算机被称为通用量子计算机(UQC)。
在1981年,Richard P.Feynman提出量子计算机能够比一台UTM更加有效地用于求解某些计算问题,并且因此使得丘奇-图灵理论无效。例如,参见理论物理国际期刊(1982)第21卷467-488页,Feynman R.P.的“Simulaing Physics with Computers”。例如,Feynman指出一台量子计算机能够被用于模拟某些其他量子系统,从而允许所模拟的量子系统与使用一台UTM所可能的情况相比成指数级地更快地计算某些特性。
量子计算的途径
对于量子计算机的设计及运作存在几种通用的途径。这种途径之一是量子计算的“电路模型”。在这种途径中,通过多个逻辑门序列对量子位起作用,这些逻辑门序列是一种算法的已编排的代表。电路模型量子计算机对实际的实现方式有几种严重的障碍。在该电路模型中,所要求的是多个量子位在比单一门时间长得多的时间周期上保持相干。这种要求的出现是因为电路模型量子计算机要求被统称为量子误差校正的运作来进行运算。在没有电路模型量子计算机的这些量子位能够在单一门时间的1000倍数量级的时间周期上保持量子相干时,就不能够进行量子误差校正。大量研究工作一直集中于开发具有足以形成电路模型量子计算机的基本信息单元的相干性的量子位。例如,参见arXiv.org:quant-ph/0005003(2001)第1-27页,Shor,P.W.的“Introduction toQuantum Algorithms”。本领域仍然受阻于不能够使量子位的相干性提高到用于设计并运行实际电路模型量子计算机的可接受的水准。
量子计算的另一个途径涉及将多个耦合的量子系统的一个系统的自然物理演算用作一个计算系统。该途径并不是关键性地利用量子门与量子电路。相反,从一个已知的初始化哈密尔顿算子开始,它依赖于多个耦合的量子系统的一种系统的被引导的物理演算,其中有待解决的问题已按该系统的哈密尔顿算子进行编码,这样使得耦合的量子系统的该系统的最终状态包含了与有待解决的问题的答案相关的信息。该途径并不要求长的量子位相干时间。此类途径的实例包括绝热量子计算、群集-状态量子计算、单向量子计算、量子退火及经典退火,并且在如arXiv.org:quant-ph/0201031(2002)第1-16页,Farhi,E.等人的“QuantumAdiabatic Evolution Algorithms versus Simulated Annealing”中进行了描述。
量子位
如前所述,量子位能被用作用于量子计算机的基本信息单元。如同在UTM中的位一样,量子位可以指至少两个完全不同的量值;一个量子位可以指在其中存储信息的一个实际的物理装置,并且它还可以指从其物理装置抽象出的信息单位本身。量子位的实例包括量子粒子、原子、电子、光子、离子、等等。
量子位推广了一个经典数字位的概念。一个经典的信息存储装置能够对两个离散的状态进行编码,这两种离散的状态典型地被标记为“0”和“1”。这两个离散的状态在物理上由该经典的信息存储装置的两个不同的并可区别的物理状态来代表,如磁场、电流或电压的方向或强度,其中对该位的状态进行编码的量值根据经典物理学的定律来表现。一个量子位也包含两个离散的物理状态,它们也可被标记为“0”和“1”。这两个离散状态在物理上是由量子信息存储装置的两个不同的并可区别的物理状态来代表,如磁场、电流或者电压的方向或强度,其中对该位的状态进行编码的量值根据量子物理学的定律来表现。如果存储这些状态的物理量值按量子力学方式来表现,则该装置能够额外地被置于一种0和1的叠加中。也就是说,该量子位能够同时存在于“0”和“1”的状态中,并且因此能够对两个状态同时进行一个计算。总之,N个量子位能够处于2N个状态的叠加之中。量子算法利用了该叠加特性来加速某些计算。
在标准的标记法中,一个量子位的基本状态被称为|0>与|1>状态。在量子计算的过程中,一个量子位的状态总体上是多个基础状态的一种叠加,这样该量子位具有占据该|0>基础状态的一个非零概率以及占据该|1>基础状态的一个同时的非零概率。在数学上,多个基础状态的叠加是指该量子位的整体状态(它用|Ψ>来代表)具有|Ψ>=a|0>+b|1>的形式,其中a和b分别是对应于概率|a|2与|b|2的系数。系数a和b各自具有实部与虚部,这就允许该量子位的相位被表征出。一个量子位的量子性质在很大程度上是从其在多个基础状态的一种相干叠加中存在并且使该量子位的状态具有一个相位的能力中衍生出来的。当一个量子位与脱散源充分地隔离开时,该量子位将保持这种作为多个基础状态的一种相干叠加而存在的能力。
为了使用一个量子位来完成一个计算,对该量子位的状态进行测量(即,读出)。典型地,当进行该量子位的测量时,该量子位的量子性质暂时瓦解并且多个基础状态的叠加缩减为|0>基础状态或|1>基础状态,并因此重新获得它与一个常规位的相似性。该量子位在它瓦解以后的实际状态直接取决于在该读出运作之前的概率|a|2和|b|2。
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。一种硬件途径使用超导材料(如铝或者铌)形成的集成电路。设计和制造超导集成电路所涉及的技术和工艺在某些方面与用于常规集成电路的技术和工艺相似。
超导量子位是可以包括在一个超导集成电路中的一种类型的超导装置。例如,典型的超导量子位具有可拓展性的优点,并且总体上根据物理性能而被分类,用于对信息进行编码的这些物理性能包括(例如)电荷与相位装置、相位或通量装置、混合装置、等等。根据用于对信息进行编码的物理性能,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装置、通量装置与相位装置,如Makhlin等人2001年在Reviews of Modern Physics 73第357-400页中所讨论的。电荷装置在该装置的电荷状态中对信息进行存储并操作,其中基本电荷由称为库珀对的电子对构成。一个库珀对具有2e的电荷并且由两个电子构成,这两个电子由(例如)一个声子相互作用连接在一起。参见例如剑桥大学出版社的剑桥(2000)第343-345页,Nielsen与Chuang的Quantum Computationand Quantum Information。通量装置在与通过该装置的某个部分的磁通量相关的一个变量内存储信息。相位装置在与该相位装置的两个区域之间的超导相位差相关的一个变量内存储信息。近来已经开发了使用两种或更多种电荷、通量与相位自由度的混合装置。例如,参见美国专利号6,838,694以及美国专利号7,335,909。
可使用的通量量子位的实例包括rf-SQUID,它们包括由一个约瑟夫逊节或一个复合结(其中一个单独的约瑟夫逊节由两个并联的约瑟夫逊节取代)间断的一个超导环路;或者持续电流量子位,这些持续电流量子位包括由三个约瑟夫逊节间断的一个超导环路;以及类似的量子位。例如,参见1999年Mooij等人在Science上的285,1036,以及1999年Orlando等人在Phys.Rev.B上的60,15398。超导量子位的其他实例可以在如2003年Il’ichev等人在Phys.Rev.Lett.上的91,097906;2001年Blatter等人在Phys.Rev.B上的63,174511以及2000年Friedman等人在Nature上的406,43中找到。此外,还可以使用混合电荷-相位量子位。
这些量子位可以包括一个对应的局部偏置器件。这些局部偏置器件可以包括与一个超导量子位接近的一个金属环路,该金属环路为该量子位提供一个外部通量偏置。该局部偏置器件也可以包括多个约瑟夫逊节。在量子处理器中的每个超导量子位可以具有一个对应的局部偏置器件,或者可以存在少于量子位的局部偏置器件。在某些实施方案中,可以使用基于电荷的读出和局部偏置器件。这个或这些读出装置可以包括多个dc-SQUID磁强计,各自电感性地连接到一个拓扑结构内一个不同的量子位上。该读出装置可以提供一个电压或电流。包括由至少一个约瑟夫逊节间断的一个超导材料环路的这些dc-SQUID磁强计在本领域中是公知的。
有效的量子位
遍及该说明书以及所附的权利要求书,术语“有效的量子位”与“多个有效的量子位”用于指代可以代表为一个二能级系统的一个量子系统。在相关领域的技术人员应理解两个特定的能级可与一个多能级量子系统隔离并且被用作一个有效的量子位。此外,术语“有效的量子位”与“多个有效的量子位”被用于指代包括任何数目的器件的一个量子系统,这些器件可用于代表一个单一的二能级系统。例如,多个单独的量子位可被耦合在一起,其方式为使所耦合的量子位的整个组或其一部分代表一个单一的二能级系统。
量子处理器
一个计算机处理器可以采取一种模拟处理器的形式,例如一种量子处理器(如一种超导量子处理器)。一个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。可与本系统、方法及装置一起使用的示例性的量子处理器的进一步细节和实施方案被描述于美国专利公开号2006-0225165、美国专利申请序列号12/013,192以及于2007年11月8日提交的发明名称为“Systems,Devices and Methods for Analog Processing”的美国临时专利申请序列号60/986,554之中。
一个超导量子处理器可以包括多个耦合器件,这些耦合器件可以操作以便选择性地耦合对应的量子位对。超导耦合器件的实例包括rf-SQUID和dc-SQUID,这些装置通过通量将多个量子位耦合到一起。SQUID包括由一个约瑟夫逊节(一个rf-SQUID)或两个约瑟夫逊节(一个dc-SQUID)间断的一个超导环路。这些耦合器件也许能够同时铁磁性地及反铁磁性地耦合,这取决于在该互连拓扑结构内如何使用该耦合器件。在通量耦合的情况中,铁磁耦合意味着并联通量在能量上是有利的,而反铁磁耦合意味着反并联通量在能量上是有利的。可替代地,也可以使用基于电荷的耦合器件。其他耦合器件可在如美国专利公开号2006-0147154以及美国专利申请序列号12/017,995中找到。例如,这些耦合器件的对应耦合强度可以在0与一个最大值之间调节,以便在量子位之间提供铁磁或反铁磁耦合。
量子退火
量子退火是一种计算方法,该方法可被用于找出一个系统的低能状态,典型地优选是接地状态。与经典的退火概念类似,该方法依赖的基本原理在于低能状态是更为稳定所以自然系统趋向于低能状态。然而,即使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,但量子退火也可使用自然的量子波动(如量子隧道作用)以便更精确或更快速地达到一个全局能量最小值。已知的是对于一个难题(例如组合优化问题)的解可被编码到一个系统的接地状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
如前文所提及,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的允许的能量)演算到一个最终的哈密尔顿算子。一个绝热演算的简单实例是:
He=(1-s)Hi+sHf
其中Hi是初始哈密尔顿算子,Hf是最终哈尔顿算子,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。该系数s从0至1,这样在演算过程的开始时该演算哈密尔顿算子等于初始哈密尔顿算子,而在该过程的结束该演算哈密尔顿算子等于最终哈密尔顿算子。如果该演算太快,则该系统能够被激发到一个较高状态,例如第一受激状态。在本系统、方法及装置中,“绝热”演算被认为为是满足绝热条件的演算,其中该绝热条件被代表为:
在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)通常是恒定的并且是足够地慢以使该系统在演算过程中总是处于演算哈密尔顿算子的瞬态接地状态中,并且避免了在反交叉时(即,当该空隙大小是最小的时候)的转变。在美国专利号7,135,701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。
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整个演算期间开始于并保持在它的接地状态中。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。遍及本说明书,术语“绝热量子计算机”被用于描述一种计算系统,该计算系统被设计为进行绝热量子计算和/或量子退火。
优化问题
优化问题是这样一些问题,对它们在一个变量的集上使一个或者多个目标函数最小化或者最大化,有时要服从一个限制条件的集合。例如,推销员旅行问题(“TSP”)是一种优化问题,其中代表如距离或者成本的一个目标函数必须被优化以找出一种旅行路线,这被编码到一个代表该问题的优化解的变量的集合中。例如,给定一个地点的清单,该问题可包括对所有地点只访问一次的最短路径。优化问题的其他实例包括最大独立集(MIS)、整数编程、约束条件优化、因式分解、预报模型以及k-SAT。这些问题是许多真实世界的优化问题的抽象,例如运算研究、金融资产组合选择、计划制定、供给管理、电路设计、以及旅行路线优化。很多大规模的基于决策的优化问题是NP-难题。例如,参见2000年e-Optimization.com上的“A High-Level Look at Optimization:Past,Present,and Future”。
很多优化问题使用UTM是不能求解的。因为这种制约,在本领域中存在对于能够解决超出UTM的范围的计算问题的计算装置的需要。经典的数字计算机普遍被认为不能超过UTM的能力,并且由此受制于经典计算的局限性,这些局限性在问题的大小与解题时间之间施加了不利的比例。根据本系统、方法及装置,可采用量子绝热算法来得到对于这些问题的比用经典优化算法可以实现的情况要更好的解。
图形的嵌入
图形是代表多个实体之间关系的一种有效方式,并且常用于例如经济学、数学、自然科学以及社会科会的领域中。即使某些图形仅被用作为一种视觉辅助,但其他的图形可被用于代表一个有待解决的问题。事实上,将一个问题映射为图形的形式有时能够帮助解决该问题有。此类问题的例子包括股票资产组合选择、微波塔的布局、配送线路优化以及其他大规模的问题。量子计算机可用于通过将原始问题转化为量子计算机能够解决的形式来解决此类问题。做到这一点的一种方法是通过图形的嵌入,其中由一组顶点以及连接不同顶点的一组边所组成的、代表一个有待解决的问题的一个图形被映射到一个量子处理器的量子位结构中并且然后得到解决。
图形的嵌入涉及通过将每个节点或顶点映射到在一个平面上的一个点上并且将每条边映射到连接两个节点的一条直线或曲线上来定义一个图形的具体图样。该图样不是唯一的,因为可存在同一图形的许多排列。能够将图形嵌入的方式的数目取决于这些图形被绘制于之上的格栅系统的特性及规则。例如,一个格栅系统可以是一个二维栅格。这些边可例如被限制在两个相互正交的方向(例如,上下或左右)上。这样的一个格栅系统具有的连通性为4,意味着每个节点可有最多四条与之相连的边,这些边仅在以上提及的方向上延伸。在一个类似的格栅系统中多个边还能对角地延伸(例如,以45°对角地延伸)并且它们能够交叉,它具有的连通性为8。图形嵌入的一种形式涉及将绘制在一个格栅系统上的一个图形取出并且在另一个格栅系统上绘制一个等效的图形。
能够嵌入的图形可分为两种类型:平面的与非平面的。平面的图形是能够嵌在一个二维平面上的图形,使得没有两条边相交。一个非平面图形是其中至少有两条边相交的图形。图形嵌入的某些形式涉及将一个平面图形嵌入到一个非平面图形中或者尝试使一个非平面图形尽可能地平面化,即,通过减少交叉点的数目。然而,某些非平面图形不能被嵌入到一个平面图形中。此类图形最著名的实例是图形K5以及K(3,3)。在2004年Boyer等人的Journal of Graph Algorithms and Applications 8第241-273页中能够找到关于非平面图形以及它们的嵌入的更多信息。
Knysh等人2005年在arXiv.org:quant-ph/0511131中描述了将图形嵌入到多个量子位的栅格中的一种技术。Knysh描述了将NP完全问题映射到量子位的栅格中并且进行绝热量子计算以解决该问题的一种技术。然而,Knysh使用了量子位之间的恒定耦合以及仅仅是最邻近的耦合,二者均减少了该嵌入以及后续计算的灵活性与效率。
在美国专利申请序列号11/932,248中描述了将图形嵌入到量子位的栅格中的进一步的技术。
关系数据库
许多实体采用关系数据库来存储信息。这种信息可以与生意、政府或个人的几乎任何方面有关。例如,这种信息可以涉及人力资源、运输、下订单或收取定单、仓贮、配送、预算、石油勘探、勘测、轮询、图像、地理图、网络拓扑、识别、和/或保安。
存在许多可替代的对数据库进行搜索的技术,但大多数途径典型地采用一种或多种查询的准备。例如,在美国专利申请序列号11/932,261中描述了一种技术,其中将一个查询建立成由多个节点与边构成的一个图形的形式。在这种技术中,将该数据库中的这些条目用于生成多个数据库图形,并且每个数据库图形与该查询图形结合以产生一组关联图形。然后可将一个关联图形用于对该查询图形与对应的数据库图形之间的关系进行评估。在某些实施方案中,一个关联图形被嵌入到包括一组量子位的一个量子处理器上,其中该关联图形的多个顶点是由多个量子位来代表,并且该关联图形的多个边是由多个量子位之间的耦合器件来代表。这些量子位与耦合器件可以是超导器件。使用该量子处理器可以将对应于该关联图形的查询作为一个分团问题来求解。例如,该量子处理器可以从一个第一或“初始”状态演算到一个第二或“最终”状态,使该最终状态代表该关联图形的一个任意团,或者可替代地代表该关联图形的一个极大团或一个最大团。在某些实施方案中,该查询最好是由所对应的关联图形产生了最大的最大团的那个数据库图形来完成。
弹性束图形匹配
弹性束图形匹配(EBGM)是在具有许多独特面部图像的一个数据库中用于识别出单个人的面孔的一种系统。确切地说,EBGM是一个过程,通过该过程对人的面部的图像进行分析并且生成一个标记的图形表示。所标记的图形表示由多个节点以及多个边组成并且被称为图像的图形。该图形的这些节点代表在面部上的不同“基准”点(例如眼、鼻与嘴)并且这些节点由几组被称为“小波系数(jets)”的Gabor小波分量进行加权。该图形的这些边代表在多个基准点之间的关系并且这些边是用多个二维距离矢量来标记的。在通过EBGM自动生成一个图像的图形之后,可通过将一个查询图像的图像图形与在一个数据库中的所有图像的对应的图像图形进行比较来完成面部识别。
在EBGM中一幅图像图形的自动生成是通过将该面部图像与一幅广义化的“束”图形对齐来完成。该束图形实质上是一个模型格栅,对于该模型格栅用一组(或“一束”)多个小波系数而不是一个特定的小波系数来标记每个单独的基准点。该束图形重叠在该面部图像上并且将最佳地代表了在图像中的每个基准点的小波系数识别出。因此该束图形起到了一个组合的实体的作用,如同一个可模制的面具。在该束图形中的多个边是足够弹性的以使所得到的图像图形可更好地与该特定的面部图像相适配。最初时,一个束图形被手动地定义并且随着越来越多的面部图像被合并到该束中它增加了可适配性与精度。在1997年IEEETransactions on Pattern Analysis and Machine Intelligence的19(7):775-779上Wiskott等人的Face Recognition by Elastic Bunch Graph Matching中可找到关于EBGM的过程的更为详细的描述。一个重点在于EBGM精度的增长要求计算工作量的增加。例如,通过增加在一个束图形中基准点的数目可得到更高的精度。然而,这样的增长将要求在EBGM映射图生成阶段中有更大的计算工作量并且导致包括大量节点与边的一个图像图形。当将这样一个较大的图像图与数据库中的所有其他图像图进行比较时,该图像图形在识别阶段的过程中要求更多的计算工作量。这样,用于自动面部匹配的目前这些技术或者不产生令人希望的精度水平或者是它们的速度过慢。
图像匹配的问题是特别适合于在此类量子处理器上来解决。目前实际运用的图像识别技术受限于它们的精度并且总体上是相当慢的。识别精度取决于图形表示的精度,图形表示本身最终取决于所识别的图像特征的数目。传统上,结合更大数目的图像特征的尝试导致在识别过程中在计算上是消耗性的图形表示。因此,典型地对某种精度措施进行折衷以适应可掌控的计算时间。通过在一个量子处理器上进行识别过程,与传统方法相比能够以更高精度和/或更快地得到识别结果。
发明内容
至少一个实施方案可被归纳作为对图像数据库中的多个查询图像的特征进行识别的一种计算机实施的方法,包括将一幅查询图像的至少一个特征的图形表示与一个图像数据库的多幅数据库图像的至少一些中的每一幅的至少一部分的对应图形表示进行比较,其中每次比较包括生成一幅对应的关联图形;并且通过一个量子处理器确定每一关联图形的至少一个特性,其中每一关联图形的该至少一个特性代表在该查询图像的至少一个特征与该关联图形相应的对应数据库图像的至少该部分之间的一种相似性。
该方法可进一步包括存储得自确定每一关联图形的至少一个特性的结果;并且将这些结果进行分级,这样使得分级最高的结果代表在该查询图像的特征与这些数据库图像中的至少一个之间的最有可能的匹配。该多个数据库图像中的至少一些可各自包括代表至少一个人的面部的数据,并且其中该查询图像的特征可包括代表至少一个人的面部的数据。该方法可进一步包括生成该图像数据库的这些数据库图像的至少一些中的每一幅的该至少一部分的对应的图形表示;并且生成该查询图像的至少一个特征的图形表示。生成该数据库图像的至少一些中的每一幅的至少一部分的图形表示以及该查询图像的至少一个特征的图形表示可包括执行弹性束图形匹配。生成每个数据库图像的至少该部分的对应的图形表示可包括使用一个经典的数字处理器生成这些对应的图形表示。生成该查询图像的至少一个特征的图形表示可包括使用一个经典的数字处理器生成该图形表示。确定每一关联图形的至少一个特性可包括确定每一关联图形的一个最大独立集。确定每一关联图形的至少一个特性可包括确定每一关联图形的一个最大团。通过一个量子处理器确定每一关联图形的至少一个特性可包括通过一个超导量子处理器来确定每一关联图形的至少一个特性,该超导量子处理器包括多个超导量子位。该方法可进一步包括通过一个经典的数字处理器访问该图像数据库。生成这些对应的关联图形可包括使用一个经典的数字处理器生成这些对应的关联图形。该方法可进一步包括将这些对应的关联图形从该经典的数字处理器传送至该量子处理器。该方法可进一步包括将由该量子处理器确定的每一关联图形的该至少一个特性从该量子处理器传送至该经典的数字处理器。该方法可进一步包括在将该查询图像的图形表示与这些数据库图像的图形表示进行比较之前,对该查询图像的至少一部分进行检查;并且对该查询图像的一个方面进行识别,该方面对于这些数据库图像的一个子集是共同性的,并且其中将一个查询图像的至少一个特征的图形表示与多个数据库图像的至少一些中的每一个的对应的图形表示进行比较可包括将该查询图像的该至少一个特征的图形表示仅与在这些数据库图像的子集中的数据库图像的图形表示进行比较,并为此产生出对应的多幅关联图形。该查询图像的至少一个特征可代表该查询图像的大部分。在该查询图像的特征与该关联图形相应的对应的数据库图像的该至少一部分之间的相似性可表明该查询图像的至少一个特征是否存在于该关联图形相对应的对应数据库图像之内。
至少一个实施方案可被归纳为一种计算机实施的解决图像匹配问题的方法,包括将一个图像匹配问题设定为一个二次无约束的二元优化问题;将该二次无约束的二元优化问题映射至一个量子处理器上;并且演算该量子处理器以产生对该二次无约束的二元优化问题的一个解。
至少一个实施方案可被归纳为一种计算机实施的比较两个对象的方法,包括将第一对象的至少一部分的一个图形表示与第二对象的至少一部分的一个图形表示进行比较,其中该比较包括生成一幅关联图形;并且通过一个量子处理器来确定该关联图形的至少一个特性,其中该关联图形的至少一个特性代表在该第一对象的该至少一部分与该第二对象的该至少一部分之间的相似性。
该方法可进一步包括该第一对象与该第二对象均是图像。确定该关联图形的至少一个特性可包括确定该关联图形的一个最大独立集。确定该关联图形的至少一个特性可包括确定该关联图形的一个最大团。确定该关联图形的至少一个特性可导致该量子处理器返回一个值,该值代表在该第一对象的该至少一部分与该第二对象的该至少一部分之间的一种相似性的度量。
附图说明
在这些附图中,相同的参考数字标识出相似的元件或者动作。附图中元件的尺寸和相对位置不一定是按比例绘制。例如,不同元件的形状以及角度不一定按比例绘制,并且这些元件中的一些被任意地放大和定位以提高附图的易读性。另外,所绘出的这些元件的特定形状并非旨在传递与这些特定元件的实际形状有关的任何信息,而只是为了方便在图中识别而选取。
图1是用于通过包括一个量子处理器的系统进行自动图像识别的一种方法的实施方案的流程图。
图2A是示出了重叠在面部图像本身上的一个面部图像的图形表示的示意图。
图2B是用于将问题从一个经典处理器传递到一个量子处理器的方法的实施方案的流程图。
图3是设计为用于绝热量子计算(和/或量子退火)的一种常规超导量子处理器的一部分的示意图。
图4是用于通过一个量子处理器解算图像匹配的问题中的运作的本机模式的一种方法的实施方案的流程图。
图5是用于通过一个量子处理器解算图像匹配的问题中的运作的混合模式的一种方法的实施方案的流程图。
具体实施方式
在以下说明中,列举了某些特定的细节以便提供对不同的所披露的实施方案的全面理解。然而,相关技术领域中的技术人员应认识到,可以在没有一个或多个这些特定细节的情况下,或者在具有其他的方法、组件、材料等的情况下实践这些实施方案。在其他的情况下,与模拟处理器(如量子处理器、量子器件、耦合器件以及包括微处理器与驱动电路的控制系统)相关联的公知结构没有被详细地示出或者说明,以避免不必要地混淆这些实施方案的说明。
除非上下文另有要求,在整个说明书和所附的权利要求书中,“包括”一词及其多种变体(例如,“包括了”和“包括着”)将以一种开放式的和包含性的意义来进行解释,即,如“包括,但不限于”。
遍及本说明书提到的“一种实施方案”或“一个实施方案”意味着与该实施方案向关联地描述的一个具体的指示特征、结构或特性被包括在至少一个实施方案中。因此,贯穿本说明书在不同地方出现的短语“在一种实施方案中”、“在一个实施方案中”并不一定全部是指同一个实施方案。此外,这些具体的特征、结构或特性能够以任何适当的方式结合在一个或者多个实施方案中。
如在本说明书和所附的权利要求书中所使用的,单数形式的“一个”和“该”包括复数对象,除非文中另外明确指明。还应注意,术语“或者”一词总体上所使用的意义包括“和/或”,除非文中另外明确指明。
在此给出的小标题以及摘要只是为了方便起见,而并非解释这些实施方案的范围或含意。
本系统、方法及装置描述了用于实现一个量子处理器的技术,以便在图像数据库中进行自动图像识别。为了做到这一点,一个图像匹配问题被映射为可由一个量子处理器来处理的形式。图像可采取多种形式。典型地,图像采取数字信息的形式,该形式能用于产生图像的视觉表示,例如在显示器或在纸张上。例如图像可采取限定一个位图的信息的形式,例如,指定一个二维阵列的不同像素的强度和/或颜色。还例如,图像可采取数学表示的形式,例如一个或多个多项表达式(如,B样条多项式)或矢量。图像同样可采取其他的形式。
处于其最简单形式的图像匹配尝试寻找来自与同一物理结构相对应的两个图像的称对图像特征。例如,一个图像特征可包括描述了给定图像位置的邻域的一个矢量。为了寻找对应的特征,典型地考虑两个因素:特征相似性(如由多个特征矢量之间的标量乘积所确定的),以及几何一致性。这后一因素在考察刚性体时得到最好地定义。在这种情况下,特征的偏移不是任意的而是呈现出由观察点的改变而引起的相关性。例如,如果相机移到左边,可观察到在图像中的特征位置向右边的平移。如果对象是可变形的或可铰接的,那么特征偏移不是仅由相机观察点来确定的,但邻近的特征可能仍趋于以相似的方式来移动。因此,图像匹配能够被安排为涉及一个目标函数(该目标函数包括至少两个项)的最小化的优化问题。该第一项对多个特征之间的失配罚分,这些特征从第一图像中绘制出并且在第二图像中被放置于对应的位置处。该第二项通过测量多个邻近匹配物之间的分歧来加强邻近匹配之间的空间一致性。在Intl.Journal of Computer Visions 61(1),55-79(2005)Felzenzwalb &Huttenlocher,“Pictorial Structures for Object Recognition,”中已证明者构成了一个NP困难的优化问题。
为了使得一个图像匹配问题适合于用量子算法的解,可将该图像匹配问题映射为一个二次无约束的二元优化(“QUBO”)问题,其形式为:
这些二元优化变量xi,xj确定在一个图像中的多个特征如何映射到在另一个图像中的多个特征上。这些系数Qij被选择为使所生成的目标函数的最小化同时将特征相似性与几何一致性最大化。使用一个量子计算的算法(例如,一个量子绝热算法)可对方程式(1)求解。
现在提供了一个总的方法用于实现一个量子处理器来解决图像匹配问题。图1示出了该方法100的一个实施方案的流程图。方法100是三个动作的一种新颖的组合:生成图像101与102的图形表示(例如,代表视觉图像的电子数据或信息)、使用关联图形103进行模式匹配,并且使用包括一个量子处理器的系统来解决问题104。在动作101中,建立了在图像数据库(“数据库图形”)中的一些或所有图像(“数据库图像”)的图形表示。例如使用一个常规的(数字的)处理器即可完成这一点。在动作102中,建立了一个查询图像(“查询图形”)的图形表示。在动作103中,将该查询图形与这些数据库图形进行比较,并且对于每次比较生成一个对应的关联图形。在动作104中,使用一个量子处理器来确定每一关联图形的至少一个特性。在动作105中,根据由该量子处理器确定的这些关联图形的至少一个特性来对这些结果进行分级。可建立该分级以使得最高的分级表示在该查询图形与对应的数据库图形之间以及由此在该查询图像与对应的数据库图像之间的最可能的匹配。
在动作104中,可由一个量子处理器确定的这些关联图形的一个特性或多个特性可取决于被检查图像的类型或取决于识别算法的性质。两个适当的特性包括这些关联图形的最大独立集(“MIS”)和最大团(“MC”)。这两个特性是相关的并且这样通过仅确定在每一关联图形中这两个特性之一即可进行图像识别。一个图的MIS是由多个边将其全部连接的多个节点的最大子集。在一个关联图形中的一个更大的MIS表明在该查询图形与对应的数据库图形之间的一个更好的匹配。因此,被确定具有最大MIS的关联图形被预期对应与该查询图像与一个数据库图像之间的最可能的匹配。作为对MIS的一种可替代方案,MC是不共享任何边的多个节点的最大子集,并且因此带有最大MIS的关联图形典型地将具有最小MC。因此,在相关领域中的技术人员应理解到解决一个MC问题与解决一个MIS问题是类似的,唯一的不同是其分级次序是颠倒的。可以实施方法100来加强自动图像识别的超过目前实际应用的技术的速度和/或精度。
可应用方法100来查找与一个查询图像相匹配的一个数据库图像。然而,还可应用方法100来查找包括了一个确切特征的一个数据库图像,该确切特征与包括在一个查询图像中的一个确切特征相匹配。这里的区别在于,除了对整个图像进行匹配之外,可应用方法100来识别在查询图像中的一个特征并且在图像数据库中查找对于该特征的一个匹配项。例如,一个查询图像可包括一个人的面部,并且可应用方法100在一个图像数据库内查找包括一个相匹配的人的面部的一个数据库图像,即使所得到的数据库图像包括多个人的面部,其中该匹配的面部仅是该数据库图像的一个特征。在此类应用中,方法100的某些实施方案可提供的是使在动作102中建立的查询图像的图形表示被限制于一个匹配所寻求的查询图像的确切特征的一个图形表示。
本系统、方法及装置描述了在进行自动图像识别中既使用一个数字处理器也使用一个量子处理器。在某些实施方案中,可使用一个数字处理器来生成多幅图像的图形表示(或者是多幅图像的确切特征,这取决于所希望的查询)以及生成多个关联图形,而确定每一关联图形的至少一个特性可使用一个量子处理器来进行。
面部图像是可由图形来代表的一种类型的图像的具体实例。生成多个面部图像的图形表示是在继续发展并成长的一个研究领域。基本原理在于在面部上确切特征(例如眼、鼻与嘴,连同许多其他更为精细的特征)的相对位置可最终定义对于每个面部是独特的一种组合。因此,这些相对位置的一个图形表示可用与指纹几乎相同的方式来用于对个人进行识别。在这样的一个图形表示中,这些可识别的特征(还是如眼和嘴)可通过多个节点或顶点来代表,这些节点或顶点是由多个边组成的一个网所连接的。这些边可定义这些节点的相对位置。节点的数目越多(也就是说,在一个图像上被识别的特征的数目越多)则图形表示的精度就越高。对于代表其他身体部分(例如,虹膜或指纹)的多种图像可采取一种相同的或类似的途径。
图2A是示出了重叠在原始面部图像上的一个图形表示200的示意图。在图2A中,节点201-204限定了嘴的轮廓。为了简洁起见,图形表示200由相对较少的节点(在图中仅取出四个点)组成并且因此是原始面部图像的一个相对不精确的表示。然而,在本领域中那些普通技术人员应理解到可通过增加图形中节点的数目并且因此代表图像中更多的面部特征来改善面部图像的图形表示的精度。此外,图2A是指仅作为面部图像的图形表示的一个示意性实例。在图2A中用节点识别的具体面部特征以及在节点之间对应的边不代表一个所要求的图形方案。在本领域的技术人员应理解到在一个图形表示中识别的这些具体面部特征连同在节点之间对应的网络可根据生成图形表示的方法来改变。在本领域的技术人员还应理解到生成面部图像的图形表示的原理与技术可被应用到其他图像类型上,例如目标的图像、风景、地图、指纹、等等。因此,虽然图2A仅示出了一个面部图像的图形表示,但本领域的技术人员也应理解到如何类似地建立任何类型图像的图形表示。
可手动绘制出一幅图像的图形表示,或者它可被自动生成。此类图形表示的最终目的是在于图像识别,这可要求在多幅图像的一个非常大的数据库中对于每一图像建立图形表示。这样,更为实际的是开发用于自动地生成多幅图像的图形表示的一种系统,而不是完全由手工来绘制。此类系统的一个实例是弹性束图形匹配(EBGM)。EBGM专门被设计为应用在面部图像上;然而,这些基本原理可被应用到任何类型的图像上。在EBGM中,建立了多个广义的模型图形,然后将这些模型图形配合到新的面部图像上并且进行模拟以产生新的图形。在1997年IEEETransactions on Pattern Analysis and Machine Intelligence的19(7):775-779上Wiskott等人的Face Recognition by Elastic Bunch Graph Matching中描述了这种技术的所有细节。这种技术持续的挑战在于精度与速度之间的权衡,因为图形表示精度的增加会导致在识别过程期间计算工作量的增加。然而,通过结合使用关联图形的模式匹配并且然后使用量子处理器来解决所产生的MIS问题,精度与计算时间均可得到改进而超过目前实际应用的技术。
EBGM是在自动生成面部图像的图形表示领域中的一种领先技术。然而,在本领域中的技术人员应理解到本系统、方法及装置不要求由EBGM来生成图形表示。如前面所讨论的,面部图像的图形表示或任何其他图像类型可以手动地或通过使用任何其他系统来生成,只要在查询图形与数据库图形之间存在足够的一致性而使有意义的关联图形可以生成。
对于某些查询,可能希望使用一个经典的数字处理器来识别查询图像的某些关键方面,这些方面自动表明数据库中的一个特定子集。例如,在这些查询图像的图形表示正被生成的同时,或者在生成关联图形之前从该图形表示中,也许有可能识别查询图像的某些方面,该方面立即将查询联系到数据库中的某些子集上。当作出这样的识别时,仅需要将查询图像与共享该相同方面的那些数据库图像进行比较并且因此可生成较少的关联图形。本质上,对数据库进行过滤或修剪,这样使得仅对有可能被识别为是一个匹配的那些图像进行比较来产生关联图形。作为一个实例,一个查询图像可最初被分类为与一个人的面部有关,并且一个对应的图像数据库然后可被减少到包括至少一个人的面部的图像的子集。此外,在面部识别中,在与这些数据库图像进行比较之前,能够从该查询图像的图形表示中对该面部图像的种族或性别进行识别。在这个实例中,有待检查的数据库于是将被减少到与该查询图像的种族或性别相匹配的面部图像的子集。这将要求要生成较少的关联图形,从而导致了对量子处理器较少的请求并且减少了计算时间。通过用户或通过数字计算机可进行这个初步的过滤或修剪。
相关领域的技术人员应理解到对于任何类型的图像都可生成一个图形表示。例如,物品、风景、地图、指纹以及星座的图像全都能够由图形来代表。此外,可对于一幅图像的一方面的具体特征而不是对于整个图像生成一个图形表示。
贯穿本说明书及所附的权利要求书,提及了在一个经典处理器与一个量子处理器之间的通信。例如,如在方法100的动作103中可使用一个经典的处理器来生成多个关联图形,并且如方法100的动作104中然后一个量子处理器可被用于分析这些关联图形。图2B是示出了用于在一个经典处理器与一个量子处理器之间进行通信的方法250的实施方案的流程图。方法250包括四个动作251-254。在动作251中,使用一个经典的处理器来处理一个查询。一个查询图像的处理可包括多种动作,包括但不局限于定义一个查询的各项参数、对一个查询图像中的具体特征进行识别、生成多个关联图形、对一个查询进行分类、以及建立退出标准。该查询的处理还可包括将该查询转换为可由一个量子处理器来传送并管理的形式。在动作252中,所处理的查询从该经典处理器被传送到一个量子处理器中。在动作253中,使用了该量子处理器被来满足查询的条件。满足一个查询的条件可包括多种过程,包括但不局限于确定一个关联图形的至少一个特征(例如一个MIS或MC)。该量子处理器管理该查询直至满足了该查询的条件。在动作254中,满足该查询的结果被返回到经典处理器中。这可包括将对于该查询的一个结果从量子处理器传送到经典处理器中。
根据本系统、方法及装置,在一种启发式方式中可实现绝热量子计算和/或量子退火的算法,其中可降低在解中对全局最佳性的要求。使用此类算法,一个量子处理器可提供:a)在与经典的解算系统相同的时间量中一个更为精确的解;b)在比经典的解算系统较短的时间段中相同的精度级;或者c)在比经典的解算系统较短的时间段中一个更为精确的解。
可在多种不同的方式中实现绝热量子计算以及类似的量子退火。在美国专利申请序列号11/317,838以及2003年arXiv.org:quant-ph/0302027(2003)第1-13页Wocjan等人的“Treating the Independent Set Problem by2D Ising Interactions with Adiabatic Quantum Computing”中描述了绝热量子计算具体实现方式的实例,其中使用了量子位耦合体系结构来实现带有1-局部横截场的一个2-局部伊辛哈密尔顿算子,如式2中给出:
在此,n代表量子位的数目,σi z是对于ith量子位的Pauli Z-矩阵,σi x是对于ith量子位的Pauli X-矩阵,以及hi、Δi与Ji,j是耦合到每个量子位的无量纲局部场。方程式2中的hi项可通过将多个信号或场耦合到每个ith量子位的Z-基上来物理地实现。方程式2中的这些Δi项可通过将多个信号或场耦合到每个ith量子位的X-基上来物理地实现。方程式2中的这些Jij项可通过将成对量子位(分别是量子位i和j)的Z-基耦合在一起而物理地实现。
图3是设计为用于绝热量子计算(和/或量子退火)的一种常规超导量子处理器300的一部分的示意图。在图3中所示的超导量子处理器300的一部分包括两个超导量子位301、302以及在其间对信息进行耦合的一个可调谐的ZZ-耦合器311。虽然图3中所示的量子处理器300的部分仅包括两个量子位301、302以及一个耦合器311,但本领域中的技术人员应理解量子处理器300可包括任何数目的量子位以及在其间对信息进行耦合的任何数目的耦合器件。
图3中所示的量子处理器300的部分可被实施来物理地实现由方程式2所描述的哈密尔顿算子。为了提供σz和σx项,量子处理器300包括编程接口321-324,这些接口被用于对量子处理器300的状态进行配置并控制。编程接口321-324中的每一个可通过到一个编程系统(未示出)上对应电感性的耦合(如图所示)来实现。这样的一个编程系统可与量子处理器300分离开,或者它可被局部地包括在其中(即,带有量子处理器300的一个芯片),如美国专利申请序列号11/950,276中所述。
在量子处理器300的编程中,编程接口321和324可各自用于将一个通量信号耦合到量子位301和302的对应的复合约瑟夫逊节331、332上,由此实现在系统哈密尔顿算子中的Δi项。这一耦合提供了方程式2中的σx项。类似地,编程接口322和323可各自用于将一个通量信号耦合到量子位301和302的一个对应的量子位环路上,由此实现在系统哈密尔顿算子中的hi项。这一耦合提供了方程式2中的σz项。在图3中,每一个编程接口321-324对系统哈密尔顿算子的贡献分别显示在框321a-324a中。
本领域中的技术人员应理解到绝热量子计算和/或量子退火可通过实施不同于图3中系统300的系统和/或通过实施不同于方程式2的哈密尔顿算子来实现。系统300和哈密尔顿算子2是用来仅作为本系统、方法及装置的实施方案的实例。
本系统、方法及装置提供了使用一个量子处理器的至少两种模式以解决图像匹配问题,其中较优选的模式取决于问题的大小(即,在关联图形中顶点的数目)。在运算的第一模式(即“本机模式”)中,问题的大小是足够的小以致于整个问题可被直接映射到该量子处理器中。在运算的第二模式(即“混合模式”)中,问题的大小是太大了而不能直接映射到量子处理器中,并且为了进行补偿,该问题被分解为可被单个地映射到量子处理器中的一组较小的问题。
在本机模式运作中,图像匹配问题被直接映射到该量子处理器中。对于任何一对图像(即,一个查询图像加上一个数据库图像),一幅关联图形可被用于测量两幅图像的图形表示之间的相似性。在一幅关联图形中的每个顶点可对应于在第一图像中特征α与第二图像中特征β之间的一种关联。在一幅关联图形中的每条边可对在第一图像中一对特征矢量与第二图像中一对特征矢量之间的某种程度的几何一致性进行编码。一幅关联图形的MIS即提供了相似性测量(该MIS越大,则相互重叠的区域就越大)也提供第一图像中特征到第二图像中特征的最大无冲突映射。如前面所讨论的,这种技术可被用于对两幅整个图像进行匹配,或者在一组数据库图像之间从一个查询图像中去查找一个具体特征。例如,如果一幅查询图像的整个或一部分被包含在对应的数据库图像之内的某处,则可提供一个“匹配”。根据本系统、方法及装置,查找一幅关联图形的MIS问题可通过对于所有的顶点设置Qii=-1并且每当在顶点之间存在一条边时设置Qij=L而被安排为一个QUBO问题。如果并且仅在如果该对应的顶点是MIS的一个元素时,QUBO问题的最小能量配置强制xi=1,否则xi=0。
图4是在通过一个量子处理器解决图像匹配的问题中用于运算的本机模式的方法400的实施方案的流程图。方法400提供了由来自图1的方法100所述的总体方法的更多细节。确切地说,方法400通过使用类似于来自图3的系统300的一个量子处理器并且实施由方程式2描述的哈密尔顿算子来提供用于进行方法100的动作104的这些动作的实例。在方法100的动作104中,使用了一个量子处理器来确定一幅关联图形的至少一个特性。因此,在方法400的动作401中,该关联图形被定义为描述了一个连接n-顶点QUBO的矩阵Q,其中n由在该量子处理器中量子位或有效量子位的数目所限制。在动作402中,从矩阵Q中确定来自方程式2的hi和Jij目标值。在动作403中,n个顶点各自用在量子处理器中对应的量子位或有效量子位来识别。在动作404中,由该量子处理器来实现一种量子算法。通过应用适当的时间相关函数的hi(t),Δi(t)和Jij(t),该算法可包括绝热量子计算和/或量子退火。在动作405中,对该量子算法的结果进行评估。如果该解不令人满意,则该方法返回至动作404。如果该解令人满意,则该方法前进至动作406。在动作406中,输出对该图像匹配问题的解。
在图4中所描述的方法400提供了用于确定单个的关联图形的MIS(或者,可替代地,MC)的一个过程。如图1的方法100所描述的,在一个图像匹配问题中可生成一组关联图形,其中每一关联图形对应着在该查询图像与一个独特的数据库图像之间的一次相应的比较。方法400有效地提供了一个过程,该过程用于确定在该查询图像与一个单个数据库图像之间如何良好地实现了一次匹配。因此,为了解决一个图像匹配问题,有必要对于每一关联图形完成方法400并且然后如方法100的动作105一样对结果进行分级。
对于许多绝热量子计算体系结构,可供使用的物理量子位的数目可能远小于在有待解决的图像匹配问题中变量的数目(即,n>量子位的数目)。因此,有必要将一个大的图像匹配问题分解成一组较小的问题。在这种情况下,有必要实现运作的混合模式,其中完整的图像匹配问题被分解成一组较小的问题,这样使得每个较小问题都可由该量子处理器来解决。本领域中的技术人员应理解到为此目的可实施多种分解技术。本系统、方法及装置描述了用于使用量子处理器的技术,以便通过实施一个局部搜索算法来进行这种分解。
图5是在通过一个量子处理器解决图像匹配的问题中用于运算的混合模式的一种方法500的实施方案的流程图。类似于图4的方法400,方法500的目的在于解决一个QUBO问题,其中该解代表一幅关联图形的MIS(或者,可替代地,MC)。在动作501中,通过使用例如一个经典的启发式的求解程序来建立该解的一个初始近似值。对于QUBO问题的一个适当的经典启发式求解程序的实例是在University of MississippiTechnical Report HCES-09-00(2000)上Glover等人的“One pass heuristicsfor large scale unconstrained binary quadratic problems”中描述的Digest-Devour-Tidyup算法,该文章在http://hces.bus.olemiss.edu/reports/hces0900.pdf中可获得,但本领域中的技术人员应理解到可替代地使用其他经典的启发式求解程序。该解的最初近似值被用作为一个局部搜索算法的起始点。该解的最初近似值包括一组变量Xo。在动作502中,通过对一组变量Xo的一个子集So进行选择来启动一个局部搜索算法。在子集So中变量的数目小于或等于能被直接映射到量子处理器中的变量的数目。在动作503中,变量So的子集被映射到该量子处理器中作为方程式3中所描述的优化问题:
因此,在动作503中,量子处理器被用于优化变量So的子集以改进该解的最初近似值。在动作504中,在动作503中确定的改进了的解被重新安排为该解的最初近似值。在动作505中,重复动作502-504直至满足一些退出标准。适当的退出标准的实例包括但不局限于一个限定数目的迭代、一个限定的时间量和/或一个限定的精度级。在动作506中,输出对该问题的最终解。在于2007年6月12日提交的发明名称为“Systems,Methods,and Apparatus for Recursive Quantum ComputingAlgorithms”美国临时专利申请序列号60/943,519中描述了用于量子计算的一种递归技术。
方法500一个潜在的缺点在于它可能仅在变量So的子集空间之内对一个局部最小值进行定位,而不是在所有变量Xo的空间中对一个全局最小值进行定位。根据本系统、方法及装置,可在帮助脱离局部极小值有启发作用的一种禁忌搜索中实现方法500的局部搜索算法。禁忌搜索(如在本领域中已知的)的每次迭代对前一次迭代的结果进行存储并再调用。因此,在一些实施方案中,随着方法500被实施,可对来自每次迭代的结果进行存储。这些存储的结果可包括与改变每个单一变量的效果有关的数据,由此将一种代价与改变每个变量关联起来。在每次顺序的迭代中,该算法可进行选择以调节尚未被改变的一个变量,由此在所存储的数据中产生一个新条目。然后这个存储的数据提供了对该解的前景梯度的深入了解,这样使得后续的迭代可朝着“最好的”局部极小值或理想上朝着全局最小值前进。
本领域中的技术人员应理解到贯穿本说明书术语“解算”是用来既包含精确的解也包含近似的解。
如所描述的,本系统、方法及装置可被用于图像匹配。这种应用可包括对两幅整个图像进行匹配,或者它可包括在一个图像数据库之内查找包含了一个查询图像的全部或一部分的一个数据库图像。例如,一个查询图像可能包含一个道路标志并且也许希望将它用于在一个图像数据库中查找一个数据库图像,该数据库图像在其中某处包括了一个相匹配的道路标志。然而,在本系统、方法及装置中传授的概念可以被应用于更宽的一组问题。存在一个宽范围的应用,对于这些应用令人希望的是在一个数据库之内对一个查询找到一个匹配。在一些实施方案中,本系统、方法及装置可被推广为确定两个对象之间的相似性的测量的一种方法,其中这两个对象的特征被结合成为由一个量子处理器分析的关联图形。该量子处理器可对该关联图形进行分析并且返回代表两个对象之间相似性度量的一个值。在某些应用中,这两个对象可以是图像,例如一个查询图像与一个数据库图像。然而,在其他的应用中,这两个对象可采取其他的形式。例如,一些实施方案可提供在一个相关的数据库中的多个条目之间对查询进行匹配。其他实施方案可提供处于其他形式的模式匹配,例如但不局限于声音模式匹配、DNA序列匹配,等等。
对所展示的实施方案的以上说明(包括在摘要中所描述的)并非旨在是穷尽的或者把这些实施方案限定到所披露的确切的形式。虽然为了解说的目的在此描述了具体的实施方案和实例,但是正如相关领域的技术人员将会认识到的,无须偏离本披露的精神和范围即可以做出不同的等效修改。在此提供的不同实施方案的传授内容可以应用到其他量子计算系统、方法及装置上,并不一定是以上总体性描述的示例性的量子计算系统、方法及装置。
可将上述不同的实施方案组合起来以便提供多个进一步的实施方案。在本说明书中提及的和/或在申请数据单上列出的所有美国专利、美国专利申请公开文件、美国专利申请、外国专利、外国专利申请以及非专利公开文件,包括但不局限于2007年4月19日提交的发明名称为“Systems,Methods and Apparatus for Automatic Image Recognition”的美国临时专利申请序列号60/912,904、美国专利号6,838,694、美国专利号7,335,909、美国专利申请号2006-0225165、美国专利申请序列号12/013,192、于2007年11月8日提交的发明名称为“Systems,Devices andMethods for Analog Processing”的美国临时专利申请序列号60/986,554、美国专利申请号2006-0147154、美国专利申请序列号12/017,995、美国专利号7,135,701、美国专利申请序列号11/932,248、美国专利申请序列号11/932,261、美国专利申请序列号11/317,838、美国专利申请序列号11/950,276以及于2007年6月12日提交的发明名称为“Systems,Methods,and Apparatus for Recursive Quantum Computing Algorithms”的美国临时专利申请序列号60/943,519均通过引用全文结合在此。如有必要,对这些实施方案的各个方面可以进行修改,以利用不同的专利、申请和公开文件中的系统、电路及概念来提供更进一步的实施方案。
鉴于以上的详细说明,对这些实施方案可做出这些或其他的改变。总之,在以下权利要求中,所使用的术语不应当解释为将权利要求限制为本说明书和这些权利要求所披露的特定实施方案,而是应当解释为包括所有可能的实施方案,连同这些权利要求有权获得的所有的等效物全部范围。因此,这些权利要求并不限于本披露。
Claims (23)
1.一种计算机实施的在图像数据库中对多幅查询图像的特征进行识别的方法,该方法包括:
将一幅查询图像的至少一个特征的图形表示与一个图像数据库的多幅数据库图像的至少一些中的每一幅的至少一部分对应的图形表示进行比较,其中每次比较包括生成一幅对应的关联图形;并且
通过一个量子处理器来确定每一关联图形的至少一个特性,其中每一关联图形的该至少一个特性代表着在该查询图像的至少一个特征与该关联图形相应的对应数据库图像的至少该部分之间的一种相似性。
2.如权利要求1所述的方法,进一步包括:
存储得自确定每一关联图形的至少一个特性的结果;并且
将这些结果进行分级,这样使得分级最高的结果代表在该查询图像的特征与这些数据库图像中的至少一个之间的最可能的匹配。
3.如权利要求1所述的方法,其中该多个数据库图像中的至少一些各自包括代表着至少一个人的面部的数据,并且其中该查询图像的特征包括代表至少一个人的面部的数据。
4.如权利要求1所述的方法,进一步包括:
生成该图像数据库的这些数据库图像的至少一些中的每一幅的该至少一部分的对应的图形表示;并且
生成该查询图像的至少一个特征的图形表示。
5.如权利要求4所述的方法,其中生成这些数据库图像的至少一些中的每一幅的至少一部分的图形表示以及该查询图像的至少一个特征的图形表示包括执行弹性束图形匹配。
6.如权利要求4所述的方法,其中生成每个数据库图像的至少一部分的对应的图形表示包括使用一个经典的数字处理器生成这些对应的图形表示。
7.如权利要求4所述的方法,并且其中生成该查询图像的至少一个特征的图形表示包括使用一个经典的数字处理器生成该图形表示。
8.如权利要求1所述的方法,其中确定每一关联图形的至少一个特性包括确定每一关联图形的一个最大独立集。
9.如权利要求1所述的方法,其中确定每一关联图形的至少一个特性包括确定每一关联图形的一个最大团。
10.如权利要求1所述的方法,其中通过一个量子处理器来确定每一关联图形的至少一个特性包括通过一个超导量子处理器来确定每一关联图形的至少一个特性,该超导量子处理器包括多个超导量子位。
11.如权利要求1所述的方法,进一步包括:
通过一个经典的数字处理器访问该图像数据库。
12.如权利要求1所述的方法,其中生成这些对应的关联图形包括使用一个经典的数字处理器生成这些对应的关联图形。
13.如权利要求10所述的方法,进一步包括:
将这些对应的关联图形从该经典的数字处理器传送至该量子处理器。
14.如权利要求13所述的方法,进一步包括:
将由该量子处理器确定的每一关联图形的该至少一个特性从该量子处理器传送至该经典的数字处理器。
15.如权利要求1所述的方法,进一步包括:
在将该查询图像的图形表示与这些数据库图像的图形表示进行比较之前,对该查询图像的至少一部分进行检查;并且
对该查询图像的一个方面进行识别,该方面对于这些数据库图像的一个子集是共同性的,并且其中将一个查询图像的至少一个特征的图形表示与多个数据库图像的至少一些中的每一个的对应的图形表示进行比较包括将该查询图像的该至少一个特征的图形表示仅与在这些数据库图像的子集中的数据库图像的图形表示进行比较,使得为此产生出对应的多幅关联图形。
16.如权利要求1所述的方法,其中该查询图像的至少一个特征代表该查询图像的大部分。
17.如权利要求1所述的方法,其中在该查询图像的特征与该关联图形相对应的该对应的数据库图像的该至少一部分之间的相似性对于该查询图像的至少一个特征是否存在于该关联图形相对应的该对应的数据库图像之内是指示性的。
18.一种计算机实施的解决多个图像匹配问题的方法,该方法包括:
将一个图像匹配问题设定为一个二次无约束的二元优化问题;
将该二次无约束的二元优化问题映射至一个量子处理器上;并且
演算该量子处理器以产生对该二次无约束的二元优化问题的一个解。
19.一种计算机实施的比较两个对象的方法,该方法包括:
将一个第一对象的至少一部分的一个图形表示与一个第二对象的至少一部分的一个图形表示进行比较,其中该比较包括生成一幅关联图形;并且
通过一个量子处理器来确定该关联图形的至少一个特性,其中该关联图形的至少一个特性代表了在该第一对象的该至少一部分与该第二对象的该至少一部分之间的一种相似性。
20.如权利要求19所述的方法,其中该第一对象与该第二对象均是图像。
21.如权利要求19所述的方法,其中确定该关联图形的至少一个特性包括确定该关联图形的一个最大独立集。
22.如权利要求19所述的方法,其中确定该关联图形的至少一个特性包括确定该关联图形的一个最大团。
23.如权利要求19所述的方法,确定该关联图形的至少一个特性导致该量子处理器返回一个值,该值代表在该第一对象的该至少一部分与该第二对象的该至少一部分之间的相似性的一种度量。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US91290407P | 2007-04-19 | 2007-04-19 | |
US60/912,904 | 2007-04-19 | ||
PCT/CA2008/000726 WO2008128338A1 (en) | 2007-04-19 | 2008-04-18 | Systems, methods, and apparatus for automatic image recognition |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101657827A true CN101657827A (zh) | 2010-02-24 |
CN101657827B CN101657827B (zh) | 2013-03-20 |
Family
ID=39872241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008800123432A Expired - Fee Related CN101657827B (zh) | 2007-04-19 | 2008-04-18 | 用于自动图像识别的系统、方法及装置 |
Country Status (6)
Country | Link |
---|---|
US (2) | US8073808B2 (zh) |
EP (1) | EP2143044A4 (zh) |
JP (1) | JP2010525431A (zh) |
CN (1) | CN101657827B (zh) |
CA (1) | CA2681147A1 (zh) |
WO (1) | WO2008128338A1 (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105531725A (zh) * | 2013-06-28 | 2016-04-27 | D-波系统公司 | 用于对数据进行量子处理的系统和方法 |
CN107077642A (zh) * | 2014-08-22 | 2017-08-18 | D-波系统公司 | 可用于例如量子计算的用于求解问题的系统和方法 |
CN109871616A (zh) * | 2019-02-20 | 2019-06-11 | 哈尔滨工程大学 | 一项设备内部参量关联性辨识技术 |
US11386346B2 (en) | 2018-07-10 | 2022-07-12 | D-Wave Systems Inc. | Systems and methods for quantum bayesian networks |
US11461644B2 (en) | 2018-11-15 | 2022-10-04 | D-Wave Systems Inc. | Systems and methods for semantic segmentation |
US11468293B2 (en) | 2018-12-14 | 2022-10-11 | D-Wave Systems Inc. | Simulating and post-processing using a generative adversarial network |
US11481669B2 (en) | 2016-09-26 | 2022-10-25 | D-Wave Systems Inc. | Systems, methods and apparatus for sampling from a sampling server |
US11531852B2 (en) | 2016-11-28 | 2022-12-20 | D-Wave Systems Inc. | Machine learning systems and methods for training with noisy labels |
US11586915B2 (en) | 2017-12-14 | 2023-02-21 | D-Wave Systems Inc. | Systems and methods for collaborative filtering with variational autoencoders |
US11625612B2 (en) | 2019-02-12 | 2023-04-11 | D-Wave Systems Inc. | Systems and methods for domain adaptation |
US11900264B2 (en) | 2019-02-08 | 2024-02-13 | D-Wave Systems Inc. | Systems and methods for hybrid quantum-classical computing |
Families Citing this family (76)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7533068B2 (en) | 2004-12-23 | 2009-05-12 | D-Wave Systems, Inc. | Analog processor comprising quantum devices |
US7615385B2 (en) | 2006-09-20 | 2009-11-10 | Hypres, Inc | Double-masking technique for increasing fabrication yield in superconducting electronics |
US7958081B2 (en) * | 2006-09-28 | 2011-06-07 | Jagtag, Inc. | Apparatuses, methods and systems for information querying and serving on mobile devices based on ambient conditions |
US20100306318A1 (en) * | 2006-09-28 | 2010-12-02 | Sfgt Inc. | Apparatuses, methods, and systems for a graphical code-serving interface |
WO2008122128A1 (en) | 2007-04-05 | 2008-10-16 | D-Wave Systems Inc. | Physical realizations of a universal adiabatic quantum computer |
US8098179B2 (en) * | 2007-05-14 | 2012-01-17 | D-Wave Systems Inc. | Systems, methods and apparatus for digital-to-analog conversion of superconducting magnetic flux signals |
CN101334780A (zh) * | 2007-06-25 | 2008-12-31 | 英特维数位科技股份有限公司 | 人物影像的搜寻方法、系统及存储影像元数据的记录媒体 |
US8904442B2 (en) * | 2007-09-06 | 2014-12-02 | At&T Intellectual Property I, Lp | Method and system for information querying |
EP2340572B1 (en) * | 2008-09-03 | 2017-07-26 | D-Wave Systems Inc. | Systems, methods and apparatus for active compensation of quantum processor elements |
US8457366B2 (en) | 2008-12-12 | 2013-06-04 | At&T Intellectual Property I, L.P. | System and method for matching faces |
WO2010151581A2 (en) * | 2009-06-26 | 2010-12-29 | D-Wave Systems Inc. | Systems and methods for quantum computation using real physical hardware |
JP5154533B2 (ja) * | 2009-11-27 | 2013-02-27 | 株式会社エヌ・ティ・ティ・ドコモ | プログラム生成装置およびプログラム |
US20130222389A1 (en) * | 2010-11-09 | 2013-08-29 | Nec Corporation | Information processing device |
US8510618B1 (en) * | 2011-05-17 | 2013-08-13 | Northrop Grumman Systems Corporation | Error correction in quantum computing system |
WO2012176317A1 (ja) * | 2011-06-23 | 2012-12-27 | サイバーアイ・エンタテインメント株式会社 | 画像認識システムを組込んだ関連性検索によるインタレスト・グラフ収集システム |
EP2729903B1 (en) | 2011-07-06 | 2020-04-01 | D-Wave Systems Inc. | Quantum processor based systems and methods that minimize an objective function |
US8577131B1 (en) | 2011-07-12 | 2013-11-05 | Google Inc. | Systems and methods for visual object matching |
US9396440B2 (en) | 2012-04-19 | 2016-07-19 | D-Wave Systems Inc. | Systems and methods for solving combinatorial problems |
US9053579B2 (en) * | 2012-06-19 | 2015-06-09 | Palo Alto Research Center Incorporated | Selective learning for growing a graph lattice |
US8831339B2 (en) | 2012-06-19 | 2014-09-09 | Palo Alto Research Center Incorporated | Weighted feature voting for classification using a graph lattice |
US9135712B2 (en) | 2012-08-01 | 2015-09-15 | Augmented Reality Lab LLC | Image recognition system in a cloud environment |
US9501747B2 (en) | 2012-12-18 | 2016-11-22 | D-Wave Systems Inc. | Systems and methods that formulate embeddings of problems for solving by a quantum processor |
US9875215B2 (en) | 2012-12-18 | 2018-01-23 | D-Wave Systems Inc. | Systems and methods that formulate problems for solving by a quantum processor using hardware graph decomposition |
JP6141044B2 (ja) * | 2013-02-22 | 2017-06-07 | キヤノン株式会社 | 生成方法、プログラム及び情報処理装置 |
US9424526B2 (en) | 2013-05-17 | 2016-08-23 | D-Wave Systems Inc. | Quantum processor based systems and methods that minimize a continuous variable objective function |
US9727823B2 (en) | 2013-07-23 | 2017-08-08 | D-Wave Systems Inc. | Systems and methods for achieving orthogonal control of non-orthogonal qubit parameters |
US9495644B2 (en) | 2013-07-24 | 2016-11-15 | D-Wave Systems Inc. | Systems and methods for improving the performance of a quantum processor by reducing errors |
WO2015013532A1 (en) | 2013-07-24 | 2015-01-29 | D-Wave Systems Inc. | Systems and methods for increasing the energy scale of a quantum processor |
US9390368B2 (en) * | 2013-10-21 | 2016-07-12 | International Business Machines Corporation | Coupling parallel event-driven computation with serial computation |
US10275422B2 (en) | 2013-11-19 | 2019-04-30 | D-Wave Systems, Inc. | Systems and methods for finding quantum binary optimization problems |
US10002107B2 (en) | 2014-03-12 | 2018-06-19 | D-Wave Systems Inc. | Systems and methods for removing unwanted interactions in quantum devices |
US10769545B2 (en) | 2014-06-17 | 2020-09-08 | D-Wave Systems Inc. | Systems and methods employing new evolution schedules in an analog computer with applications to determining isomorphic graphs and post-processing solutions |
CA2881033C (en) | 2015-02-03 | 2016-03-15 | 1Qb Information Technologies Inc. | Method and system for solving lagrangian dual of a constrained binary quadratic programming problem |
US11797641B2 (en) | 2015-02-03 | 2023-10-24 | 1Qb Information Technologies Inc. | Method and system for solving the lagrangian dual of a constrained binary quadratic programming problem using a quantum annealer |
KR101699414B1 (ko) * | 2015-10-15 | 2017-01-24 | 서울시립대학교 산학협력단 | 이온트랩 기반의 양자역학적 인공 시각 시스템 및 연산 방법 |
US10860887B2 (en) * | 2015-11-16 | 2020-12-08 | Samsung Electronics Co., Ltd. | Method and apparatus for recognizing object, and method and apparatus for training recognition model |
US10599988B2 (en) * | 2016-03-02 | 2020-03-24 | D-Wave Systems Inc. | Systems and methods for analog processing of problem graphs having arbitrary size and/or connectivity |
WO2017152289A1 (en) | 2016-03-11 | 2017-09-14 | 1Qb Information Technologies Inc. | Methods and systems for quantum computing |
US10268964B2 (en) | 2016-03-30 | 2019-04-23 | 1Qb Information Technologies Inc. | Method and system for solving a minimum connected dominating set problem using quantum annealing for distance optimization |
US10789540B2 (en) | 2016-04-18 | 2020-09-29 | D-Wave Systems Inc. | Systems and methods for embedding problems into an analog processor |
JP6945553B2 (ja) | 2016-05-03 | 2021-10-06 | ディー−ウェイブ システムズ インコーポレイテッド | 超伝導回路及びスケーラブルな計算において使用される超伝導デバイスのためのシステム及び方法 |
US9870273B2 (en) | 2016-06-13 | 2018-01-16 | 1Qb Information Technologies Inc. | Methods and systems for quantum ready and quantum enabled computations |
US20170344898A1 (en) * | 2016-05-26 | 2017-11-30 | 1Qb Information Technologies Inc. | Methods and systems for setting a system of super conducting qubits having a hamiltonian representative of a polynomial on a bounded integer domain |
US10044638B2 (en) | 2016-05-26 | 2018-08-07 | 1Qb Information Technologies Inc. | Methods and systems for quantum computing |
US9537953B1 (en) | 2016-06-13 | 2017-01-03 | 1Qb Information Technologies Inc. | Methods and systems for quantum ready computations on the cloud |
US11138511B2 (en) * | 2017-01-13 | 2021-10-05 | D-Wave Systems Inc. | Problem solving using quantum annealer, useful for example in sequencing, for instance nucleic acid sequencing |
US11263547B2 (en) * | 2017-01-30 | 2022-03-01 | D-Wave Systems Inc. | Quantum annealing debugging systems and methods |
US10929294B2 (en) * | 2017-03-01 | 2021-02-23 | QC Ware Corp. | Using caching techniques to improve graph embedding performance |
US10412082B2 (en) * | 2017-03-09 | 2019-09-10 | Bank Of America Corporation | Multi-variable composition at channel for multi-faceted authentication |
US10991120B2 (en) * | 2017-11-14 | 2021-04-27 | Samsung Electronics Co., Ltd. | Method and apparatus for processing a plurality of undirected graphs |
CN108038548B (zh) * | 2017-11-17 | 2022-04-22 | 杭州思源信息技术股份有限公司 | 一种图像二值化的量子实现线路方法 |
CN111788588A (zh) | 2017-12-20 | 2020-10-16 | D-波系统公司 | 量子处理器中耦合量子位的系统和方法 |
US11194573B1 (en) | 2018-02-09 | 2021-12-07 | Rigetti & Co, Llc | Streaming execution for a quantum processing system |
US11100418B2 (en) | 2018-02-28 | 2021-08-24 | D-Wave Systems Inc. | Error reduction and, or, correction in analog computing including quantum processor-based computing |
GB2572975A (en) * | 2018-04-17 | 2019-10-23 | Scape Tech Ltd | Quantum bundle adjustment |
US11105866B2 (en) | 2018-06-05 | 2021-08-31 | D-Wave Systems Inc. | Dynamical isolation of a cryogenic processor |
JP6570698B1 (ja) * | 2018-05-18 | 2019-09-04 | 株式会社リクルートコミュニケーションズ | 設定装置、設定方法及び設定プログラム |
US11537926B2 (en) | 2019-01-17 | 2022-12-27 | D-Wave Systems Inc. | Systems and methods for hybrid algorithms using cluster contraction |
US11783217B2 (en) * | 2019-02-21 | 2023-10-10 | IonQ, Inc. | Quantum circuit optimization |
US11567779B2 (en) | 2019-03-13 | 2023-01-31 | D-Wave Systems Inc. | Systems and methods for simulation of dynamic systems |
US11334746B2 (en) * | 2019-05-01 | 2022-05-17 | EMC IP Holding Company LLC | Facial recognition for multi-stream video using high probability group |
US11010599B2 (en) | 2019-05-01 | 2021-05-18 | EMC IP Holding Company LLC | Facial recognition for multi-stream video using high probability group and facial network of related persons |
WO2020255076A1 (en) | 2019-06-19 | 2020-12-24 | 1Qb Information Technologies Inc. | Method and system for mapping a dataset from a hilbert space of a given dimension to a hilbert space of a different dimension |
EP3754564A1 (en) | 2019-06-21 | 2020-12-23 | Fujitsu Limited | Ising machine data input apparatus and method of inputting data into an ising machine |
US11839164B2 (en) | 2019-08-19 | 2023-12-05 | D-Wave Systems Inc. | Systems and methods for addressing devices in a superconducting circuit |
EP4042298A4 (en) * | 2019-10-09 | 2024-02-07 | Cornell University | QUANTUM COMPUTING-BASED HYBRID SOLUTION STRATEGIES FOR LARGE DISCRETE-CONTINUOUS OPTIMIZATION PROBLEMS |
US11556830B2 (en) | 2019-11-19 | 2023-01-17 | International Business Machines Corporation | Efficient quadratic ising hamiltonian generation with qubit reduction |
US11409426B2 (en) | 2020-02-24 | 2022-08-09 | D-Wave Systems Inc. | User in interface, programmer and/or debugger for embedding and/or modifying problems on quantum processors |
USD1002664S1 (en) | 2020-02-24 | 2023-10-24 | D-Wave Systems Inc. | Display screen or portion thereof with graphical user interface |
CN111488472B (zh) * | 2020-04-09 | 2021-07-20 | 河北利至人力资源服务有限公司 | 一种图数据处理方法及系统 |
CN111241356B (zh) * | 2020-04-26 | 2020-08-11 | 腾讯科技(深圳)有限公司 | 基于模拟量子算法的数据搜索方法、装置及设备 |
EP3961516A1 (en) | 2020-08-26 | 2022-03-02 | Fujitsu Limited | A framework for automated generation of qubo or higher order formulations from high-level source code |
US11983604B2 (en) | 2021-07-16 | 2024-05-14 | Hewlett Packard Enterprise Development Lp | Quantum-inspired algorithms to solve intractable problems using classical computers |
JP2023170805A (ja) | 2022-05-20 | 2023-12-01 | 富士通株式会社 | プログラム、情報処理方法および情報処理装置 |
US11842455B1 (en) * | 2022-06-20 | 2023-12-12 | International Business Machines Corporation | Synchronizing physical and virtual environments using quantum entanglement |
CN116050375B (zh) * | 2022-11-23 | 2024-01-30 | 广东铭太信息科技有限公司 | 政策文件相似度比较方法、装置、系统及电子设备 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030108242A1 (en) * | 2001-12-08 | 2003-06-12 | Conant Stephen W. | Method and apparatus for processing data |
FR2839389B1 (fr) * | 2002-05-03 | 2005-08-05 | Commissariat Energie Atomique | Dispositif de bit quantique supraconducteur a jonctions josephson |
US8429174B2 (en) * | 2003-01-25 | 2013-04-23 | Purdue Research Foundation | Methods, systems, and data structures for performing searches on three dimensional objects |
CA2537602A1 (en) * | 2003-09-05 | 2005-03-17 | D-Wave Systems, Inc. | Superconducting phase-charge qubits |
US7308119B2 (en) * | 2003-11-26 | 2007-12-11 | Canon Kabushiki Kaisha | Image retrieval apparatus and method, and image display apparatus and method thereof |
US7418283B2 (en) * | 2004-03-29 | 2008-08-26 | D-Wave Systems Inc. | Adiabatic quantum computation with superconducting qubits |
US7533068B2 (en) * | 2004-12-23 | 2009-05-12 | D-Wave Systems, Inc. | Analog processor comprising quantum devices |
US7619437B2 (en) * | 2004-12-30 | 2009-11-17 | D-Wave Systems, Inc. | Coupling methods and architectures for information processing |
US7870087B2 (en) * | 2006-11-02 | 2011-01-11 | D-Wave Systems Inc. | Processing relational database problems using analog processors |
US7984012B2 (en) * | 2006-11-02 | 2011-07-19 | D-Wave Systems Inc. | Graph embedding techniques |
KR101446943B1 (ko) * | 2006-12-05 | 2014-10-06 | 디-웨이브 시스템즈, 인코포레이티드 | 양자 프로세서 요소들의 국부적 프로그래밍을 위한 시스템들, 방법들 및 장치 |
WO2008083498A1 (en) * | 2007-01-12 | 2008-07-17 | D-Wave Systems, Inc. | Systems, devices and methods for interconnected processor topology |
WO2008089559A1 (en) * | 2007-01-23 | 2008-07-31 | D-Wave Systems Inc. | Systems, devices, and methods for controllably coupling qubits |
US8477147B2 (en) * | 2008-04-01 | 2013-07-02 | The United States Of America, As Represented By The Secretary Of The Navy | Methods and systems of comparing face models for recognition |
-
2008
- 2008-04-18 JP JP2010503324A patent/JP2010525431A/ja active Pending
- 2008-04-18 CA CA002681147A patent/CA2681147A1/en not_active Abandoned
- 2008-04-18 CN CN2008800123432A patent/CN101657827B/zh not_active Expired - Fee Related
- 2008-04-18 US US12/106,024 patent/US8073808B2/en active Active
- 2008-04-18 WO PCT/CA2008/000726 patent/WO2008128338A1/en active Application Filing
- 2008-04-18 EP EP08733763A patent/EP2143044A4/en not_active Ceased
-
2011
- 2011-10-28 US US13/284,418 patent/US8655828B2/en active Active
Non-Patent Citations (2)
Title |
---|
FRED GLOVER ET AL: "One-pass heuristics for large-scale unconstrained binary quadratic problems", 《EUROPEAN JOURNAL OF OPERATIONAL RESEARCH》 * |
MARCELLO PELILLO ET AL: "Matching Hierarchical Structures Using Association Graphs", 《IEEE TRANSACTIONS ON PATERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11501195B2 (en) | 2013-06-28 | 2022-11-15 | D-Wave Systems Inc. | Systems and methods for quantum processing of data using a sparse coded dictionary learned from unlabeled data and supervised learning using encoded labeled data elements |
CN105531725B (zh) * | 2013-06-28 | 2018-03-13 | D-波系统公司 | 用于对数据进行量子处理的系统和方法 |
CN108256651A (zh) * | 2013-06-28 | 2018-07-06 | D-波系统公司 | 用于对数据进行量子处理的方法 |
CN108256651B (zh) * | 2013-06-28 | 2022-09-06 | D-波系统公司 | 用于对数据进行量子处理的方法 |
CN105531725A (zh) * | 2013-06-28 | 2016-04-27 | D-波系统公司 | 用于对数据进行量子处理的系统和方法 |
CN107077642A (zh) * | 2014-08-22 | 2017-08-18 | D-波系统公司 | 可用于例如量子计算的用于求解问题的系统和方法 |
CN107077642B (zh) * | 2014-08-22 | 2021-04-06 | D-波系统公司 | 可用于量子计算的用于求解问题的系统和方法 |
US11481669B2 (en) | 2016-09-26 | 2022-10-25 | D-Wave Systems Inc. | Systems, methods and apparatus for sampling from a sampling server |
US11531852B2 (en) | 2016-11-28 | 2022-12-20 | D-Wave Systems Inc. | Machine learning systems and methods for training with noisy labels |
US11586915B2 (en) | 2017-12-14 | 2023-02-21 | D-Wave Systems Inc. | Systems and methods for collaborative filtering with variational autoencoders |
US11386346B2 (en) | 2018-07-10 | 2022-07-12 | D-Wave Systems Inc. | Systems and methods for quantum bayesian networks |
US11461644B2 (en) | 2018-11-15 | 2022-10-04 | D-Wave Systems Inc. | Systems and methods for semantic segmentation |
US11468293B2 (en) | 2018-12-14 | 2022-10-11 | D-Wave Systems Inc. | Simulating and post-processing using a generative adversarial network |
US11900264B2 (en) | 2019-02-08 | 2024-02-13 | D-Wave Systems Inc. | Systems and methods for hybrid quantum-classical computing |
US11625612B2 (en) | 2019-02-12 | 2023-04-11 | D-Wave Systems Inc. | Systems and methods for domain adaptation |
CN109871616A (zh) * | 2019-02-20 | 2019-06-11 | 哈尔滨工程大学 | 一项设备内部参量关联性辨识技术 |
CN109871616B (zh) * | 2019-02-20 | 2023-07-25 | 哈尔滨工程大学 | 一种设备内部参量关联性辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101657827B (zh) | 2013-03-20 |
CA2681147A1 (en) | 2008-10-30 |
US20080260257A1 (en) | 2008-10-23 |
EP2143044A1 (en) | 2010-01-13 |
US8073808B2 (en) | 2011-12-06 |
EP2143044A4 (en) | 2012-08-08 |
US8655828B2 (en) | 2014-02-18 |
US20120045136A1 (en) | 2012-02-23 |
WO2008128338A1 (en) | 2008-10-30 |
JP2010525431A (ja) | 2010-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101657827B (zh) | 用于自动图像识别的系统、方法及装置 | |
Li et al. | Forecasting with time series imaging | |
Carrasquilla | Machine learning for quantum matter | |
US8190548B2 (en) | Systems, devices, and methods for analog processing | |
US7880529B2 (en) | Systems, devices, and methods for controllably coupling qubits | |
US8102185B2 (en) | Systems, devices, and methods for controllably coupling qubits | |
US10133959B2 (en) | Machine vision system using quantum mechanical hardware based on trapped ion spin-phonon chains and arithmetic operation method thereof | |
US8032474B2 (en) | Processing relational database problems using analog processors | |
Luqman et al. | Fuzzy multilevel graph embedding | |
US20090070402A1 (en) | Systems, methods, and apparatus for a distributed network of quantum computers | |
US9424526B2 (en) | Quantum processor based systems and methods that minimize a continuous variable objective function | |
US20080052055A1 (en) | Systems, methods and apparatus for protein folding simulation | |
Astudillo et al. | Imposing tree-based topologies onto self organizing maps | |
Bai et al. | Neural shape codes for 3D model retrieval | |
Narayanan et al. | Emphysema medical image classification using fuzzy decision tree with fuzzy particle swarm optimization clustering | |
Hamreras et al. | Content based image retrieval by convolutional neural networks | |
Ghahremani et al. | Orderly disorder in point cloud domain | |
KR101951524B1 (ko) | 오비탈 큐빗기반의 양자역학적 인공 시각 시스템 및 연산 방법 | |
Marcílio-Jr et al. | HUMAP: hierarchical uniform manifold approximation and projection | |
El Bouchti et al. | Forecasting financial risk using quantum neural networks | |
Benkner et al. | Quant: Quantum annealing with learnt couplings | |
Li et al. | An introduction to quantum machine learning algorithms | |
Seng et al. | Application of RS Theory and SVM in the Ore-rock Classification | |
Saju et al. | Analysis on Role of Quantum Computing in Machine Learning | |
Moyou et al. | LBO-Shape densities: A unified framework for 2D and 3D shape classification on the hypersphere of wavelet densities |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130320 Termination date: 20210418 |