CN108734299A - 量子计算机器学习模块 - Google Patents
量子计算机器学习模块 Download PDFInfo
- Publication number
- CN108734299A CN108734299A CN201810350991.4A CN201810350991A CN108734299A CN 108734299 A CN108734299 A CN 108734299A CN 201810350991 A CN201810350991 A CN 201810350991A CN 108734299 A CN108734299 A CN 108734299A
- Authority
- CN
- China
- Prior art keywords
- data
- task
- quantum
- calculating
- calculating task
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
用于训练机器学习模型以在包括至少一个量子计算资源的系统中路由所接收的计算任务的方法、系统和装置。在一个方面,一种方法包括:获取第一组数据,第一组数据包括表示由系统先前执行的多个计算任务的数据;获取由系统先前执行的多个计算任务的输入数据,包括表示任务被路由到的计算资源的类型的数据;获取第二组数据,第二组数据包括表示与使用一个或多个量子计算资源来求解多个计算任务相关联的属性的数据;以及训练机器学习模型以路由表示要使用(i)第一组数据、(ii)输入数据和(iii)第二组数据来执行的计算任务的所接收的数据。
Description
背景技术
对于一些计算任务,与传统设备相比,量子计算设备可以提供更快的计算速度。例如,量子计算机可以实现加快诸如数据库搜索、评估NAND树、整数因子分解或量子多体系统模拟等任务。
作为另一示例,绝热量子退火机与传统的退火机相比可以针对一些优化任务实现更快的计算速度。为了执行优化任务,可以构建和编程量子硬件,以将对应优化任务的解编码为表征量子硬件的多体量子哈密顿量的能量谱。例如,解被编码在哈密顿算子的基态中。
发明内容
本说明书描述了可以用于将所接收的计算任务路由到一个或多个量子计算设备或一个或多个传统计算设备的机器学习模块。机器学习模块使用机器学习技术来确定何时以及如何利用量子计算的力量。
通常,本说明书中描述的主题的一个创新方面可以在一种计算机实现的方法中实现,该方法用于训练机器学习模型以在包括至少一个量子计算资源的系统中路由所接收的计算任务,该方法包括以下动作:获取第一组数据,第一组数据包括表示由系统先前执行的多个计算任务的数据;获取第二组数据,第二组数据包括表示与使用一个或多个量子计算资源来求解多个计算任务相关联的属性的数据;获取由系统先前执行的多个计算任务的输入数据,包括表示任务被路由到的计算资源的类型的数据;以及训练机器学习模型以路由表示要使用(i)第一组数据、(ii)输入数据和(iii)第二组数据来执行的计算任务的所接收的数据。
这个方面的其他实现包括对应的计算机系统、装置和记录在一个或多个计算机存储设备上的计算机程序,每个被配置为执行上述方法的动作。一个或多个计算机的系统可以被配置为通过在系统上安装软件、固件、硬件或其组合来执行特定的操作或动作,这些软件、固件、硬件或其组合在操作时引起系统执行动作。一个或多个计算机程序可以被配置为通过包括在由数据处理装置执行时引起装置执行动作的指令来执行特定的操作或动作。
可选地,前述和其他实现每个可以单独或组合地包括以下特征中的一个或多个。在一些实现中,量子计算资源包括(i)量子门计算机、(ii)绝热退火机或(iii)量子模拟器中的一个或多个。
在一些实现中,该系统还包括一个或多个传统计算资源。
在一些实现中,计算任务包括优化任务。
在一些实现中,使用一个或多个量子计算资源来求解多个计算任务的属性包括对于每个计算任务而言的以下中的一个或多个:(i)由一个或多个量子计算资源生成的解的近似质量;(ii)与由一个或多个量子计算资源生成的解相关联的计算时间;或(iii)与由一个或多个量子计算资源生成的解相关联的计算成本。
在一些实现中,表示使用一个或多个量子计算资源来求解多个计算任务的属性的数据还包括对于每个量子计算资源而言的以下中的一个或多个:(i)可用于量子计算资源的量子位的数目;以及(ii)与使用量子计算资源相关联的成本。
在一些实现中,由系统先前执行的多个计算任务的所获取的输入数据还包括对于每个计算任务而言的以下中的一个或多个:(i)表示与计算任务相关联的输入数据集的大小的数据;(ii)指示与计算任务相关联的输入数据集包括静态的、实时的还是静态的和实时的输入数据的数据;(iii)表示与计算任务相关联的容错的数据;以及(iv)表示与计算任务相关联的所需要的置信水平的数据。
在一些实现中,由系统先前执行的多个计算任务的所获取的输入数据还包括指示与每个计算任务相关联的输入数据集的改变的频率的数据。
在一些实现中,训练机器学习模型以路由所接收的计算任务包括:使用(i)第一组数据、(ii)输入数据和(iii)第二组数据生成一组训练示例,其中每个训练示例包括与已知机器学习模型输出相配对的机器学习模型输入;以及使用这组训练示例来训练机器学习模型。
通常,本说明书中描述的主题的另一创新方面可以在一种计算机实现的方法中实现,该方法用于获取计算任务的解,该方法包括:接收表示要由包括一个或多个量子计算资源和一个或多个传统计算资源的系统执行的计算任务的数据;使用机器学习模型处理所接收的数据以确定要将表示计算任务的数据路由到一个或多个量子计算资源或一个或多个传统计算资源中的哪个,其中机器学习模型已经通过训练被配置为路由表示要在包括至少一个量子计算资源的系统中执行的计算任务的所接收的数据;以及将表示计算任务的数据路由到所确定的计算资源以从所确定的计算资源获取表示计算任务的解的数据。
这个方面的其他实现包括对应的计算机系统、装置和记录在一个或多个计算机存储设备上的计算机程序,每个被配置为执行该方法的动作。一个或多个计算机的系统可以被配置为通过在系统上安装软件、固件、硬件或其组合来执行特定的操作或动作,这些软件、固件、硬件或其组合在操作时引起系统执行动作。一个或多个计算机程序可以被配置为通过包括在由数据处理装置执行时引起装置执行动作的指令来执行特定的操作或动作。
可选地,前述和其他实现每个可以单独或组合地包括以下特征中的一个或多个。在一些实现中,量子计算资源包括(i)量子门计算机、(ii)绝热退火机或(iii)量子模拟器中的一个或多个。
在一些实现中,计算任务包括优化任务。
在一些实现中,训练机器学习模型以路由表示要执行的计算任务的所接收的数据包括使用(i)表示由系统先前执行的多个计算任务的数据以及(ii)表示任务被路由到的计算资源的类型的数据来训练机器学习模型。
在一些实现中,表示由系统先前执行的多个计算任务的数据包括对于每个计算任务而言的以下中的一个或多个:(i)表示与计算任务相关联的输入数据集的大小的数据;(ii)指示与计算任务相关联的输入数据集包括静态的、实时的还是静态的和实时的输入数据的数据;(iii)表示与计算任务相关联的容错的数据;以及(iv)表示与计算任务相关联的所需要的置信水平的数据。
在一些实现中,表示由系统先前执行的多个计算任务的数据包括指示与每个计算任务相关联的输入数据集的改变的频率的数据。
在一些实现中,该方法还包括使用表示与使用一个或多个量子计算资源来求解多个计算任务相关联的属性的数据来训练机器学习模型。
在一些实现中,与使用一个或多个量子计算资源来求解多个计算任务相关联的属性包括:对于每个计算任务而言的以下中的一个或多个:(i)由一个或多个量子计算资源生成的解的近似质量;(ii)与由一个或多个量子计算资源生成的解相关联的计算时间;或(iii)与由一个或多个量子计算资源生成的解相关联的计算成本,以及对于每个量子计算资源而言的以下中的一个或多个:(i)可用于量子计算资源的量子位的数目;以及(ii)与使用量子计算资源相关联的成本。
本说明书中描述的主题可以以特定方式实现,以实现以下优点中的一个或多个。
对于一些优化任务,量子计算设备可以提供与传统设备相比的计算速度的提高。例如,量子计算机可以实现提高诸如数据库搜索或评估NAND树等任务的速度。作为另一示例,量子退火机与传统的退火机相比可以针对一些优化任务实现计算速度的提高。例如,确定与优化任务相关联的复杂流形的全局最小值或最大值是极具挑战性的任务。在一些情况下,使用量子退火机求解优化任务可能是使用传统计算设备的准确而有效的替代方案。
相反,对于一些优化任务,与传统设备相比,量子计算设备可以不提供改进。例如,尽管量子计算设备可以针对一些计算任务提供计算加速,但是与使用量子设备来执行计算任务相关联的成本可能高于与使用传统计算设备来执行计算任务相关联的成本。这样的成本可以包括计算成本(即,构建和使用计算设备所需要的资源成本)和财务成本(即,在外部计算资源上租用计算时间的货币成本和费用)。因此,在使用量子计算资源和传统计算资源的好处之间存在折衷。
如本说明书中描述的,量子计算机学习模块平衡这种折衷并且学习计算任务到传统或量子计算资源的最佳路由。通过学习何时以及如何利用量子计算的力量,与不包括量子计算资源的系统或者不学习计算任务到传统或量子资源的最佳路由的系统相比,实现量子计算机器学习模块的系统可以更高效和/或更准确地执行计算任务。
另外,如本说明书中描述的,量子计算模块可以随着更有效的量子和传统系统被引入而适应超时。例如,尽管量子计算或当前量子硬件的当前实现可以包括显著的传统开销,例如利用传统计算能力,但是充分证据支持,未来的量子计算硬件将能够在比当前量子计算硬件或传统计算硬件更短的时间内执行指数级的更具挑战性的任务。相反,由于传统计算机仍然是水平可扩展的,因此可用于计算的附加容量将作为机器学习中的因素以确定资源的最佳使用。
在附图和下面的描述中阐述了本说明书的主题的一个或多个实现的细节。主题的其他特征、方面和优点将从说明书、附图和权利要求中变得清楚。
附图说明
图1A描绘了用于执行计算任务的示例系统;
图1B描绘了全局搜索空间和局部搜索空间的示例可视化;
图2描绘了示例量子计算机器学习模块;
图3是用于训练机器学习模型以在包括一个或多个量子计算资源的系统中路由所接收的计算任务的示例过程的流程图;以及
图4是用于使用包括一个或多个量子计算资源的系统来获取计算任务的解的示例过程的流程图。
在各个附图中相同的附图标记和指定指示相同的元素。
具体实施方式
对于一些计算任务,量子计算设备与传统设备相比可以提供计算加速。例如,量子计算机可以实现诸如数据库搜索或评估NAND树等任务的多项式加速。作为另一示例,绝热量子退火机与传统的退火机相比可以针对一些优化任务实现计算加速。
然而,这样的量子计算机或量子退火机可能并未普遍地应用于任何计算任务——例如,在量子退火机的情况下,计算任务围绕量子退火机来设计,而不是量子退火机围绕计算任务来设计。此外,在一些情况下,计算任务可能太复杂而无法使用量子设备来实现,或者可能需要大量的传统开销,这表示使用量子设备来求解计算任务要比使用传统设备来求解计算任务更慢或更昂贵。
本说明书提供了用于在求解计算任务时确定何时以及如何利用量子计算设备的系统和方法。一种系统可以接收要执行的计算任务,例如优化任务。例如,该系统可以是被配置为接收输入数据并且基于所接收的输入数据生成优化任务的最优解作为输出的优化引擎。所接收的输入数据可以包括静态和实时数据。
该系统将与所接收的计算任务相关联的计算外包给一个或多个外部设备。在一些情况下,该系统可以在外包任务之前预处理计算任务,例如包括将所接收的计算任务分离为一个或多个子任务。外部设备可以包括量子计算设备(例如量子退火机、量子模拟器或量子门计算机)和传统计算设备(例如标准传统处理器或超级计算机)。
该系统决定何时以及向何处外包与所接收的计算任务相关联的计算。这样的任务路由可能是一个复杂的问题,它依赖于很多因素。该系统被训练为使用一组训练数据来学习所接收的计算任务的最佳路由。训练数据包括来自若干来源的数据,如下所述,其可以用于生成多个训练示例。每个训练示例可以包括(i)涉及先前的计算任务的输入数据,例如指定任务的数据、任务的大小/复杂度、用于求解任务的限制、容错,(ii)与哪个设备用来求解任务相关的信息,或者(iii)指示使用该设备获取的解的质量的度量,例如解中的置信水平、生成解所花费的计算时间、或所产生的计算成本。
其他数据可以被包括在训练数据中,包括在处理先前的计算任务时可用的计算资源的指示、在量子设备中使用的量子位的数目、在量子设备或传统设备上运行以处理问题的算法的能力、使用传统或量子设备的成本、或者传统或量子设备的可靠性。
在一些情况下,该系统学习基于系统中的业务流来适配计算任务的路由,例如,如果接收到很多计算任务,则机器学习模块可以学习优先化某些任务或子任务,或者学习何时等待特定设备再次变得可用是更高效的或者何时将任务路由到第二选择设备是更高效的。
训练可以包括应用常规机器学习技术,诸如计算损失函数和反向传播梯度。一旦机器学习模块已经被训练,其可以在运行时用于推断,例如以接收要执行的新的计算任务并且寻找计算任务的改进的路由以便获取所接收的任务的解。
示例操作环境
图1A描绘了用于执行计算任务的示例系统100。系统100是在一个或多个计算机中在一个或多个位置上实现为计算机程序的系统的示例,其中可以实现下面描述的系统、组件和技术。
用于执行计算任务的系统100被配置为接收表示要求解的计算任务的输入数据,例如,输入数据102。例如,在一些情况下,系统100可以被配置为求解多个计算任务,例如包括优化任务、模拟任务、算术任务、数据库搜索、机器学习任务或数据压缩任务。在这些情况下,输入数据102可以是指定多个计算任务之一的数据。表示要求解的计算任务的输入数据102可以指定计算任务的一个或多个属性。例如,在计算任务是优化任务的情况下,输入数据102可以包括表示与优化任务相关联的参数的数据(例如,表示优化任务的目标函数要在其上被优化的参数)和参数的一个或多个值。
在一些情况下,输入数据102可以包括静态输入数据和动态输入数据,例如实时输入数据。作为示例,输入数据102可以是表示优化水网络的设计以便优化由网络分配的水量的任务的数据。在这个示例中,输入数据102可以包括表示水网络的一个或多个属性的静态输入数据,例如可用水管的总数、可用连接节点的总数或可用水箱的总数。另外,输入数据102可以包括表示与优化任务相关联的一个或多个参数的数据,例如每个管道中的水压水平、每个连接节点处的水压水平、每个水箱中的水位高度、整个网络中的水中的化学物质的浓度、水龄或水源。此外,输入数据102可以包括表示水网络的一个或多个当前属性或参数值的动态输入数据,例如使用的当前水管的数目、每个管道中的当前水压水平、水中的当前化学物质的浓度、或水的当前温度。
在一些实现中,输入数据102还可以包括指定与计算任务相关联的一个或多个任务目标的数据。任务目标可以包括局部任务目标和全局任务目标。局部任务目标可以包括在求解计算任务时要考虑的局部目标,例如计算任务的解的局部目标。例如,局部目标可以包括对计算任务变量子集的值的约束。全局任务目标可以包括在求解计算任务时要考虑的全局目标,例如计算任务的解的全局目标。
例如,继续优化水网络的任务的上述示例,输入数据102还可以包括指定局部任务目标的数据,诸如对水中化学物质的浓度的约束(例如,将化学物质的浓度约束到0.2%至0.5%之间)以及对使用的水管的数目的约束(例如,将水管的总数约束到小于1000)。另一示例局部任务目标可以是优化水网络的特定部分。另外,输入数据102还可以包括指定诸如一个或多个全局目标等全局任务目标的数据,例如,保持水浪费低于2%的目标或每天分配至少1000万加仑的水的目标。
在其他实现中,指定与计算任务相关联的一个或多个任务目标的数据可以存储在系统100中,用于执行计算任务,例如在任务目标数据存储库112中。例如,如上所述,用于执行计算任务的系统100可以被配置为求解多个计算任务,并且输入数据102可以是指定多个计算任务之一的数据。在这个示例中,用于执行计算任务的系统100可以被配置为存储与其被配置为执行的每个计算任务相对应的任务目标。为了方便起见,在本文档的其余部分中,将指定与计算任务相关联的一个或多个任务目标的数据描述为存储在任务目标数据存储库112中。
用于执行计算任务的系统100被配置为处理所接收的输入数据102以生成输出数据104。在一些实现中,生成的输出数据104可以包括表示由输入数据102指定的计算任务的解的数据,例如基于一个或多个全局任务目标112b的计算任务的全局解。
在其他实现中或另外地,输出数据104可以包括表示计算任务的一个或多个局部解的数据,例如,基于局部任务目标112a和全局任务目标112b的优化任务的一个或多个初始解。优化任务的局部解可以包括优化任务的子任务的解。例如,局部解可以包括在与优化任务相关联的参数的子集上最优的解,例如,在子集由局部任务目标112a指定的情况下。也就是说,局部解可以包括在全局搜索空间或优化任务的子空间或局部空间上最优的解。例如,局部空间可以是将表示全局搜索空间的多维样条(spline)投影到二维基空间(basespace)的结果。全局搜索空间和局部空间150的示例可视化在图1B中示出。在图1B中,多维样条152表示全局搜索空间,并且二维基空间154表示局部空间。
作为另一示例,在优化任务是可分离任务(例如,可以被写为多个子任务之和的任务)的情况下,局部解可以包括子任务总和中的每个子任务的最优解,例如,在子任务由局部任务目标112a指定的情况下。
例如,继续上述优化水网络的任务的示例,输出数据104可以包括表示与水网络优化任务相关联的上述参数的全局最优配置(关于全局任务目标,例如浪费目标和分配目标)的数据。替代地或另外地,输出数据104可以包括表示水网络优化任务的多个局部解的数据,例如指定要使用的最佳水管数目、每个管道中的相关联的水压力、或者流过网络的水的化学物质的浓度的数据。在一些实现中,由局部解指定的参数值可以与由全局解指定的参数值相同。在其他实现中,由局部解指定的参数值可以不同于由全局解指定的参数值,例如,局部解可以建议化学浓度为0.4%,而全局解可以建议化学浓度为0.3%。
输出数据104可以用于发起与由输入数据102指定的优化任务相关联的一个或多个动作,例如动作138。例如,继续优化水网络的任务的上述示例,输出数据104可以用于调节水网络中的一个或多个参数,例如增加或减少当前的水的化学物质的浓度,增加或减少使用的水管的数目,或者增加或减少一个或多个水管压力。
可选地,用于执行计算任务的系统100可以包括集成层114和代理136。集成层114可以被配置为管理所接收的输入数据,例如输入数据102。例如,集成层114可以管理数据传输连接性,管理数据访问授权,或者监测进入系统100的数据馈送。
代理136可以被配置为从系统100接收输出数据104以执行优化任务并且生成要采取的一个或多个动作,例如动作138。动作可以包括局部动作,例如对优化参数的子集的调节,其有助于实现优化任务的局部和全局目标。
用于执行计算任务的系统100包括计算引擎106。计算引擎106被配置为处理所接收的数据以获取计算任务的解。所获取的解可以包括基于一个或多个全局任务目标112b的计算任务的全局解。替代地或另外地,所获取的解可以包括基于一个或多个局部任务目标112a的优化任务的一个或多个初始解,例如计算任务的一个或多个局部解。在一些实现中,计算引擎106可以处理所接收的输入数据以获取基于局部任务目标112a的优化任务的一个或多个初始解,然后进一步处理优化任务的一个或多个初始解以生成基于全局任务目标112b的优化任务的全局解。
计算引擎106可以被配置为使用被包括在计算引擎106中或以其他方式包括在用于执行计算任务的系统100中的一个或多个计算资源来处理所接收的数据。在其他实现中,计算引擎106可以被配置为使用一个或多个外部计算资源(例如,附加计算资源110a至110d)来处理所接收的数据。例如,计算引擎106可以被配置为分析表示要求解的计算任务的所接收的输入数据102和表示对应的任务目标112a和112b的数据,并且将与求解基于任务目标112a和112b的计算任务相关联的一个或多个计算外包给附加计算资源110a至110d。
附加计算资源110a至110d可以包括量子退火计算资源,例如量子退火机110a。量子退火机是被配置为执行量子退火的设备,量子退火是一种用于使用量子隧穿在给定的候选状态集合上寻找给定目标函数的全局最小值的过程。量子隧穿是一种量子力学现象,其中量子力学系统克服传统描述的系统无法克服的能量图景中的局部障碍。
附加计算资源110a至110d可以包括一个或多个量子门处理器,例如量子门处理器110b。量子门处理器包括一个或多个量子电路,即用于量子计算的模型,其中使用量子逻辑门的序列(其在多个量子位(量子位)上操作)来执行计算。
附加计算资源110a至110d可以包括一个或多个量子模拟器,例如量子模拟器110c。量子模拟器是一种量子计算机,其可以被编程为模拟其他量子系统及其属性。示例量子模拟器包括实验平台,诸如超冷量子气体系统、囚禁离子、光子系统或超导电路。
附加计算资源110a至110d可以包括一个或多个传统处理器,例如传统处理器110d。在一些实现中,一个或多个传统处理器(例如,传统处理器110d)可以包括超级计算机,即具有高级计算能力的计算机。例如,传统处理器110d可以表示具有大量处理器的计算系统,例如分布式计算系统或计算机集群。
用于执行计算任务的系统100包括被配置为学习哪些(如果有的话)计算要路由到附加计算资源110a至110d的机器学习模块132。例如,机器学习模块132可以包括可以使用训练数据来训练以确定何时以及向何处外包某些计算的机器学习模型。训练数据可以包括标记的训练示例,例如与相应的已知的机器学习模型输出相配对的机器学习模型输入,其中每个训练示例包括来自多个资源的数据,如下面更详细描述的。机器学习模型可以处理每个机器学习模型输入以生成相应的机器学习模型输出,计算所生成的机器学习模型输出与已知的机器学习模型之间的损失函数,并且反向传播梯度以从初始值向经训练的值调节机器学习模型参数。下面参考图2更详细地描述示例机器学习模块。下面参考图4更详细地描述训练机器学习模型以将所接收的计算路由到一个或多个外部计算资源。
用于执行计算任务的系统100包括高速缓存124。高速缓存124被配置为存储与系统100和系统100执行的计算任务相关的不同类型的数据。例如,高速缓存124可以被配置为存储表示由系统100先前执行的多个计算任务的数据。在一些情况下,高速缓存124还可以被配置为存储系统100先前求解的计算任务的先前生成的解。在一些情况下,这可以包括相同计算任务的解,例如,具有不同的任务目标或不同的动态输入数据。在其他情况下,这可以包括不同计算任务的解。高速缓存124可以被配置为存储在指定的感兴趣时间帧内的先前接收的计算任务的先前生成的解,例如,在过去24小时内生成的解。
高速缓存124还可以被配置为标记先前生成的解。例如,如果解在预定的可接受的时间量内生成,和/或如果与生成解相关联的成本低于预定阈值,则先前生成的解可以被标记为成功的解。相反,如果解未在预定的可接受的时间量内生成,和/或如果与生成解相关联的成本高于预定阈值,则先前生成的解可以被标记为不成功的解。将解标记为成功或不成功可以包括存储表示与生成解相关联的成本的数据或表示生成解所花费的时间的数据。这样的信息可以被提供用于输入到机器学习模块132中。在一些情况下,所存储的不成功的数据可以从高速缓存124中清除,例如以为表示新生成的解的数据释放存储空间。
高速缓存124还可以被配置为存储与由系统先前执行的多个计算任务相关联的系统输入数据。例如,输入数据可以包括表示每个计算任务被路由到的计算资源的类型的数据。另外,与系统先前执行的多个计算任务相关联的输入数据还可以包括对于每个计算任务而言的以下中的一个或多个:(i)表示与计算任务相关联的输入数据集的大小的数据,(ii)指示与计算任务相关联的输入数据集包括静态的、实时的还是静态的和实时的输入数据的数据,(iii)表示与计算任务相关联的容错的数据,或者(iv)表示与计算任务相关联的所需要的置信水平的数据。在一些实现中,高速缓存124还可以存储指示与每个计算任务相关联的输入数据集的改变的频率的数据。下面参考图3更详细地描述存储在高速缓存124中的不同类型的输入数据的示例。
可选地,用于执行计算任务的系统100可以包括监测模块128。监测模块128被配置为监测一个或多个附加计算资源110a至110d之间的交互以及去往和来自一个或多个附加计算资源110a至110d的事务。例如,监测模块128可以被配置为检测对附加计算资源110a至110d中的一个或多个的失败或卡住的调用。可以导致对附加计算资源110a至110d中的一个或多个的调用失败或卡住的示例失败包括系统100中包括的传输层的问题,即,数据移动通过云的问题、安全登录失败或附加计算资源110a至110d自身的问题,诸如附加计算资源110a至110d的性能或可用性的问题。监测模块128可以被配置为处理检测到的对附加计算资源110a至110d中的一个或多个的失败或卡住的调用,并且确定要由系统100响应于失败或卡住的调用而采取的一个或多个校正动作。替代地,监测模块128可以被配置为向系统100的其他组件(例如,全局优化引擎106或机器学习模块132)通知检测到的对附加计算资源110a至110d中的一个或多个的失败或卡住的调用。
例如,如果一个或多个计算被外包给特定的量子计算资源,然而特定的量子计算资源突然变得不可用或者处理外包计算的速度太慢,则监测模块128可以被配置为通知系统100的相关组件,例如机器学习模块132。机器学习模块132然后可以被配置为确定一个或多个建议的校正动作,例如,指示系统100将计算外包给不同的计算资源或者使用相同的计算资源来重新尝试计算。通常,建议的校正动作可以包括保持系统100实时地成功操作的动作,例如,即使当系统100外部的资源退化正在发生时。
可选地,用于执行计算任务的系统100可以包括安全组件130。安全组件130被配置为执行与系统100的安全相关的操作。示例操作包括但不限于防止系统入侵,检测系统入侵,向外部系统提供认证,加密由系统100接收和输出的数据,以及防止和/或修复拒绝服务(DoS)。
可选地,用于执行计算任务的系统100可以包括子图模块122。子图模块122可以被配置为将计算任务划分为多个子任务。例如,子图模块122可以被配置为分析指定要求解的计算任务的数据,并且将计算任务映射到多个最小连接子图。最小连接子图可以被提供给计算引擎106用于处理,例如以经由机器学习模块132路由到附加计算资源110a至110d。
在操作期间,计算引擎106可以被配置为查询高速缓存124以确定高速缓存中是否存在所接收的计算任务的现有解。如果确定存在现有解,则计算引擎106可以检索解并且直接提供解作为输出,例如作为输出数据104。如果确定现有解不存在,则计算引擎106可以如上所述处理所接收的数据。
在一些实现中,系统100可以被配置为确定类似优化任务的解是否存储在高速缓存124中。例如,系统100可以被配置为将所接收的优化任务与一个或多个其他优化任务(例如,由系统100先前接收的优化任务)相比较,并且确定一个或多个相应的优化任务相似性得分。如果所确定的相似性得分中的一个或多个超过预定的相似性阈值,则系统100可以确定优化任务与另一优化任务类似,并且可以使用优化任务的先前获取的解作为优化任务的初始解或者作为优化任务的最终解。在一些情况下,相似性阈值可以被预先确定作为初始学习和参数配置过程的一部分。
可选地,用于执行计算任务的系统100可以包括预测模块120。预测模块120预测将来的全局解及其对进入系统100的数据的影响,例如它们对未来的输入数据102的影响。在一些实现中,预测模块120可以被配置为预测在感兴趣的特定时间帧的剩余时间内(例如,当前24小时时段的接下来的10小时内)的未来的全局解。
例如,预测模块120可以包括来自历史时间段的预测数据。预测数据可以与当前条件和优化任务目标相比较,以确定当前优化任务和对应的任务目标是否与先前看到的优化任务和对应的任务目标相似。例如,系统100可以包括感兴趣时段(例如,一周中的特定的一天中的24小时的感兴趣时段)的预测数据。在这个示例中,在这周中的类似的一天的稍后时间,系统100可以使用感兴趣时段的预测数据来确定当前感兴趣时段的条件和优化任务目标是否与先前的感兴趣时段的条件和优化任务相似。如果确定当前感兴趣时段的条件和优化任务目标与先前的感兴趣时段的条件和优化任务目标相似,则系统100可以将先前看到的优化任务的先前结果用作未来的预测数据点,直到预测数据点被当前计算的实际结果所取代。
作为另一示例,预测模块120可以被配置为接收可以用于预测未来的全局解及其对进入系统100的数据的影响的实时输入数据。例如,当前天气状况可以用于预测与水网络优化或精准农业相关的优化任务的未来的全局解。
可选地,用于执行计算任务的系统100可以包括数据质量模块116。数据质量模块116被配置为接收输入数据102并且分析输入数据102以确定输入数据102的质量。例如,数据质量模块116可以针对一个或多个数据质量度量(例如,完整性、唯一性、及时性、有效性、准确性或一致性)对所接收的输入数据102进行评分。例如,在一些实现中,系统100可以被配置为从例如跟踪环境内的对象或实体的位置的物联网(IoT)传感器接收数据馈送。如果数据质量模块116确定这些对象或实体之一已经在特定时间段内移动了不切实际的距离,则数据质量模块116可以确定所接收的数据馈送的质量是有问题的并且数据馈送可能需要进一步分析或暂停。
每个度量可以与可以用于确定数据是否具有可接受质量的相应的预定得分阈值相关联。例如,如果得分输入数据102超过大部分预定得分阈值,则数据质量模块116可以确定输入数据102具有可接受质量。
如果确定输入数据102具有可接受质量,则数据质量模块116可以被配置为将输入数据102提供给聚合模块118。聚合模块118被配置为接收重复的数据输入,例如包括输入数据102,并且组合数据输入。聚合模块118可以被配置为向系统100的其他组件提供组合的数据输入。例如,在一些实现中,系统100可以包括每500ms接收输入数据读数的IoT传感器。典型地,系统100或对应于输入数据读数的优化任务可以仅需要每5秒接收输入数据读数。因此,在这个示例中,聚合模块118可以被配置为组合和聚合输入读数以便生成更简单的数据输入。在一些情况下,这可以提高由系统100执行的下游计算的效率。
如果确定输入数据102不具有可接受质量,则数据质量模块116可以被配置为指示系统100处理替代数据输入,例如作为来自先前数据输入的平均值的数据输入或从当前数据流中外插的数据输入。替代地,如果确定特定数据输入的准确性对于系统执行一个或多个计算的能力至关重要,则数据质量模块116可以被配置为输入错误条件。在这些示例中,数据质量模块116可以学习何时以及如何指示系统100通过机器学习训练过程来处理替代数据输入。
可选地,系统100可以包括分析平台126。分析平台126被配置为处理所接收的数据,例如输入数据102或表示优化任务的一个或多个局部或全局解的数据,并且提供与所接收的数据相关的分析和可动作的见解。
可选地,系统100可以包括工作流模块134。工作流模块134可以被配置为提供用于向优化任务参数赋值、定义优化任务目标以及管理可以通过其来训练系统100的学习过程的用户界面。工作流模块134还可以被配置为允许系统100的用户在复杂的目标相关任务上进行协调,使得系统100可以被有效地使用。工作流模块134还可以被配置为允许各种级别的基于角色的访问控制。例如,工作流模块134可以被配置为允许初级团队成员修改一些任务目标,但是避免他们修改关键任务目标。以这种方式,工作流模块134可以减少关键的不希望的动作(诸如在水网络中打开大型总水管)被避免的可能性。
图2描绘了如以上参考图1A介绍的示例机器学习模块132。示例机器学习模块132包括训练示例生成器202、机器学习模型204和数据库206。如以上参考图1A所述,机器学习模块132与至少一个或多个附加计算资源110a至110d、高速缓存124和子图组件122通信。
机器学习模型204是一种可以被训练以执行一个或多个机器学习任务(例如,分类任务)的预测模型。例如,机器学习模型204可以是人造神经网络,例如深度神经网络,诸如递归神经网络、决策树、支持向量机或贝叶斯网络。机器学习模块132将基于环境规模和运行时间来支持用于机器学习模型204的多个软件,例如,对于大型分布式环境,模型可以使用C语言,对于基于云的实现,模型可以使用R语言,对于小型环境,模型可以使用Python语言。
机器学习模块132被配置为训练机器学习模型204以将由机器学习模块132接收的计算或子计算路由到一个或多个附加计算资源110a至110d。机器学习模块132被配置为使用由训练示例生成器202生成的一组训练示例并且使用存储在数据库206中的数据来训练机器学习模型204。
数据库206被配置为存储表示与使用一个或多个附加计算资源110a至110d(例如,一个或多个量子计算资源)来求解多个计算任务相关联的属性的数据。例如,使用一个或多个附加计算资源110a至110d来求解多个计算任务的属性可以包括对于每个计算任务而言的以下中的一个或多个:(i)由一个或多个附加计算资源生成的解的近似质量,(ii)与由一个或多个附加计算资源110a至110d生成的解相关联的计算时间,或者(iii)与由一个或多个附加计算资源110a至110d生成的解相关联的计算成本。在附加计算资源是量子计算资源的情况下,使用一个或多个量子计算资源来求解多个计算任务的属性可以包括对于每个量子计算资源而言的以下中的一个或多个:(i)可用于量子计算资源的量子位的数目,以及(ii)与使用量子计算资源相关联的成本。
训练示例生成器可以被配置为访问数据库206和高速缓存124以生成一组训练示例。例如,训练示例生成器可以被配置为使用以下各项来生成一组训练示例:(i)表示由系统先前执行的多个计算任务的数据,(ii)由系统先前执行的多个计算任务的输入数据,包括表示任务被路由到的计算资源的类型的数据,以及(iii)表示与使用一个或多个量子计算资源来求解多个计算任务相关联的属性的数据。下面参考图4更详细地描述用于训练机器学习模型204以将所接收的计算任务或子任务路由到一个或多个附加计算资源110a至110d的过程。
一旦机器学习模型204已经被训练为将所接收的计算任务路由到一个或多个附加计算资源110a至110d,则在操作(A)期间,机器学习模块132被配置为接收指定要求解的计算任务的输入数据102。可选地,输入数据102还可以包括表示计算任务的一个或多个属性和计算任务的参数的数据,如以上参考图1A所述。输入数据可以包括静态数据和动态数据。在一些实现中,机器学习模块132可以被配置为例如以其中如以上参考图1A所述输入数据102被提供给用于执行计算任务的系统100的形式来直接接收输入数据102。在其他实现中,机器学习模块132可以被配置为从用于执行计算任务的系统100的另一组件接收输入数据102,例如从集成层114或数据质量模块116。
在一些实现中,机器学习模块132可以被配置为将计算任务划分为一个或多个子任务。例如,如以上参考图1A所述,机器学习模块可以与用于执行计算任务的系统100的子图组件122进行数据通信,并且可以被配置为向子图组件122提供表示计算任务的数据,并且接收表示多个最小连接子图的数据,子图表示计算任务的子任务。
机器学习模块132被配置为向经训练的机器学习模型204提供表示计算任务或计算子任务的数据。机器学习模型204被配置为处理所接收的数据并且确定要将所接收的表示计算任务或子任务的数据路由到一个或多个附加计算资源110a至110d中的哪个。尽管在图2中未示出,但是在一些实现中,机器学习模型204可以确定所接收的数据不应当被路由到附加计算资源110a至110d,并且图1A的计算引擎106应当处理所接收的数据以便获取计算任务或子任务的解。
在操作(B)期间,机器学习模型204被配置为向所确定的一个或多个附加计算资源提供用于执行相应的计算任务或计算子任务的指令,例如数据208。例如,机器学习模型204可以确定所接收的优化任务应当被路由到量子退火机,例如量子退火机110a。在这个示例中,在操作(B)期间,机器学习模型204可以向量子退火机110a提供用于执行优化任务的指令。作为另一示例,机器学习模型204可以确定所接收的模拟任务应当被路由到量子模拟器,例如量子模拟器110c。在这个示例中,在操作(B)期间,机器学习模型204可以向量子模拟器110c提供用于执行模拟任务的指令。在一些实现中,机器学习模型可以向多个所确定的附加计算资源提供用于并行执行多个相应的计算任务或计算子任务的指令。
在操作(C)期间,机器学习模块132被配置为接收表示计算任务的解的数据(例如,数据210)以及表示使用对应的计算资源来求解计算任务的属性的数据(例如,数据212)。例如,表示使用对应的计算资源来求解计算任务的属性的数据可以包括表示所生成的解的近似质量、与所生成的解相关联的计算时间或者与所生成的解相关联的计算成本的数据。在一些实现中,机器学习模型可以接收表示多个计算任务的多个解的数据和表示使用对应的计算资源来并行求解多个计算任务的属性的数据。
在操作(D)期间,机器学习模块132可以被配置为直接提供表示计算任务的所获取的解的数据作为输出,例如作为输出数据210。在其他实现中,机器学习模块132可以被配置为首先处理所接收的表示计算任务的子任务的解的数据,以便生成计算任务的整体解。机器学习模块132然后可以提供表示计算任务的整体解的数据作为输出。作为输出的表示计算任务的所获取的解的数据可以被提供作为来自系统100的输出,或者被提供给代理组件136,如以上参考图1A所述。
另外,在操作(D)期间,机器学习模块132可以被配置为向高速缓存124提供表示使用对应计算资源来求解计算任务的属性的数据,例如数据212。在这种方式,高速缓存124可以定期更新并且用于生成已更新的训练示例,例如用于重新训练或微调机器学习模型204。
对硬件进行编程
图3是用于训练机器学习模型以在包括一个或多个量子计算资源的系统中路由所接收的计算任务的示例过程300的流程图。例如,该系统可以包括(i)量子门计算机、(ii)绝热退火机或(iii)量子模拟器中的一个或多个。在一些示例中,该系统还可以包括一个或多个传统计算资源,例如一个或多个传统处理器或超级计算机。为了方便,过程300将被描述为由位于一个或多个位置中的一个或多个计算机的系统执行。例如,根据本说明书适当编程的机器学习模块(例如,图1A的机器学习模块)可以执行过程300。
该系统获取第一组数据,第一组数据包括表示由系统先前执行的多个计算任务的数据(步骤302)。在一些实现中,由系统先前执行的多个计算任务可以包括优化任务,例如设计分配最佳水量的水网络的任务或者设计辐射计划以治疗肿瘤使得对肿瘤周围的组织和身体部位的附带损伤最小的任务。在一些实现中,由系统先前执行的多个计算任务可以包括诸如整数因子分解、数据库搜索、算术计算、机器学习任务或视频压缩等计算任务。在一些实现中,由系统先前执行的多个计算任务可以包括模拟任务,例如模拟化学反应、材料或蛋白质折叠的任务。
该系统获取由系统先前执行的多个计算任务的输入数据,包括表示任务被路由到的计算资源的类型的数据(步骤304)。例如,先前执行的优化任务可以已经被路由到一个或多个量子退火机或一个或多个传统计算机。在这个示例中,输入数据可以包括表示优化任务的数据和用于执行优化任务的对应量子退火机或传统计算机的标识符。作为另一示例,先前执行的整数分解任务、数据库搜索任务、算术任务或机器学习任务可以已经被路由到一个或多个量子门计算机或一个或多个传统计算机。在这个示例中,输入数据可以包括表示整数分解任务或数据库任务的数据和用于执行任务的对应量子门计算机或传统计算机的标识符。作为另一示例,先前执行的模拟任务可以已经被路由到一个或多个量子模拟器。在这个示例中,输入数据可以包括表示模拟任务的数据和用于执行模拟任务的对应量子模拟器的标识符。
在一些实现中,该系统可以获取由系统成功执行的多个计算任务的输入数据,包括表示任务被路由到的计算资源的类型的数据。例如,先前执行的计算任务可以例如基于与执行计算任务相关联的计算成本、计算效率或货币成本而被指派成功得分。如果所指派的成功得分高于预定阈值,则所获取的输入数据可以包括用于计算任务的输入数据,包括表示任务被路由到的计算资源的类型的数据。
在一些实现中,所获取的输入数据还可以包括对于每个计算任务而言的表示与计算任务相关联的输入数据集的大小的数据。例如,与计算任务相关联的输入数据集的大小可以包括上面参考图1和2描述的输入数据102的大小。输入数据集的大小可以用于确定要将计算任务路由到哪个计算资源。例如,一些计算资源可能受限于它们被配置为接收和/或处理的输入数据的大小。因此,具有给定大小的相关联的输入数据集的计算任务应当被路由到能够接收和有效处理输入数据集的计算资源。
作为另一示例,量子计算资源在执行计算任务时可以具有相关的传统开销。在输入数据集很小(例如,容易由特定的量子计算资源管理)的情况下,传统开销可以否定通过使用量子计算资源实现的任何益处,例如就计算时间或效率而言。在这些情况下,使用传统计算机或其他量子计算资源来处理计算任务可能更有效。
作为另一示例,在输入数据集很小(例如,容易由特定的量子计算资源管理)的情况下,使用量子计算资源的货币成本(例如,相关联的租赁费用)可以否定使用量子计算资源的益处。在这些情况下,例如,为了使与执行计算任务相关联的成本最小化,使用传统计算机或其他量子计算资源来处理计算任务可能是更加期望的。
作为另一示例,在输入数据集很大(例如,需要较长的计算处理时间)的情况下,使用量子计算资源来执行计算任务的货币成本可能太大。在这些情况下,例如为了使与执行计算任务相关联的成本最小化,使用传统计算机或其他量子计算资源来处理计算任务可能是更加期望的。
替代地或另外地,所获取的输入数据还可以包括指示与计算任务相关联的输入数据集包括静态的、实时的还是静态的和实时的输入数据的数据。典型地,从数据点到数据点,实时数据可能会有更多的可变性。例如,来自IoT设备的数据信号可以指示关于由优化任务表示的系统中的用户或组件的动态信息,例如用户或系统组件的动态位置。这样的动态数据与其他快速变化的数据信号相结合可以影响执行计算的难度,并且因此影响应当使用哪个计算资源来执行计算。静态数据(例如,由优化任务表示的系统中的用户的人口统计信息或关于系统的组件的静态信息)也可以影响要执行计算的难度,并且因此影响应当使用哪个计算资源来执行计算。例如,与其他计算资源相比,例如取决于算法灵敏度和静态数据的可变性,一些静态数据可以更容易并入在某些计算资源上运行的算法中。作为另一示例,量子计算设备可以涉及处理来自实时分析的某些帧,以提供比传统对应物更深的见解。替代地,在到量子计算机的数据移动将减少总体结果时间的情况下,传统计算设备可以用于大规模分布式静态数据分析。
替代地或另外地,所获取的输入数据还可以包括表示与计算任务相关联的容错的数据。与计算任务相关联的容错可以用于确定要将计算任务路由到哪个计算资源。例如,一些计算任务可以具有比其他计算任务更小的容错,例如,优化癌症放射疗法治疗的任务的解的容错可以小于优化水网络中的水的浪费的任务的解的容错。具有较小容错的计算任务因此可以被路由到比其他计算资源更准确的计算资源,例如,到在执行计算任务时不太可能引入错误的计算资源。
在一些情况下,应用于特定用例的机器学习技术可以用于教导系统可接受的容错可能是什么。在一些情况下,这可以进一步提供使用量子机器学习的系统100内的反馈回路不仅增加系统的效率和准确性而且还有效地处理数据信号被馈送到系统中时的异常的机会。
替代地或另外地,所获取的输入数据还可以包括表示与计算任务相关联的所需要的置信水平的数据。例如,某些类型的量子计算机将提供概率性的而不是确定性的结果,并且基于量子计算机上的周期数量,结果的置信度可以增加。与计算任务相关联的所需要的置信水平可以用于确定要将计算任务路由到哪个计算资源。例如,与其他计算资源生成的解相比,一些计算资源可以被配置为生成更可能准确的计算任务的解。需要高置信水平的计算任务的解因此可以被路由到更可能产生计算任务的准确解的计算资源。例如,这样的计算任务可以不被提供给绝热量子处理器,绝热量子处理器在一些情况下可以产生具有不同置信水平的一系列解。
在一些实现中,由系统先前执行的多个计算任务的所获取的输入数据可以包括指示与每个计算任务相关联的输入数据集的改变的频率的数据。输入数据集的改变的频率的度量可以用来确定要将计算任务路由到哪个计算资源,即,确定哪个计算资源可以跟上输入数据的改变的速率。例如,如果与计算任务相关联的输入数据的改变频繁,则如果量子计算资源比传统计算资源更快地生成计算任务的解,则使用量子计算资源来执行计算任务可能是有益的,以确保计算任务的解在输入数据被改变之前被获取并且改变后的输入数据的已更新的计算任务被接收。
该系统获取第二组数据,第二组数据包括表示与使用一个或多个量子计算资源来求解多个计算任务相关联的属性的数据(步骤306)。
在一些实现中,使用一个或多个量子计算资源来求解多个计算任务的属性可以包括对于每个计算任务而言的由一个或多个量子计算资源生成的解的近似质量。例如,量子计算资源可以被配置为以确定的准确性执行某些计算任务,其中准确性取决于量子计算资源架构和对应的计算任务。
替代地或另外地,使用一个或多个量子计算资源来求解多个计算任务的属性可以包括对于每个计算任务而言的与由一个或多个量子计算资源生成的解相关联的计算运行时间。
替代地或另外地,使用一个或多个量子计算资源来求解多个计算任务的属性可以包括对于每个计算任务而言的与由一个或多个量子计算资源生成的解相关联的计算成本。
在一些实现中,表示使用一个或多个量子计算资源来求解多个计算任务的属性的数据还可以包括对于每个量子计算资源而言的可用于量子计算资源的量子位的数目。
替代地或另外地,使用一个或多个量子计算资源来求解多个计算任务的属性还可以包括对于每个量子计算资源而言的与使用量子计算资源相关联的成本(例如,使用费用)。例如,量子计算资源可以具有相关联的定价模型,其根据一天中的特定时间的需求而变化。这样的定价模型可以是在确定使用哪个计算资源用来求解优化任务时要考虑的一个因素。
该系统训练机器学习模型以路由表示要使用(i)第一组数据、(ii)输入数据和(iii)第二组数据来执行的计算任务的所接收的数据(步骤308)。在一些实现中,系统可以训练机器学习模型以通过使用以下各项生成一组训练示例来路由所接收的计算任务:(i)如以上参考步骤302所述的第一组数据,(ii)如以上参考步骤304所述的输入数据,以及(iii)如以上参考步骤306所述的第二组数据。这组训练示例中的每个训练示例可以包括与已知机器学习模型输出相配对的机器学习模型输入。在一些情况下,训练示例最初可以从组合来自独立量子计算资源执行日志和传统计算资源执行日志的数据来生成。然后,随后的训练示例可以使用所述执行日志以及来自系统本身的数据捕获来构建。以这种方式,系统可以被不断地更新以解释模型漂移,例如,随着与计算和处理能力相关联的成本随时间变化。
然后,该系统可以使用这组训练示例来训练机器学习模型。例如,该系统可以处理每个机器学习模型输入以生成相应的机器学习模型输出,计算所生成的机器学习模型输出与已知的机器学习模型之间的损失函数、和反向传播梯度以将机器学习模型参数从初始值调节为经训练的值。
图4是用于使用包括一个或多个量子计算资源的系统来获取计算任务的解的示例过程400的流程图。为了方便,过程400将被描述为由位于一个或多个位置的一个或多个计算机的系统来执行。例如,根据本说明书适当编程的用于执行计算任务的系统(例如,图1A的系统100)可以执行过程400。
该系统接收表示要由包括一个或多个量子计算资源(例如,一个或多个量子门计算机、绝热退火机或量子模拟器)和一个或多个传统计算资源(例如,一个或多个传统计算机或超级计算机)的系统执行的计算任务的数据(步骤402)。
该系统使用机器学习模型处理所接收的数据以确定要将表示计算任务的数据路由到一个或多个量子计算资源或一个或多个传统计算资源中的哪个(步骤404)。如以上参考图2所述,机器学习模型是已经通过训练被配置为路由表示要在包括至少一个量子计算资源的系统中执行的计算任务的所接收的数据的预测模型。
作为示例,机器学习模型可以是无人驾驶汽车中的防撞系统的一部分。在这种情况下,机器学习模型可以已经被训练以使用例如使用上述数据信号生成的一组训练示例来避免碰撞。在运行时期间,无人驾驶汽车可以正在接近由人类驾驶的汽车占据的交叉路口。机器学习模块可以接收并且处理数据输入以确定是否即将发生碰撞。一些数据输入可以包括静态数据输入,例如无人驾驶车辆重量、轮胎在当前温度/湿度下的摩擦系数。在一些情况下,静态输入还可以包括与交叉路口处的其他车辆相关的数据输入,例如,包括基于观察的其他车辆的驾驶员的人类特性(并且因此包括其可能的行为)。一些数据输入可以包括动态数据,例如当前速度、速率、湿度、在其他车辆的眼睛中照射的可能使他们失明并且增加几毫秒的反应时间的太阳光的强度等。机器学习模型可以在先前的时间使用这样的数据输入来学习驾驶车辆的特性。例如,机器学习模型可以已经学习到,制动系统在过去使用78%的停车功率在同一类型的路面上并且车辆以24米的停车距离进行响应。机器学习模型可以使用这些信息来确定当前时间的适当反应。例如,机器学习模型可以确定,在当前的紧急情况下,无人驾驶车辆需要向左转30度并且在19米内制动以避免碰撞。确定是否采取这一紧急动作可以是时间关键。机器学习模型因此可以确定短的时间量太短而无法调用基于云的量子机器。相反,机器学习模型可以确定,在这种情况下,使用来自先前计算的高速缓存的信息和/或将决策任务路由到本地牛顿处理器更有效。
该系统将表示计算任务的数据路由到所确定的计算资源以从所确定的计算资源获取表示计算任务的解的数据(步骤406)。
本说明书中描述的数字和/或量子主题以及数字功能操作和量子操作的实现可以以数字电子电路、合适的量子电路或者更一般地量子计算系统以有形实施的数字和/或量子计算机软件或固件、以数字和/或量子计算机硬件(包括本说明书中公开的结构及其结构等同物)、或以其中一个或多个的组合来实现。术语“量子计算系统”可以包括但不限于量子计算机、量子信息处理系统、量子密码系统或量子模拟器。
本说明书中描述的数字和/或量子主题的实现可以被实现为一个或多个数字和/或量子计算机程序,即编码在有形的非暂态存储介质上用于由数据处理装置执行或控制数据处理装置的操作的一个或多个数字和/或量子计算机程序指令模块。数字和/或量子计算机存储介质可以是机器可读存储设备、机器可读存储基底、随机或串行存取存储设备、一个或量子位、或它们中的一个或多个的组合。替代地或另外地,程序指令可以被编码在能够对数字和/或量子信息进行编码的人工生成的传播信号(例如,机器生成的电、光或电磁信号)上,该信号被生成以编码数字和/或量子信息用于传输给合适的接收器装置以供数据处理装置执行。
术语“量子信息”和“量子数据”是指由量子系统携带、保存或存储的信息或数据,其中最小的非平凡系统是量子位,即定义量子信息单位的系统。可以理解,术语“量子位”包括可以在对应的上下文中适当地近似为两级系统的所有量子系统。这样的量子系统可以包括多级系统,例如具有两个或更多个级别。举例来说,这样的系统可以包括原子、电子、光子、离子或超导量子位。在很多实现中,计算基础状态用基态和第一激发态来标识,但是应当理解,其中计算状态用更高级的激发态来标识的其他设置是可能的。术语“数据处理装置”是指数字和/或量子数据处理硬件,并且包括用于处理数字和/或量子数据的所有类型的装置、设备和机器,例如包括可编程数字处理器、可编程量子处理器、数字计算机、量子计算机、多个数字和量子处理器或计算机、及其组合。该装置还可以是或者还包括专用逻辑电路,例如FPGA(现场可编程门阵列)、ASIC(专用集成电路)或量子模拟器,即量子数据处理装置,其被设计为模拟或产生关于特定量子系统的信息。特别地,量子模拟器是一种特殊用途的量子计算机,它不具备执行通用量子计算的能力。除了硬件之外,该装置可以可选地包括为数字和/或量子计算机程序创建执行环境的代码,例如构成处理器固件、协议栈、数据库管理系统、操作系统、或其中的一个或多个的组合的代码。
也可以被称为或描述为程序、软件、软件应用、模块、软件模块、脚本或代码的数字计算机程序可以以任何形式的编程语言来编写,包括编译或解释语言或声明性或过程性语言,并且可以以任何形式进行部署,包括作为独立程序或作为模块、组件、子例程或适用于数字计算环境的其他单元。也可以被称为或描述为程序、软件、软件应用、模块、软件模块、脚本或代码的量子计算机程序可以用任何形式的编程语言来编写,包括编译或解释语言或者说明性或过程性语言,并且翻译成合适的量子编程语言,或者可以用量子编程语言(例如,QCL或Quipper)来编写。
数字和/或量子计算机程序可以但不一定对应于文件系统中的文件。程序可以存储在保存其他程序或数据的文件的一部分中,例如存储在标记语言文档中、在专用于所讨论的程序的单个文件中、或在多个协调文件(例如,存储一个或多个模块、子程序或部分代码的文件)中的一个或多个脚本。数字和/或量子计算机程序可以被部署为在一个数字或一个量子计算机上或者在多个数字和/或量子计算机上执行,这些多个数字和/或量子计算机位于一个地点或跨多个地点分布并且通过数字和/或量子数据通信网络相互连接。量子数据通信网络被理解为可以使用量子系统(例如,量子位)传输量子数据的网络。通常,数字数据通信网络不能传输量子数据,但是量子数据通信网络可以传输量子数据和数字数据两者。
在本说明书中描述的过程和逻辑流程可以由一个或多个可编程数字和/或量子计算机来执行,这些计算机根据需要与一个或多个数字和/或量子处理器一起操作,执行一个或多个数字和/或量子计算机程序以通过对输入数字和量子数据进行操作并且生成输出来执行功能。过程和逻辑流程也可以由专用逻辑电路(例如,FPGA或ASIC)或量子模拟器或者由专用逻辑电路或量子模拟器与一个或多个编程的数字和/或量子计算机的组合来执行,并且装置也可以被实现为专用逻辑电路(例如,FPGA或ASIC)或量子模拟器或者由专用逻辑电路或量子模拟器与一个或多个编程的数字和/或量子计算机的组合。
一个或多个数字和/或量子计算机的系统“被配置为”执行特定操作或动作表示系统已经在其上安装了在操作时引起系统执行操作或动作的软件、固件、硬件或其组合。一个或多个数字和/或量子计算机程序被配置为执行特定操作或动作表示一个或多个程序包括在由数字和/或量子数据处理装置执行时引起装置执行操作或行动的指令。量子计算机可以接收来自数字计算机的在由量子计算装置执行时引起装置执行操作或动作的指令。
适合于执行数字和/或量子计算机程序的数字和/或量子计算机可以基于通用或专用数字和/或量子处理器或两者,或者基于任何其他种类的中央数字和/或量子处理单元。通常,中央数字和/或量子处理单元将从只读存储器、随机存取存储器或适于传输量子数据的量子系统(例如,光子或其组合)接收指令和数字和/或量子数据。
数字和/或量子计算机的基本元件是用于执行或实施指令的中央处理单元以及用于存储指令和数字和/或量子数据的一个或多个存储器设备。中央处理单元和存储器可以由专用逻辑电路或量子模拟器补充或者并入其中。通常,数字和/或量子计算机还将包括一个或多个大容量存储设备,或者可操作地耦合以从一个或多个大容量存储设备接收数字和/或量子数据,或者向一个或多个大容量存储设备传输数字和/或量子数据,大容量存储设备用于存储数字和/或量子数据,例如磁性装置、磁光盘,光盘或适于存储量子信息的量子系统。但是,数字和/或量子计算机不需要具有这样的设备。
适合于存储数字和/或量子计算机程序指令和数字和/或量子数据的数字和/或量子计算机可读介质包括所有形式的非易失性数字和/或量子存储器、介质和存储器设备,作为示例,包括半导体存储器设备,例如EPROM、EEPROM和闪存存储器设备;磁盘,例如内部硬盘或可移除盘;磁光盘;CD-ROM和DVD-ROM盘;以及量子系统,例如捕获的原子或电子。可以理解,量子存储器是能够以高保真度和高效率长时间存储量子数据的设备,例如其中使用光用于传输和使用物质用于存储和保存量子数据的量子特征(诸如叠加或量子相干性)的光物质界面。
本说明书中描述的各种系统或其部分的控制可以在包括存储在一个或多个非暂态机器可读存储介质上并且在一个或多个数字和/或量子处理设备上可执行的指令的数字和/或量子计算机程序产品中实现。本说明书中描述的系统或其部分每个可以实现为可以包括一个或多个数字和/或量子处理设备和用于存储用于执行本说明书中描述的操作的可执行指令的存储器的装置、方法或系统。
虽然本说明书包括很多具体实现细节,但是这些细节不应当被解释为对可以要求保护的范围的限制,而应当被解释为可以特定于特定实现的特征的描述。在本说明书中在分开的实现的上下文中描述的某些特征也可以在单个实现中组合实现。相反,在单个实现的上下文中描述的各种特征也可以在多个实现中分开地或以任何合适的子组合来实现。此外,尽管上文可以将特征描述为以某些组合起作用并且甚至最初如此要求保护,但是来自所要求保护的组合的一个或多个特征在一些情况下可以从组合中删除,并且所要求保护的组合可以涉及子组合或子组合的变化。
类似地,尽管在附图中以特定顺序描绘了操作,但是这不应当被理解为要求这样的操作以所示出的特定顺序或按顺序执行,也不要求要执行所有示出的操作以实现期望的结果。在一些情况下,多任务和并行处理可能是有利的。此外,上述实现中的各种系统模块和组件的分离不应当被理解为在所有实现中都要求这种分离,并且应当理解,所描述的程序组件和系统通常可以一起集成在单个软件产品中,或者封装成多个软件产品。
已经描述了主题的特定实现。其他实现在以下权利要求的范围内。例如,权利要求中列举的动作可以以不同的顺序执行并且仍然实现期望的结果。作为一个示例,附图中描绘的过程不一定要求所示出的特定顺序或依次顺序来实现期望的结果。在一些情况下,多任务和并行处理可能是有利的。
Claims (20)
1.一种用于训练机器学习模型以在包括至少一个量子计算资源的系统中路由接收的计算任务的计算机实现的方法,所述方法包括:
获取第一组数据,所述第一组数据包括表示由所述系统先前执行的多个计算任务的数据;
获取第二组数据,所述第二组数据包括表示与使用所述一个或多个量子计算资源来求解所述多个计算任务相关联的属性的数据;
获取由所述系统先前执行的所述多个计算任务的输入数据,所述输入数据包括表示所述任务被路由到的计算资源的类型的数据;
训练所述机器学习模型以路由表示要使用(i)所述第一组数据、(ii)所述输入数据和(iii)所述第二组数据而被执行的计算任务的接收的数据。
2.根据权利要求1所述的方法,其中所述量子计算资源包括(i)量子门计算机、(ii)绝热退火机或(iii)量子模拟器中的一种或多种。
3.根据权利要求1所述的方法,其中所述系统还包括一个或多个传统计算资源。
4.根据权利要求1所述的方法,其中所述计算任务包括优化任务。
5.根据权利要求1所述的方法,其中使用所述一个或多个量子计算资源来求解所述多个计算任务的属性包括对于每个计算任务而言的以下中的一种或多种:
(i)由所述一个或多个量子计算资源生成的解的近似质量;
(ii)与由所述一个或多个量子计算资源生成的解相关联的计算时间;或者
(iii)与由所述一个或多个量子计算资源生成的解相关联的计算成本。
6.根据权利要求5所述的方法,其中表示使用所述一个或多个量子计算资源来求解多个计算任务的属性的数据还包括对于每个量子计算资源而言的以下中的一种或多种:
(i)可用于所述量子计算资源的量子位的数目;以及
(ii)与使用所述量子计算资源相关联的成本。
7.根据权利要求1所述的方法,其中由所述系统先前执行的所述多个计算任务的获取的所述输入数据还包括对于每个计算任务而言的以下中的一种或多种:
(i)表示与所述计算任务相关联的输入数据集的大小的数据;
(ii)指示与所述计算任务相关联的输入数据集包括静态的输入数据、实时的输入数据还是静态的输入数据和实时的输入数据二者的数据;
(iii)表示与所述计算任务相关联的容错的数据;以及
(iv)表示与所述计算任务相关联的所需要的置信水平的数据。
8.根据权利要求1所述的方法,其中由所述系统先前执行的所述多个计算任务的获取的所述输入数据还包括指示对与每个计算任务相关联的所述输入数据集的改变的频率的数据。
9.根据权利要求1所述的方法,其中训练所述机器学习模型以路由接收的计算任务包括:
使用(i)所述第一组数据、(ii)所述输入数据和(iii)所述第二组数据来生成一组训练示例,其中每个训练示例包括与已知机器学习模型输出相配对的机器学习模型输入;以及
使用所述一组训练示例来训练所述机器学习模型。
10.一种用于获取计算任务的解的计算机实现的方法,所述方法包括:
接收表示要由包括一个或多个量子计算资源和一个或多个传统计算资源的系统执行的计算任务的数据;
使用机器学习模型处理接收的所述数据以确定要将表示所述计算任务的所述数据路由到所述一个或多个量子计算资源或所述一个或多个传统计算资源中的哪种,其中所述机器学习模型已经通过训练被配置为路由表示要在包括至少一个量子计算资源的系统中被执行的计算任务的接收的数据;以及
将表示所述计算任务的所述数据路由到确定的所述计算资源以从确定的所述计算资源获取表示所述计算任务的解的数据。
11.根据权利要求10所述的方法,其中所述量子计算资源包括(i)量子门计算机、(ii)绝热退火机或(iii)量子模拟器中的一种或多种。
12.根据权利要求10所述的方法,其中所述计算任务包括优化任务。
13.根据权利要求10所述的方法,其中训练所述机器学习模型以路由表示要被执行的计算任务的接收的数据包括使用(i)表示由所述系统先前执行的多个计算任务的数据以及(ii)表示所述任务被路由到的计算资源的类型的数据来训练所述机器学习模型。
14.根据权利要求13所述的方法,其中表示由所述系统先前执行的多个计算任务的所述数据包括对于每个计算任务而言的以下中的一种或多种:
(i)表示与所述计算任务相关联的输入数据集的大小的数据;
(ii)指示与所述计算任务相关联的输入数据集包括静态的输入数据、实时的输入数据还是静态的输入数据和实时的输入数据二者的数据;
(iii)表示与所述计算任务相关联的容错的数据;以及
(iv)表示与所述计算任务相关联的所需要的置信水平的数据。
15.根据权利要求13所述的方法,其中表示由所述系统先前执行的多个计算任务的所述数据包括指示对与每个计算任务相关联的输入数据集的改变的频率的数据。
16.根据权利要求13所述的方法,还包括使用表示与使用所述一个或多个量子计算资源来求解所述多个计算任务相关联的属性的数据来训练所述机器学习模型。
17.根据权利要求16所述的方法,其中与使用所述一个或多个量子计算资源来求解所述多个计算任务相关联的属性包括:
对于每个计算任务而言的以下中的一种或多种:
(i)由所述一个或多个量子计算资源生成的解的近似质量;
(ii)与由所述一个或多个量子计算资源生成的解相关联的计算时间;或者
(iii)与由所述一个或多个量子计算资源生成的解相关联的计算成本,以及
对于每个量子计算资源而言的以下中的一种或多种:
(i)可用于所述量子计算资源的量子位的数目;以及
(ii)与使用所述量子计算资源相关联的成本。
18.一种系统,包括一个或多个计算机和存储指令的一个或多个存储设备,所述指令在由所述一个或多个计算机执行时,可操作以引起所述一个或多个计算机执行包括以下各项的操作:
接收表示要由所述系统执行的计算任务的数据,其中所述系统包括一个或多个量子计算资源和一个或多个传统计算资源;
使用机器学习模型处理接收的所述数据以确定要将表示所述计算任务的所述数据路由到所述一个或多个量子计算资源或所述一个或多个传统计算资源中的哪种,其中所述机器学习模型已经通过训练被配置为路由表示要在包括至少一个量子计算资源的系统中被执行的计算任务的接收的数据;以及
将表示所述计算任务的所述数据路由到确定的所述计算资源以从确定的所述计算资源获取表示所述计算任务的解的数据。
19.根据权利要求18所述的系统,其中所述量子计算资源包括(i)量子门计算机、(ii)绝热退火机或(iii)量子模拟器中的一种或多种。
20.根据权利要求18所述的系统,其中训练所述机器学习模型以路由表示要被执行的计算任务的接收的数据包括使用(i)表示由所述系统先前执行的多个计算任务的数据、(ii)表示所述任务被路由到的计算资源的类型的数据以及(iii)表示与使用所述一个或多个量子计算资源来求解所述多个计算任务相关联的属性的数据来训练所述机器学习模型。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/491,852 | 2017-04-19 | ||
US15/491,852 US10275721B2 (en) | 2017-04-19 | 2017-04-19 | Quantum computing machine learning module |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108734299A true CN108734299A (zh) | 2018-11-02 |
CN108734299B CN108734299B (zh) | 2022-05-10 |
Family
ID=61683604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810350991.4A Active CN108734299B (zh) | 2017-04-19 | 2018-04-18 | 计算机实现的方法及计算系统 |
Country Status (4)
Country | Link |
---|---|
US (2) | US10275721B2 (zh) |
EP (1) | EP3392809B1 (zh) |
CN (1) | CN108734299B (zh) |
CA (1) | CA2997970C (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800883A (zh) * | 2019-01-25 | 2019-05-24 | 合肥本源量子计算科技有限责任公司 | 量子机器学习框架构建方法、装置及量子计算机 |
CN110365473A (zh) * | 2019-05-31 | 2019-10-22 | 南京邮电大学 | 一种基于机器学习的量子通信系统的主动反馈控制方法 |
CN110674009A (zh) * | 2019-09-10 | 2020-01-10 | 平安普惠企业管理有限公司 | 应用服务器性能监测方法、装置、存储介质及电子设备 |
CN111464154A (zh) * | 2019-01-22 | 2020-07-28 | 华为技术有限公司 | 一种控制脉冲的计算方法及装置 |
CN112561069A (zh) * | 2020-12-23 | 2021-03-26 | 北京百度网讯科技有限公司 | 模型处理方法、装置、设备、存储介质及产品 |
WO2021138857A1 (zh) * | 2020-01-08 | 2021-07-15 | 华为技术有限公司 | 一种标记数据标签的方法、设备及系统 |
CN113553028A (zh) * | 2021-07-20 | 2021-10-26 | 中国科学院半导体研究所 | 基于概率比特电路的问题求解优化方法及系统 |
CN114358318A (zh) * | 2022-03-22 | 2022-04-15 | 合肥本源量子计算科技有限责任公司 | 基于机器学习框架的分类方法及相关装置 |
CN115062721A (zh) * | 2022-07-01 | 2022-09-16 | 中国电信股份有限公司 | 网络入侵检测方法和装置、计算机可读介质、电子设备 |
CN115576999A (zh) * | 2022-12-09 | 2023-01-06 | 矩阵起源(深圳)信息科技有限公司 | 基于云平台的任务数据处理方法、装置、设备及存储介质 |
Families Citing this family (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
US10275721B2 (en) * | 2017-04-19 | 2019-04-30 | Accenture Global Solutions Limited | Quantum computing machine learning module |
WO2018236925A1 (en) | 2017-06-19 | 2018-12-27 | Rigetti & Co, Inc. | QUANTICALLY DISTRIBUTED COMPUTING SYSTEM |
US11270220B1 (en) | 2017-11-15 | 2022-03-08 | Amazon Technologies, Inc. | Service for managing quantum computing resources |
US11170137B1 (en) | 2017-11-15 | 2021-11-09 | Amazon Technologies, Inc. | Cloud-based simulation of quantum computing resources |
US10817337B1 (en) | 2017-11-15 | 2020-10-27 | Amazon Technologies, Inc. | Cloud-based access to quantum computing resources |
US10592216B1 (en) * | 2017-11-15 | 2020-03-17 | Amazon Technologies, Inc. | Development environment for programming quantum computing resources |
US11308248B2 (en) * | 2018-05-05 | 2022-04-19 | Intel Corporation | Apparatus and method for quantum computing performance simulation |
US20210201138A1 (en) * | 2018-05-25 | 2021-07-01 | Nec Corporation | Learning device, information processing system, learning method, and learning program |
WO2020003374A1 (ja) * | 2018-06-26 | 2020-01-02 | 日本電気株式会社 | 学習装置、情報処理システム、学習方法、および学習プログラム |
US11568293B2 (en) * | 2018-07-18 | 2023-01-31 | Accenture Global Solutions Limited | Quantum formulation independent solver |
EP3861489A4 (en) * | 2018-10-03 | 2022-07-06 | Rigetti & Co, LLC | QUANTUM RESOURCES DIVIDED IN LOTS |
CN109559786B (zh) * | 2018-11-08 | 2022-04-08 | 三峡大学 | 基于量子群智能优化的先导化合物发现与合成方法 |
EP3667512A1 (en) * | 2018-12-11 | 2020-06-17 | Siemens Aktiengesellschaft | A cloud platform and method for efficient processing of pooled data |
US11586864B2 (en) | 2019-02-15 | 2023-02-21 | International Business Machines Corporation | Prior knowledge-based topological feature classification |
US11580433B2 (en) | 2019-03-09 | 2023-02-14 | International Business Machines Corporation | Validating and estimating runtime for quantum algorithms |
CN110135685B (zh) * | 2019-04-04 | 2022-08-16 | 中车工业研究院有限公司 | 一种产品设计任务的分配方法及装置 |
US11182800B2 (en) | 2019-04-08 | 2021-11-23 | Bank Of America Corporation | Controlling enterprise software policy compliance assessment processes based on quantum combinations of assessment elements |
US11620569B2 (en) | 2019-04-26 | 2023-04-04 | International Business Machines Corporation | Machine learning quantum algorithm validator |
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 |
US11336462B1 (en) | 2019-09-10 | 2022-05-17 | Wells Fargo Bank, N.A. | Systems and methods for post-quantum cryptography optimization |
US11551129B2 (en) | 2019-09-30 | 2023-01-10 | International Business Machines Corporation | Quantum platform routing of a quantum application component |
US11605016B2 (en) | 2019-11-27 | 2023-03-14 | Amazon Technologies, Inc. | Quantum computing service supporting local execution of hybrid algorithms |
US11605033B2 (en) | 2019-11-27 | 2023-03-14 | Amazon Technologies, Inc. | Quantum computing task translation supporting multiple quantum computing technologies |
US11704715B2 (en) | 2019-11-27 | 2023-07-18 | Amazon Technologies, Inc. | Quantum computing service supporting multiple quantum computing technologies |
WO2021111368A1 (en) * | 2019-12-03 | 2021-06-10 | 1Qb Information Technologies Inc. | System and method for enabling an access to a physics-inspired computer and to a physics-inspired computer simulator |
US11366897B1 (en) | 2020-01-17 | 2022-06-21 | Wells Fargo Bank, N.A. | Systems and methods for layered quantum computing detection |
US11334667B1 (en) | 2020-01-17 | 2022-05-17 | Wells Fargo Bank, N.A. | Systems and methods for disparate quantum computing threat detection |
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 |
US11539796B2 (en) * | 2020-07-08 | 2022-12-27 | Bank Of America Corporation | System for intelligent sensor data transfer and device manipulation leveraging quantum optimization engine |
US20220283878A1 (en) * | 2021-03-02 | 2022-09-08 | Zapata Computing, Inc. | Dependency-based data routing for distributed computing |
US20230281533A1 (en) * | 2021-04-16 | 2023-09-07 | Strong Force Vcn Portfolio 2019, Llc | Demand-Responsive Raw Material Management System |
US11907092B2 (en) | 2021-11-12 | 2024-02-20 | Amazon Technologies, Inc. | Quantum computing monitoring system |
US11436519B1 (en) | 2021-12-23 | 2022-09-06 | Quantum Computing Inc. | Machine learning mapping for quantum processing units |
CN116167447B (zh) * | 2023-02-20 | 2024-05-14 | 北京百度网讯科技有限公司 | 量子电路处理方法、装置及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090070402A1 (en) * | 2007-09-11 | 2009-03-12 | Geordie Rose | Systems, methods, and apparatus for a distributed network of quantum computers |
US20090228888A1 (en) * | 2008-03-10 | 2009-09-10 | Sun Microsystems, Inc. | Dynamic scheduling of application tasks in a distributed task based system |
US20120275690A1 (en) * | 2011-04-26 | 2012-11-01 | Nec Laboratories America, Inc. | Distributed artificial intelligence services on a cell phone |
CN103001875A (zh) * | 2013-01-07 | 2013-03-27 | 山东量子科学技术研究院有限公司 | 一种量子密码网络动态路由方法 |
CN103003797A (zh) * | 2010-07-16 | 2013-03-27 | 诺基亚公司 | 用于分配计算闭包的方法和装置 |
US20140298343A1 (en) * | 2013-03-26 | 2014-10-02 | Xerox Corporation | Method and system for scheduling allocation of tasks |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9152746B2 (en) * | 2013-03-26 | 2015-10-06 | Microsoft Technology Licensing, Llc | Quantum annealing simulator |
US10127499B1 (en) * | 2014-08-11 | 2018-11-13 | Rigetti & Co, Inc. | Operating a quantum processor in a heterogeneous computing architecture |
US9537953B1 (en) | 2016-06-13 | 2017-01-03 | 1Qb Information Technologies Inc. | Methods and systems for quantum ready computations on the cloud |
US10275721B2 (en) * | 2017-04-19 | 2019-04-30 | Accenture Global Solutions Limited | Quantum computing machine learning module |
-
2017
- 2017-04-19 US US15/491,852 patent/US10275721B2/en active Active
-
2018
- 2018-03-12 CA CA2997970A patent/CA2997970C/en active Active
- 2018-03-15 EP EP18161882.8A patent/EP3392809B1/en active Active
- 2018-04-18 CN CN201810350991.4A patent/CN108734299B/zh active Active
-
2019
- 2019-03-11 US US16/298,860 patent/US11803772B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090070402A1 (en) * | 2007-09-11 | 2009-03-12 | Geordie Rose | Systems, methods, and apparatus for a distributed network of quantum computers |
US20090228888A1 (en) * | 2008-03-10 | 2009-09-10 | Sun Microsystems, Inc. | Dynamic scheduling of application tasks in a distributed task based system |
CN103003797A (zh) * | 2010-07-16 | 2013-03-27 | 诺基亚公司 | 用于分配计算闭包的方法和装置 |
US20120275690A1 (en) * | 2011-04-26 | 2012-11-01 | Nec Laboratories America, Inc. | Distributed artificial intelligence services on a cell phone |
CN103001875A (zh) * | 2013-01-07 | 2013-03-27 | 山东量子科学技术研究院有限公司 | 一种量子密码网络动态路由方法 |
US20140298343A1 (en) * | 2013-03-26 | 2014-10-02 | Xerox Corporation | Method and system for scheduling allocation of tasks |
Non-Patent Citations (2)
Title |
---|
HONGZI MAO等: "Resource Management with Deep Reinforcement Learning", 《PROCEEDINGS OF THE 15TH ACM WORKSHOP ON HOT TOPICS IN NETWORKS》 * |
WOAKIL UDDIN AHAMED: "Quantum Recurrent Neural Networks for filtering", 《DOCTORAL THESIS,DEPARTMENT OF COMPUTER SCIENCE,UNIVERSITY OF HULL》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111464154B (zh) * | 2019-01-22 | 2022-04-22 | 华为技术有限公司 | 一种控制脉冲的计算方法及装置 |
CN111464154A (zh) * | 2019-01-22 | 2020-07-28 | 华为技术有限公司 | 一种控制脉冲的计算方法及装置 |
CN109800883B (zh) * | 2019-01-25 | 2020-12-04 | 合肥本源量子计算科技有限责任公司 | 量子机器学习框架构建方法、装置及量子计算机 |
CN109800883A (zh) * | 2019-01-25 | 2019-05-24 | 合肥本源量子计算科技有限责任公司 | 量子机器学习框架构建方法、装置及量子计算机 |
CN110365473B (zh) * | 2019-05-31 | 2021-11-26 | 南京邮电大学 | 一种基于机器学习的量子通信系统的主动反馈控制方法 |
CN110365473A (zh) * | 2019-05-31 | 2019-10-22 | 南京邮电大学 | 一种基于机器学习的量子通信系统的主动反馈控制方法 |
CN110674009A (zh) * | 2019-09-10 | 2020-01-10 | 平安普惠企业管理有限公司 | 应用服务器性能监测方法、装置、存储介质及电子设备 |
WO2021138857A1 (zh) * | 2020-01-08 | 2021-07-15 | 华为技术有限公司 | 一种标记数据标签的方法、设备及系统 |
CN112561069A (zh) * | 2020-12-23 | 2021-03-26 | 北京百度网讯科技有限公司 | 模型处理方法、装置、设备、存储介质及产品 |
CN113553028A (zh) * | 2021-07-20 | 2021-10-26 | 中国科学院半导体研究所 | 基于概率比特电路的问题求解优化方法及系统 |
CN113553028B (zh) * | 2021-07-20 | 2024-03-12 | 中国科学院半导体研究所 | 基于概率比特电路的问题求解优化方法及系统 |
CN114358318A (zh) * | 2022-03-22 | 2022-04-15 | 合肥本源量子计算科技有限责任公司 | 基于机器学习框架的分类方法及相关装置 |
CN114358318B (zh) * | 2022-03-22 | 2022-06-21 | 合肥本源量子计算科技有限责任公司 | 基于机器学习框架的分类方法及相关装置 |
CN115062721A (zh) * | 2022-07-01 | 2022-09-16 | 中国电信股份有限公司 | 网络入侵检测方法和装置、计算机可读介质、电子设备 |
CN115062721B (zh) * | 2022-07-01 | 2023-10-31 | 中国电信股份有限公司 | 网络入侵检测方法和装置、计算机可读介质、电子设备 |
CN115576999A (zh) * | 2022-12-09 | 2023-01-06 | 矩阵起源(深圳)信息科技有限公司 | 基于云平台的任务数据处理方法、装置、设备及存储介质 |
CN115576999B (zh) * | 2022-12-09 | 2023-03-10 | 矩阵起源(深圳)信息科技有限公司 | 基于云平台的任务数据处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20190205790A1 (en) | 2019-07-04 |
CA2997970C (en) | 2020-03-24 |
EP3392809B1 (en) | 2021-11-17 |
US20180308000A1 (en) | 2018-10-25 |
US11803772B2 (en) | 2023-10-31 |
US10275721B2 (en) | 2019-04-30 |
CN108734299B (zh) | 2022-05-10 |
EP3392809A1 (en) | 2018-10-24 |
CA2997970A1 (en) | 2018-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734299A (zh) | 量子计算机器学习模块 | |
CA2997984C (en) | Multi-state quantum optimization engine | |
EP3392808B1 (en) | Solving computational tasks using quantum computing | |
US20230299951A1 (en) | Quantum neural network | |
US11620568B2 (en) | Using hyperparameter predictors to improve accuracy of automatic machine learning model selection | |
AU2024200810A1 (en) | Training tree-based machine-learning modeling algorithms for predicting outputs and generating explanatory data | |
US20220027738A1 (en) | Distributed synchronous training architecture using stale weights | |
US11366806B2 (en) | Automated feature generation for machine learning application | |
US10824956B1 (en) | System and method for price estimation of reports before execution in analytics | |
US20220188645A1 (en) | Using generative adversarial networks to construct realistic counterfactual explanations for machine learning models | |
US20210374544A1 (en) | Leveraging lagging gradients in machine-learning model training | |
US20210304073A1 (en) | Method and system for developing a machine learning model | |
US20220198277A1 (en) | Post-hoc explanation of machine learning models using generative adversarial networks | |
Faritha Banu et al. | Artificial intelligence based customer churn prediction model for business markets | |
CN112215362A (zh) | 用于转换数据和优化数据转换的双重机器学习管道 | |
WO2022187946A1 (en) | Conditional parameter optimization method & system | |
US11853945B2 (en) | Data anomaly forecasting from data record meta-statistics | |
KR102680144B1 (ko) | 대출 승인 전략을 최적화하는 방법, 장치 및 프로그램을 기록한 저장 매체 | |
Paaß et al. | Deep Learning Can Recognize Complex Relationships | |
WO2024054227A1 (en) | Interference detection-based scheduling for sharing gpus | |
CN116258374A (zh) | 预测项目执行方案的方法、电子设备和存储介质 | |
Timoteo et al. | Evaluating Artificial Neural Networks and Traditional Approaches for Risk Analysis in Software Project Management |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |