CN109196529A - 量子辅助优化 - Google Patents

量子辅助优化 Download PDF

Info

Publication number
CN109196529A
CN109196529A CN201680086099.9A CN201680086099A CN109196529A CN 109196529 A CN109196529 A CN 109196529A CN 201680086099 A CN201680086099 A CN 201680086099A CN 109196529 A CN109196529 A CN 109196529A
Authority
CN
China
Prior art keywords
quantum
state
input state
quantized system
fluctuation
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
Application number
CN201680086099.9A
Other languages
English (en)
Other versions
CN109196529B (zh
Inventor
V.S.邓切夫
M.莫塞尼
H.内文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Google LLC
Original Assignee
Google LLC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Google LLC filed Critical Google LLC
Publication of CN109196529A publication Critical patent/CN109196529A/zh
Application granted granted Critical
Publication of CN109196529B publication Critical patent/CN109196529B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/12Computing arrangements based on biological models using genetic models
    • G06N3/126Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00Computing arrangements using knowledge-based models
    • G06N5/01Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Superconductor Devices And Manufacturing Methods Thereof (AREA)

Abstract

用于量子辅助优化的方法和装置。在一个方面,该方法包括获得初始输入状态的集合;当状态在经典信息处理器内演变时,将(i)动力学热涨落和(ii)聚类更新算法中的一个或多个施加于输入状态和后续输入状态的集合;当状态在量子系统内演变时,将动力学量子涨落施加于输入状态和后续状态的集合;以及重复施加步骤直到获得期望的输出状态。

Description

量子辅助优化
背景技术
本说明书涉及量子计算。
优化任务能够转化为机器学习优化问题。在优化的退火方法中,计算任务的最优解决方案被编码在物理系统的最低能量配置中。最低能量配置可以通过热退火(例如将系统冷却接近零度)或量子退火(例如隧穿能量势垒)来获得。
发明内容
本说明书涉及构造和编程用于信息处理的量子硬件。具体地,本说明书描述了用于解决优化和推理问题的混合量子经典信息处理器的技术。
通常,本说明书中描述的主题的一个创新方面能够在以下方法中实施,该方法包括以下动作:获得初始输入状态的集合,当状态在经典信息处理器内演变(evolve)时,将(i)动力学热涨落和(ii)聚类更新算法中的一个或多个施加于输入状态和后续输入状态的集合,当状态在量子系统内演变时,将动力学量子涨落施加于输入状态和后续状态的集合,并且重复施加步骤直到获得期望的输出状态。
本方面的其他实施方式包括相应的计算机系统、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,计算机系统、装置和计算机程序各自被配置执行方法的动作。一个或多个计算机的系统能够被配置为借助在系统上安装的、在操作中使得系统执行动作的软件、固件、硬件或其组合来执行特定的操作或动作。一个或多个计算机程序可以被配置为借助包括当由数据处理装置运行时使装置执行动作的指令来执行特定的操作或动作。
前述和其他实施方式中可以各自可选地单独地或组合地包括以下特征中的一个或多个。在一些实施方式中,动力学经典涨落包括回火过渡(tempered transition)。
在一些实施方式中,回火过渡包括并行回火算法。
在一些情况下,动力学经典涨落包括加权动力学回火过渡。
在其他情况下,加权动力学回火过渡包括退火重要性采样。
在一些实施方式中,聚类更新算法在各种不同的温度下在参数空间中创建非局部状态转换。
在一些情况下,聚类更新算法在参数空间中创建非局部等温状态转变。
在一些实施方式中,聚类更新算法包括Houdayers聚类移动算法。
在其他实施方式中,动力学量子涨落包括经由施加驱动场来增加和减少零度量子涨落。
在一些实施方式中,动力学量子涨落包括经由施加驱动场来增加和减少有限温度耗散量子涨落。
在一些实施方式中,经由经典和量子处理器的高度可并行化的集合中的前馈步骤来实现对最终期望状态的收敛。
在一些情况下,利用量子和/或经典处理器的相同集合上的反馈回路,对最终期望的状态的收敛是可迭代的。
在一些方面,方法包括获得量子系统的初始输入状态;对输入状态序列执行(i)并行回火或(ii)聚类更新算法中的一个或多个以及量子退火直到第一事件的完成,其中用动力学量子涨落执行量子退火;以及确定第一事件的完成已经发生。
在一些实施方式中,动力学量子涨落包括增加和减少量子涨落。
在一些情况下,量子系统与相应的包括多个能量势垒的非凸能量形貌(landscape)相关联,并且对输入状态序列执行并行回火包括:对第一输入状态和后续输入状态执行并行回火以克服一个或多个能量势垒,直到遇到通过并行回火无法克服的能量势垒;以及响应于确定通过并行回火无法克服能量势垒而终止对初始输入状态和后续输入状态的并行回火。
在一些情况下,量子系统与相应的包括多个能量势垒的能量形貌相关联,并且对输入状态序列执行聚类更新算法包括:对输入状态序列执行聚类更新算法以克服通过并行回火无法克服的能量势垒。
在一些实施方式中,量子系统与相应的包括多个能量势垒的非凸能量形貌相关联,并且对输入状态序列执行量子退火包括:确定遇到通过聚类更新算法无法克服的能量势垒;响应于确定遇到通过聚类更新算法无法克服的能量势垒,对输入状态序列执行量子退火以克服聚类更新算法无法克服的能量势垒。
在一些情况下,量子系统与相应的包括多个能量势垒的非凸能量形貌相关联,并且对输入状态序列执行并行回火包括:生成量子系统的初始输入状态的多个副本(replica);对于不同的温度的集合中的每一个,演变量子系统的初始输入状态的副本中的一个或多个;以及根据Metropolis标准在不同的温度下交换演变的副本对以克服一个或多个能量势垒。
在一些实施方式中,使用初始输入状态的多个副本和量子系统并行执行演变量子系统的初始输入状态的一个或多个副本。
在其他实施方式中,依次对量子系统的初始输入状态的每个副本顺序地执行演变量子系统的初始输入状态的一个或多个副本。
在一些情况下,对输入状态序列执行(i)并行回火或(ii)聚类更新算法中的一个或多个以及量子退火包括:生成量子系统的初始输入状态的多个副本;在给定温度下为每个副本执行第一预定数量的Metropolis更新;生长第二预定数量的Houdayer副本;确定与量子系统相关联的能量形貌的逾渗阈值是高于还是低于预定阈值;响应于确定与量子系统相关联的能量形貌的逾渗阈值高于预定阈值,针对小于预定温度值的温度对副本执行一个或多个Houdayer聚类移动;响应于确定与量子系统相关联的能量形貌的逾渗阈值低于预定阈值,针对所有温度对副本执行一个或多个Houdayer聚类移动;在任何温度下对每个副本执行量子退火,包括逐步进出量子涨落;以及针对一对相邻的温度执行并行回火Metropolis更新。
在一些实施方式中,量子系统的初始输入状态是其基态编码优化任务的解决方案的量子系统的状态。
在一些实施方式中,确定第一事件的完成已经发生包括对输入状态序列中的最终状态执行测量以确定优化任务的解决方案。
在一些情况下,该方法还包括将量子系统表示为图形,并根据优化任务将图形划分为一个或多个局部区域。
在一些实施方式中,对输入状态序列执行量子退火包括:确定(i)并行回火和(ii)聚类更新算法未能克服给定温度下的能量形貌中的一个或多个能量势垒;响应于该确定,在给定温度下对一个或多个局部区域施加量子涨落。
在一些情况下,对输入状态序列执行(i)并行回火或(ii)聚类更新算法中的一个或多个以及量子退火,直到第一事件的完成是遍历过程。
在一些方面,一种装置包括退火系统,该退火系统包括与经典集成电路通信的量子集成电路,该退火系统被配置为:获得初始输入状态的集合,以根据经典信息处理单元的集合的输出来初始化量子系统的集合,并将量子系统的输出作为输入返回到经典处理器;当状态在经典信息处理器内演变时,施加(i)动力学热涨落和/或(ii)聚类更新算法的任何组合;当状态在量子系统内演变时,施加动力学量子涨落;并且重复施加步骤,直到获得期望的输出状态。
在一些情况下,量子集成电路包括量子位的二维阵列的一个或多个堆栈。
在一些情况下,量子位包括fluxmon量子位。
在一些方面,一种装置包括退火系统,该退火系统包括与热槽通信的量子系统,该退火系统被配置为:获得初始输入状态的集合,以根据经典信息处理单元的集合的输出来初始化量子系统的集合,并将量子系统的输出作为输入返回到经典处理器;当状态在经典信息处理器内演变时,施加(i)动力学热涨落和/或(ii)聚类更新算法的任何组合;当状态在量子系统内演变时,施加动力学量子涨落;并且重复施加步骤,直到获得期望的输出状态。
本说明书中描述的主题能够以特定的方式实施,以便实现以下优点中的一个或多个。
与其他量子、经典或混合处理器不同,本说明书中描述的混合量子-经典处理器在可用于解决硬优化任务的量子经典-算法中同时使用量子和经典涨落的优势。例如,在一些情况下,本说明书中描述的混合量子经典处理器可以获得NP硬优化任务的解决方案。此外,在解决某些类别的硬组合优化问题时,本说明书中描述的混合量子经典处理器的运行时间可以比其他经典计算机或现有量子退火处理器明显更快,例如,快几个数量级。
本说明书中描述的混合量子经典优化架构的一个关键特征是可以绕过与现有量子退火器相关联的三个主要突出缺点:(i)当现有量子退火器涉及非稀疏连通图和/或k局部交互时现有量子退火器的问题类的受限嵌入,(ii)现有量子退火器的有限范围多量子位共隧穿效应,以及(iii)现有量子退火器的有限尺寸。
此外,与现有的混合量子经典处理器不同,本说明书中描述的混合量子经典处理器不限于迭代经典预处理和后处理步骤,或者不限于涉及仅与能够指导和稳定逻辑运算的控制电路相关的动力学交互。相反,被包括在所描述的混合量子-经典处理器中的量子和经典芯片的交互基本上可以从算法的角度构造。
与其他混合量子-经典处理器或混合量子-经典处理器的提议不同,本说明书中描述的量子经典处理器可以使用现有或近期硬件物理地实现。
在附图和以下描述中阐述了本说明书的主题的一个或多个实施方式的细节。根据说明书、附图和权利要求,本主题的其他特征、方面和优点将变得显而易见。
附图说明
图1A和图1B是用于执行量子辅助优化的示例过程的流程图。
图2是使用并行回火和Houdayer聚类执行量子辅助退火的示例过程的流程图。
图3是执行量子辅助优化的示例图示。
图4A描绘了用于执行量子辅助优化的示例退火系统。
图4B描绘了用于执行量子辅助优化的示例退火系统。
在各附图中相同的附图编号和标记指示相同的元素。
具体实施方式
本说明书描述了用于使用混合量子-经典信息处理器来解决优化和推理问题的方法。该方法在广义量子-经典退火算法中可选地与集体自旋更新一起同时利用量子和经典涨落的优点。该方法的核心是非平凡量子辅助亚启发式算法(non-trivial quantum-assisted meta-heuristic algorithm)的发展。在所提出的算法中,量子和经典机器在整个计算期间以算法方式交换信息。例如,量子和经典芯片的交互基本上是从算法的角度构建的。
图1A是用于执行量子辅助优化的示例过程100的流程图。过程100组合互补的两个经典和量子算法以在统一算法下进行优化,使得可以组合所有算法子程序优点并避免它们各自的缺点。为方便起见,过程100将被描述为由位于一个或多个位置的一个或多个经典或量子计算设备的系统执行。
系统获得量子系统的初始输入状态(步骤102)。量子系统可以与包括多个能量势垒的相应的非凸能量形貌相关联。在一些实施方式中,量子系统的初始输入状态是其基态编码优化任务(例如二元组合优化问题)的解决方案的量子系统的状态。
可选地,系统可以将量子系统表示为图形,并根据优化任务将图形划分为一个或多个局部区域。例如,系统可以将量子系统表示为连接图,在该连接图中图节点表示的量子位并且图边表示量子位之间的交互。系统可以与配置空间相关联,即所有可能的、配置由所有组件部分的位置指定的配置的空间。通过将优化任务划分为图(其中相应的量子或经典力学聚类更新能够是有益的)的局部区域来在过程100中结合有效的图形预处理步骤,即当(如下面参考步骤104所描述的)并行回火和聚类移动算法在创建期望的隧穿通过能量形貌中的某些势垒(例如,高而薄的势垒)中无效时,允许在任何给定温度下在量子系统的配置空间的某些有限区域上调用量子涨落。
系统对输入状态序列执行(i)并行回火或(ii)聚类更新算法中的一个或多个以及量子退火。用动力学量子涨落(例如,增加和减少量子涨落)执行量子退火(步骤104)。系统执行(i)并行回火或(ii)聚类更新算法中的一个或多个以及量子退火,直到第一事件的完成。
在一些实施方式中,系统可以对输入状态序列迭代地执行(i)并行回火或(ii)聚类更新算法中的一个或多个以及量子退火。例如,在一次迭代中,系统可以对输入状态执行(i)并行回火或(ii)聚类更新算法中的一个或多个以生成经典演变的状态,对经典演变的状态执行量子退火以生成量子演变的状态,以及提供量子演变的状态作为下一次迭代的输入。
对输入状态序列执行(i)并行回火或(ii)聚类更新算法中的一个或多个以及量子退火的过程直到第一事件的完成是遍历过程。即使在量子退火子程序本身例如由于强烈无序问题类别中的多体定位效应而不是遍历的情况下,通过将经典并行回火结合到该过程中也可以保证遍历性。例如具有量子涨落强度Γ=0的并行回火能够保证互补、并且单独都是非遍历的经典和量子聚类更新两者的遍历性。
对输入状态序列执行并行回火能够包括对第一输入状态和后续输入状态执行并行回火以克服一个或多个能量势垒,直到遇到通过并行回火无法克服的能量势垒;以及响应于确定通过并行回火无法克服能量势垒而终止对初始输入状态和后续输入状态的并行回火。并行回火是模拟退火的推广,并使用热涨落从局部最小值中逃逸(escape),局部最小值由能量形貌中的浅势垒隔开。并行回火理论及其应用在DavidJ.Earl和MichaelW.Deem著的“Parallel Tempering:Theory,Applications,and New Perspectives”中被更详细的描述,http://arxiv.org/pdf/physics/0508111.pdf,其公开内容通过引用被合并在本文中。
在一些实施方式中,对输入状态序列执行并行回火包括生成量子系统的初始输入状态的多个副本,并且对于不同的温度的集合中的每一个,演变量子系统的初始输入状态的副本中的一个或多个。执行并行回火可以包括根据Metropolis标准在不同的温度下交换演变的副本对以克服一个或多个能量势垒。在一些实施方式中,使用初始输入状态的多个副本和量子系统并行执行演变量子系统的初始输入状态的一个或多个副本。在其他实施方式中,依次对量子系统的初始输入状态的每个副本顺序地执行演变量子系统的初始输入状态的一个或多个副本。如下面参考图3更详细地描述的那样示出执行并行回火。
可选地,系统可以对输入状态序列执行聚类更新算法,包括对输入状态序列执行聚类更新算法以克服通过并行回火无法克服的能量势垒。在一些实施方式中,聚类更新算法包括Houdayer聚类移动算法。聚类更新算法可以通过允许一次多个自旋更新来处理并行回火缺点,从而克服能量形貌中的并行回火可能无法克服的势垒,例如具有大的汉明距离的高势垒。系统可以在Γ=0的情况下给定温度T下在副本之间引入Houdayer聚类移动,Houdayer聚类移动在J.Houdayer著的“A Cluster Monte Carlo Algorithm for 2-Dimensional Spin Glasses”中被更详细的描述,http://arxiv.org/pdf/cond-mat/ 0101116.pdf,其公开内容通过引用被合并在本文中。
在一些实施方式中,并行执行并行回火和聚类更新算法。
对输入状态序列执行量子退火可以包括确定遇到通过聚类更新算法无法克服的能量势垒;以及响应于确定遇到通过聚类更新算法无法克服的能量势垒,对输入状态序列执行量子退火以克服聚类更新算法无法克服的能量势垒。量子退火可以以非顺序的方式执行,其本质上类似于具有温度作为动力学变量的并行回火。即使在系统高于预定系统逾渗阈值的情况下,量子退火也可以通过允许在任何固定温度下等温隧穿通过高而薄的能量势垒来改善并行回火或聚类移动更新。
如上面参考步骤102所描述的,在一些实施方式中,量子系统的初始输入状态是其基态编码优化任务的解决方案的量子系统的状态,并且系统可以将量子系统表示为图形并且根据优化任务将图形划分为一个或多个局部区域。在这样的情况下,对输入状态序列执行量子退火可以包括确定(i)并行回火和(ii)聚类更新算法未能克服给定温度下的能量形貌中的一个或多个能量势垒,以及响应于确定,在给定温度下对局部区域中的一个或多个施加量子涨落。通过仅对系统的配置空间的某些区域施加量子涨落,以不同的Γ操作的不同的量子副本能够对配置空间的不同的有限尺寸区域调用量子涨落,这些区域可能本地嵌入现有量子硬件并且仍然能够受益于有限范围量子共隧穿效应。
系统确定第一事件的完成已经发生(步骤106)。如上面参考步骤102所描述的,在一些实施方式中,量子系统的初始输入是其基态编码优化任务的解决方案的量子系统的状态。在这些情况下,系统可以通过对输入状态序列中的最终状态执行测量来确定第一事件的完成已经发生,以确定优化任务的解决方案。
在一些实施方式中,系统通过确定输入状态序列中的最终状态充分地接近量子系统的基态来确定第一事件的完成已经发生。在一些实施方式中,以多项式时间对输入状态序列执行(i)并行回火或(ii)聚类更新算法中的一个或多个以及量子退火之后,最终状态可以充分地近似量子系统的基态。
图1B是用于执行量子辅助优化的示例过程150的流程图。过程150组合互补的两个经典和量子算法以在统一算法下进行优化,使得可以组合所有算法子程序优点并避免它们各自的缺点。为方便起见,过程150将被描述为由位于一个或多个位置的一个或多个经典或量子计算设备的系统执行。
系统获得初始输入状态的集合(步骤152)。系统可以获得初始输入状态的集合,以根据经典信息处理单元的集合的输出初始化量子系统的集合。系统可以将量子系统的输出作为输入返回到经典处理器。
当状态在经典信息处理器内演变时,系统将(i)动力学热涨落和/或(ii)聚类更新算法的任何组合施加于输入状态和后续输入状态的集合(步骤154)。
在一些实施方式中,动力学经典涨落包诸如并行回火算法的回火过渡。在进一步的实施方式中,动力学经典涨落包括诸如退火重要性采样的加权动力学回火过渡。在一些实施方式中,聚类更新算法在各种不同的温度下在参数空间中创建非局部状态变换。在其他示例中,聚类更新算法(诸如Houdayers聚类移动算法)在参数空间中创建非局部等温状态变换。
当状态在量子系统内演变时,系统将动力学量子涨落施加于输入状态和后续输入状态的集合(步骤156)。
在一些实施方式中,动力学量子涨落包括经由施加驱动场来增加和减少零度量子涨落。在进一步的实施方式中,动力学量子涨落包括经由施加驱动场来增加和减少有限温度耗散量子涨落。
系统重复施加步骤154和156,直到获得期望的输出状态。在一些实施方式中,经由经典和量子处理器的高度可并行化的集合中的前馈步骤来实现对最终期望状态的收敛。在进一步的实施方式中,利用量子和/或经典处理器的相同集合上的反馈回路,到最终期望状态的收敛是可迭代的。
图2是用于使用并行回火和Houdayer聚类执行量子辅助退火的示例过程200的流程图。为方便起见,过程200将被描述为由位于一个或多个位置的一个或多个经典或量子计算设备的系统执行。
系统生成量子系统的初始输入状态的多个副本(202)。
系统在给定温度下对每个副本执行第一预定数量的Metropolis更新(步骤204)。例如,在量子系统包括自旋系统的情况下,系统可以执行预定数量的一次自旋翻转移动。
系统生长第二预定数量的Houdayer副本(步骤206)。
系统确定与量子系统相关联的能量形貌的逾渗阈值是高于还是低于预定阈值,例如0.5(步骤208)。
响应于确定与量子系统相关联的能量形貌的逾渗阈值高于预定阈值,系统针对小于预定温度值的温度对副本执行一个或多个Houdayer聚类移动(步骤210)。
响应于确定与量子系统相关联的能量形貌的逾渗阈值低于预定阈值,系统针对所有温度对副本执行一个或多个Houdayer聚类移动(步骤212)。
系统在任何温度下对每个副本执行量子退火,包括逐步进出量子涨落(步骤214)。
系统执行一对相邻的温度的并行回火Metropolis更新(步骤216)。
图3是用于执行如上参考图1和图2所描述的量子辅助优化的量子处理器的示例图示300。示例量子处理器是在一个或多个位置中的一个或多个经典计算机或量子计算设备上实施为经典或量子计算机程序的系统的示例,在该示例中可以实施上面描述的系统、组件和技术。
示例量子处理器能够由超导组件构成,超导组件包括量子位(例如,fluxmon量子位)的二维阵列的堆栈302。图3中示出的架构可以具有嵌入任务类别的能力,这些任务可以图形表示为具有大树宽、小半径和高传导率的图形。为了减少散热,超导组件可以用于所有经典操作,例如,并行回火或聚类更新、以及量子操作。因此,所有量子和经典逻辑门可以存在于相同的亚-开尔文温度中。在上文中,为方便起见,假设经典处理器可能是数字化的并可以接近室温操作。
图3中所示的量子处理器包括副本304的三维阵列。可能的坐标[h(s)、T(s)、c(s)]中的副本与量子,h(s)、和热量涨落,T(s)、以及聚类移动c(s)的特定的设置相关,其中如果算法在单处理器上实现,则s是标签处理器的特定的实例的参数并且则能够被认为是时间-否则s标签并行运行的处理器的组合中的一个副本。换言之,每个副本能够是在不同的时间中的相同的处理器,或者可替代地每个副本能够由单独的经典或量子处理器实施。x=0的平面包括经典副本。Metropolis更新算法管理每个副本的状态转变。
x轴310中的变化表明各个度的量子涨落Γ,y轴312中的变化标签不同的度的热涨落T,z轴314中的变化标签根据Houdayer移动的特定的聚类更新。为了根据Houdayer算法生长聚类,如上面参考图2所描述的,系统可以乘以z中的两个相邻的列的值并且如果该逾渗阈值对于特定的温度不高于预定阈值则交换他们。
每列中的更新通过并行回火管理,其中在每个周期中执行N次Metropolis更新306运行并且登记最低能量配置。在每个周期的结尾处可以全局地交换两个相邻的单元格的状态。逐渐地可以根据最低能量状态预期每个可能的h样本的最低单元,例如308。然而,要注意的是,最低副本的状态是不一定在基态。
在x方向310,各个横向场的强度Γ能够设定量子涨落的水平。对于任何非零x,y方向312上的副本正运行在不同的温度下并且其状态可能根据并行回火更新而交换。对于任何x和y,通过乘以该相应的值可以生长各个聚类并生长正负对聚类-假定特定的操作温度低于预定的逾渗阈。除此以外,在z方向314上交换列可能不生产任何有用新状态。
在一些实施方式中,可以期望的是,在多项式数量的周期各自包含多项式运行Metropolis更新306之后,从x=0和y=0附近的副本中获得高质量的解决方案。换句话说,在量子和经典涨落在多项式时间内逐渐消失之后,可能预期的是可以获得基态的充分近似。
图4A描绘了用于执行量子辅助优化的示例退火系统400。示例系统400是在一个或多个位置中的一个或多个经典计算机或量子计算设备上实施为经典或量子计算机程序的系统的示例,其中能够实施下面描述的系统、组件和技术。
退火系统400可以被配置为重复施加(i)动力学热涨落和/或(ii)聚类更新算法的任何组合并施加动力学量子涨落。退火系统400可以包括与辅助量子系统404交互的量子系统402。辅助量子系统404可以用作量子系统402的可控热槽。量子系统402可以包括一个或多个交互的量子子系统,例如,一个或多个交互的量子位。被包括在量子系统402中的一个或多个量子子系统可以包括超导量子位。在一些实施方式中,量子系统402可以是开放量子系统。
辅助量子系统404可以包括有损谐振器、传输线、量子位阵列或超材料的集合。在一些实施方式中,辅助量子系统404可以是与量子系统402和辅助量子系统404外部的环境交互的开放量子系统。在其他实施方式中,辅助量子系统404可以是不与外部环境交互的闭合量子系统。
量子系统422可以通过一个或多个耦合器(例如,耦合器406)与辅助量子系统404交互。辅助量子系统404到量子系统402的耦合器可以使辅助量子系统与量子系统交互,使得辅助系统404的涨落可以影响量子系统402的动力学。作为示例,辅助量子系统404可以包括一个或多个多模谐振器,并且量子系统402可以包括一个或多个量子位,该一个或多个量子位分别耦合到各自的多模式谐振器,或者共同耦合到单个多模谐振器。在一些实施方式中,辅助量子系统404可以包括连续模式的谐振器(也被称为微波超材料)。
一个或多个耦合器406可以是可控耦合器。耦合器的可控性取决于耦合的量子位(例如,两级原子、电子自旋或超导量子位)的特定的物理实现。例如,在电子自旋的情况下,可以经由施加外部电磁场来控制自旋量子位之间的耦合器,其中可以通过调节用于施加电磁场的机器的参数(例如电磁场的波长和幅度)来反过来控制外部电磁场。在超导量子位的情况下,可以通过调节电流偏置来控制量子位之间的交互,例如通过调节具有受控幅度和持续时间的电流偏置脉冲。
图4B描绘了用于执行量子辅助优化的示例退火系统420。示例系统420是在一个或多个位置中的一个或多个经典计算机或量子计算设备上实施为经典或量子计算机程序的系统的示例,其中能够实施下面描述的系统、组件和技术。
退火系统420可以被配置为重复施加(i)动力学热涨落和/或(ii)聚类更新算法和动力学量子涨落的任何组合。
退火系统420可以包括与经典集成电路(芯片)424通信的量子集成电路(芯片)422。量子集成电路422可以被配置为对输入状态的集合施加动力学量子涨落退火,并且与经典集成电路424通信,该经典集成电路424可以被配置为通过一个或多个耦合器426施加(i)动力学热涨落和/或(ii)聚类更新算法的任何组合。
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施方式能够以数字电子电路、合适的量子电路或更一般地量子计算系统来实施,以有形地体现为数字和/或量子计算机软件或固件来实施,以数字和/或量子计算机硬件来实施,包括本说明书中公开的结构及其结构等同物、或者它们中的一个或多个的组合。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、量子加密系统或量子模拟器。
本说明书中描述的数字和/或量子主题的实施方式能够实施为一个或多个数字和/或量子计算机程序,即,在有形非暂时性存储介质上编码的、用于由数据处理装置运行或控制数据处理装置的操作的数字和/或量子计算机程序指令的一个或多个模块。数字和/或量子计算机存储介质能够是机器可读存储设备、机器可读存储基板、随机或串行存取存储器设备、一个或多个量子位、或它们中的一个或多个的组合。可替代地或另外地,程序指令能够在人工生成的传播信号上编码,该传播信号能够编码数字和/或量子信息,该传播信号数字(例如,机器生成的电、光或电磁信号)被生成以编码数字和/或量子信息用于传输到合适的接收器装置以供数据处理装置运行。
术语量子信息和量子数据是指由量子系统携带、在量子系统中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,即定义量子信息单元的系统。应理解,术语“量子位”包括可以在相应的上下文中合适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,具有两个或多个级的系统。例如,这样的系统可包括原子、电子、光子、离子或超导量子位。在许多实施方式中,计算基础状态用基态和第一激发态识别,但是应当理解,其中计算状态用较高级的激发态识别的其他设定是可能的。术语“数据处理装置”指的是数字和/或量子数据处理硬件,并且包括用于处理数字和/或量子数据的各种装置、设备和机器,包括例如可编程数字处理器、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、以及它们的组合。该装置还能够或者进一步包括专用逻辑电路,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,被设计为模拟或产生关于特定的量子系统的信息的量子数据处理装置。具体地,量子模拟器是一种专用量子计算机,它不具备执行通用量子计算的能力。除了硬件之外,该装置还能够包括为数字和/或量子计算机程序创建运行环境的代码,例如,构成处理器固件、协议栈、数据库管理系统、操作系统或其一个或多个的组合的代码。
数字计算机程序也能够被称为或被描述为程序、软件、软件应用、模块、软件模块、脚本或代码,其能够用任何形式的编程语言编写(包括编译或解释语言、或声明或过程语言),并且它能够以任何形式部署,包括作为独立程序或作为模块、组件、子程序或适用于数字计算环境的其他单元。量子计算机程序也能够被称为或被描述为程序、软件、软件应用、模块、软件模块、脚本或代码,其能够用任何形式的编程语言(包括编译或解释语言、或声明或过程语言)写入并且能够被翻译成合适的量子编程语言,或者能够用量子编程语言写入,例如QCL或Quipper。
数字和/或量子计算机程序可以但不必与文件系统中的文件相对应。程序能够存储在保存其他程序或数据(例如,存储在标记语言文档中的一个或多个脚本)的文件的一部分中,存储在专用于所讨论的程序的单个文件中,或者存储在多个协调文件中,例如,存储一个或多个模块、子程序或代码部分的文件。可以将数字和/或量子计算机程序部署为在一个数字或一个量子计算机上或在位于一个站点或跨越分布在多个站点并通过数字和/或量子数据通信网络互连的多个数字和/或量子计算机上运行。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能够传输量子数据和数字数据两者。
本说明书中描述的过程和逻辑流程能够由一个或多个可编程数字和/或量子计算机执行,适当地与一个或多个数字和/或量子处理器一起操作,运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执行操作并生成输出来执行功能。过程和逻辑流程也能够由专用逻辑电路(例如FPGA或ASIC)或量子模拟器来执行,或者通过专用逻辑电路或量子模拟器和一个或多个编程的数字和/或量子计算机的组合执行,并且装置也能够被实施为专用逻辑电路(例如FPGA或ASIC)或量子模拟器。
对于“被配置为”执行特定的操作或动作的一个或多个数字和/或量子计算机的系统意味着系统已经在其上安装了在操作中使得系统执行该操作或动作的软件、固件、硬件或它们的组合。对于被配置为执行特定的操作或动作的一个或多个数字和/或量子计算机程序意味着一个或多个程序包括当由数字和/或量子数据处理装置运行时使得装置执行该操作或行动的指令。量子计算机可以从数字计算机接收指令,该指令在由量子计算装置运行时使得装置执行操作或动作。
适合于数字和/或量子计算机程序的运行的数字和/或量子计算机能够基于通用或专用数字和/或量子处理器或两者、或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(例如光子)的量子系统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运行指令的中央处理单元和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能够由专用逻辑电路或量子模拟器补充或被并入其中。通常,数字和/或量子计算机还将包括或可操作地耦合以从用于存储数字和/或量子数据的一个或多个大容量存储设备接收数字和/或量子数据或将数字和/或量子数据传输到一个或多个大容量存储设备,或者进行两者,该一个或多个大容量存储设备例如磁盘、磁光盘、光盘或适用于存储量子信息的量子系统。然而,数字和/或量子计算机本来不需要具有这样的设备。
适用于存储数字和/或量子计算机程序指令以及数字和/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,包括例如半导体存储器件,例如EPROM、EEPROM和闪存器件;磁盘,例如内部硬盘或可移动磁盘;磁光盘;CD-ROM和DVD-ROM盘;和量子系统,例如,被捕获的原子或电子。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,其中光用于传输,物质用于存储和保存量子数据的诸如叠加或量子相干的量子特征的光物质接口。
对本说明书中描述的各种系统或其部分的控制能够以数字和/或量子计算机程序产品实施,该产品包括存储在一个或多个非暂时性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运行的指令。本说明书中描述的系统或其部分能够各自实施为可以包括一个或多个数字和/或量子处理设备和存储可运行指令以执行本说明书中描述的操作的存储器的装置、方法或系统。
虽然本说明书包含许多特定的实施方式细节,但是这些不应该被解释为对可能要求保护的范围的限制,而是作为可能特定于特定的实施方式的特征的描述。在本说明书中在单独的实施方式的上下文中描述的某些特征也能够在单个实施方式的组合中实施。相反,在单个实施方式的上下文中描述的各种特征也能够单独地或以任何合适的子组合在多个实施方式中实施。此外,尽管在上面特征可以被描述为以某些组合起作用并且甚至最初如此要求保护,但是在一些情况下来自要求保护的组合的一个或多个特征能够从组合中切除,并且要求保护的组合可以针对子组合、或子组合的变化。
类似地,虽然在附图中以特定的次序描绘了操作,但是这不应该被理解为要求以所显示的特定的次序或以顺序次序执行这样的操作,或者执行所有示出的操作,以获得期望的结果。在某些情况下,多任务和并行处理可能是有利的。此外,上面描述的实施方式中的各种系统模块和组件的分离不应被理解为在所有实施方式中都要求这样的分离,并且应当理解,所描述的程序组件和系统通常能够在单个软件产品中集成在一起或者打包成多个软件产品。
已经描述了主题的特定的实施方式。其他实施方式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次序执行并且仍然获得期望的结果。作为一个示例,附图中描绘的过程不一定要求所显示的特定的顺序或顺序次序来获得期望的结果。在一些情况下,多任务处理和并行处理可能是有利的。

Claims (30)

1.一种用于混合量子-经典信息处理的方法,所述方法包括:
获得初始输入状态的集合;
当所述状态在经典信息处理器内演变时,将(i)动力学热涨落和(ii)聚类更新算法中的一个或多个施加于所述输入状态和后续输入状态的集合;
当所述状态在量子系统内演变时,将动力学量子涨落施加于所述输入状态和后续状态的集合;以及
重复施加步骤直到获得期望的输出状态。
2.如权利要求1所述的方法,其中,所述动力学经典涨落包括回火过渡。
3.如权利要求2所述的方法,其中,所述回火过渡包括并行回火算法。
4.如权利要求1所述的方法,其中,所述动力学经典涨落包括加权动力学回火过渡。
5.如权利要求4所述的方法,其中,所述加权动力学回火过渡包括退火重要性采样。
6.如权利要求1所述的方法,其中,所述聚类更新算法在各种不同的温度下在参数空间中创建非局部状态变换。
7.如权利要求1所述的方法,其中,所述聚类更新算法在参数空间中创建非局部等温状态变换。
8.如权利要求7所述的方法,其中,所述聚类更新算法包括Houdayers聚类移动算法。
9.如权利要求1所述的方法,其中,所述动力学量子涨落包括经由施加驱动场来增加和减少零度量子涨落。
10.如权利要求1所述的方法,其中,所述动力学量子涨落包括经由施加驱动场来增加和减少有限温度耗散量子涨落。
11.如权利要求1所述的方法,其中,经由经典和量子处理器的高度可并行化的集合中的前馈步骤来实现所述期望状态的收敛。
12.如权利要求1所述的方法,其中利用量子和/或经典处理器的相同集合上的反馈回路,对所述最终期望的状态的收敛是可迭代的。
13.一种用于混合量子-经典信息处理的方法,所述方法包括:
获得量子系统的初始输入状态;
对输入状态序列执行(i)并行回火或(ii)聚类更新算法中的一个或多个以及量子退火,直到第一事件的完成,其中用动力学量子涨落执行量子退火;以及
确定第一事件的完成已经发生。
14.如权利要求13所述的方法,其中,所述动力学量子涨落包括增加和减少量子涨落。
15.如权利要求14所述的方法,其中,所述量子系统与包括多个能量势垒的相应的非凸能量形貌相关联,以及
其中对输入状态序列执行并行回火包括:
对第一输入状态和后续输入状态执行并行回火以克服一个或多个能量势垒直到遇到通过并行回火无法克服的能量势垒;以及
响应于确定通过并行回火无法克服能量势垒,终止对所述初始输入状态和所述后续输入状态的并行回火。
16.如权利要求14所述的方法,其中,所述量子系统与包括多个能量势垒的相应的能量形貌相关联,以及
其中,对所述输入状态序列执行聚类更新算法包括:
对所述输入状态序列执行聚类更新算法以克服通过并行回火无法克服的能量势垒。
17.如权利要求14所述的方法,其中,所述量子系统与包括多个能量势垒的相应的非凸能量形貌相关联,以及
其中,对输入状态序列执行量子退火包括:
确定遇到通过聚类更新算法无法克服的能量势垒;
响应于确定遇到通过聚类更新算法无法克服的能量势垒,对所述输入状态序列执行量子退火以克服通过聚类更新算法无法克服的能量势垒。
18.如权利要求14所述的方法,其中,所述量子系统与包括多个能量势垒的相应的非凸能量形貌相关联,以及
其中,对输入状态序列执行并行回火包括:
生成所述量子系统的初始输入状态的多个副本;
对于不同的温度的集合中的每一个,演变所述量子系统的初始输入状态的副本中的一个或多个副本;以及
根据Metropolis标准在不同的温度下交换成对的演变的副本以克服一个或多个能量势垒。
19.如权利要求18所述的方法,其中,使用所述初始输入状态的多个副本和量子系统并行执行演变所述量子系统的初始输入状态的一个或多个副本。
20.如权利要求18所述的方法,其中,依次对所述量子系统的初始输入状态的每个副本顺序地执行演变所述量子系统的初始输入状态的一个或多个副本。
21.如权利要求14所述的方法,其中,对输入状态序列执行(i)并行回火或(ii)聚类更新算法中的一个或多个以及量子退火包括:
生成所述量子系统的初始输入状态的多个副本;
在给定温度下为每个副本执行第一预定数量的Metropolis更新;
生长第二预定数量的Houdayer副本;
确定与所述量子系统相关联的能量形貌的逾渗阈值是高于还是低于0.5;
响应于确定与所述量子系统相关联的能量形貌的逾渗阈值高于0.5,对副本执行小于预定温度值的温度的一个或多个Houdayer聚类移动;
响应于确定与所述量子系统相关联的能量形貌的逾渗阈值低于0.5,对副本执行所有温度的一个或多个Houdayer聚类移动;
在任何温度下对每个副本执行量子退火,包括逐步进出量子涨落;以及
执行一对相邻的温度的并行回火Metropolis更新。
22.如权利要求1所述的方法,其中,所述量子系统的初始输入状态是其基态编码优化任务的解决方案的量子系统的状态。
23.如权利要求11所述的方法,其中,确定已经发生第一事件的完成包括对所述输入状态序列中的最终状态执行测量以确定优化任务的解决方案。
24.如权利要求11所述的方法,还包括:
将所述量子系统表示为图形;
根据优化任务将所述图划分为一个或多个局部区域。
25.如权利要求13所述的方法,其中对输入状态序列执行量子退火包括:
确定(i)并行回火和(ii)聚类更新算法未能克服给定温度下的能量形貌中的一个或多个能量势垒;
响应于确定,在给定温度下对所述局部区域中的一个或多个施加量子涨落。
26.如权利要求1所述的方法,其中,对输入状态序列执行(i)并行回火或(ii)聚类更新算法中的一个或多个以及量子退火,直到第一事件的完成是遍历过程。
27.一种装置,包括:
退火系统,包括与经典集成电路通信的量子集成电路,所述退火系统被配置为:
获得输入状态的集合,以根据经典信息处理单元的集合的输出和将量子系统的输出作为输入返回到所述经典处理器来初始化量子系统的集合;
当状态在经典信息处理器内演变时,施加(i)动力学热涨落和/或(ii)聚类更新算法的任何组合;
当状态在量子系统内演变时,施加动力学量子涨落;以及
重复施加步骤,直到获得期望的输出状态。
28.如权利要求27所述的装置,其中,所述量子集成电路包括量子位的一个或多个二维阵列堆栈。
29.如权利要求28所述的装置,其中,所述量子位包括fluxmon量子位。
30.一种装置,包括:
退火系统,其包括与热槽通信的量子系统,所述退火系统被配置为:
获得输入状态的集合,以根据经典信息处理单元的集合的输出和将量子系统的输出作为输入返回到所述经典处理器来初始化量子系统的集合;
当状态在经典信息处理器内演变时,施加(i)动力学热涨落和/或(ii)聚类更新算法的任何组合;
当状态在量子系统内演变时,施加动力学量子涨落;以及
重复施加步骤,直到获得期望的输出状态。
CN201680086099.9A 2016-04-25 2016-12-30 量子辅助优化 Active CN109196529B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201662327384P 2016-04-25 2016-04-25
US62/327,384 2016-04-25
PCT/US2016/069381 WO2017189052A1 (en) 2016-04-25 2016-12-30 Quantum assisted optimization

Publications (2)

Publication Number Publication Date
CN109196529A true CN109196529A (zh) 2019-01-11
CN109196529B CN109196529B (zh) 2022-12-20

Family

ID=57838546

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680086099.9A Active CN109196529B (zh) 2016-04-25 2016-12-30 量子辅助优化

Country Status (5)

Country Link
US (2) US11449760B2 (zh)
EP (1) EP3449426B1 (zh)
CN (1) CN109196529B (zh)
CA (1) CA3022037C (zh)
WO (1) WO2017189052A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113544711A (zh) * 2019-01-17 2021-10-22 D-波系统公司 用于使用聚类收缩的混合算法系统和方法
CN114358319A (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

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US10885457B2 (en) * 2017-03-22 2021-01-05 Accenture Global Solutions Limited Quantum optimization system
WO2018236925A1 (en) * 2017-06-19 2018-12-27 Rigetti & Co, Inc. QUANTICALLY DISTRIBUTED COMPUTING SYSTEM
WO2019133889A1 (en) 2017-12-29 2019-07-04 Google Llc Inhomogeneous quantum annealing schedules
US11010145B1 (en) 2018-02-21 2021-05-18 Rigetti & Co, Inc. Retargetable compilation for quantum computing systems
EP3837647A4 (en) 2018-08-17 2022-05-25 Zapata Computing, Inc. HYBRID QUANTUM-CLASSICAL COMPUTER SYSTEM AND METHOD FOR ACHIEVING FUNCTION INVERSION
US11074519B2 (en) * 2018-09-20 2021-07-27 International Business Machines Corporation Quantum algorithm concatenation
CA3112444A1 (en) * 2018-10-02 2020-04-09 Zapata Computing, Inc. Hybrid quantum-classical computer for solving linear systems
US11562273B2 (en) 2019-02-11 2023-01-24 Microsoft Technology Licensing, Llc Accelerator for computing combinatorial cost function
US11567779B2 (en) * 2019-03-13 2023-01-31 D-Wave Systems Inc. Systems and methods for simulation of dynamic systems
US11568294B2 (en) 2019-04-08 2023-01-31 International Business Machines Corporation Boosting quantum artificial intelligence models
US11488049B2 (en) 2019-04-09 2022-11-01 Zapata Computing, Inc. Hybrid quantum-classical computer system and method for optimization
US11537928B2 (en) 2019-05-03 2022-12-27 Zapata Computing, Inc. Quantum-classical system and method for matrix computations
US11630703B2 (en) * 2020-01-15 2023-04-18 Microsoft Technology Licensing, Llc Cluster update accelerator circuit
US11373112B2 (en) 2020-01-24 2022-06-28 United States Of America As Represented By The Secretary Of The Navy Quantum computer based method for analyzing cyber data and spectra while performing optimization based on the analysis
EP3929827A1 (en) * 2020-06-26 2021-12-29 Bull SAS Computer computing compiling method and system with partial synthetization of quantum computer compliant quantum circuits
US11972319B2 (en) 2020-12-03 2024-04-30 International Business Machines Corporation Multimode resonators for resonator induced phase gates
EP4315186A1 (en) 2021-03-23 2024-02-07 Zapata Computing, Inc. Classically-boosted quantum optimization
US11875224B2 (en) * 2021-05-13 2024-01-16 International Business Machines Corporation Entity steering of a running quantum program
US11544615B2 (en) 2021-05-27 2023-01-03 Red Hat, Inc. Managing runtime qubit allocation for executing quantum services
US11816534B2 (en) 2021-05-27 2023-11-14 Red Hat, Inc. Hotswapping qubits for resource-limited quantum computing devices
CN115456188B (zh) * 2022-02-28 2024-04-05 本源量子计算科技(合肥)股份有限公司 量子计算任务优化处理方法、装置及量子计算机
US20230385675A1 (en) * 2022-05-30 2023-11-30 ColdQuanta, Inc. Quantum reinforcement learning for target quantum system control

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1672171A (zh) * 2002-07-31 2005-09-21 雅马哈发动机株式会社 基于量子软计算的智能机电控制悬架系统
US7008806B1 (en) * 2004-08-24 2006-03-07 The United States Of America As Represented By The Secretary Of The Army Multi-subband criterion for the design of a double-barrier quantum-well intrinsic oscillator
CN102082662A (zh) * 2011-01-30 2011-06-01 山东量子科学技术研究院有限公司 基于同步随机数信息库信息检索的量子安全通信方法
US20130290919A1 (en) * 2012-04-27 2013-10-31 Synopsys, Inc. Selective execution for partitioned parallel simulations
CN104063623A (zh) * 2014-07-09 2014-09-24 北京航空航天大学 一种基于量子成像的飞行器预测制导方案
WO2015143439A1 (en) * 2014-03-21 2015-09-24 Google Inc. Chips including classical and quantum computing processors
US20150269124A1 (en) * 2013-12-05 2015-09-24 D-Wave Systems Inc. Sampling from a set of spins with clamping
US20150363708A1 (en) * 2014-06-17 2015-12-17 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

Family Cites Families (10)

* Cited by examiner, † Cited by third party
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
US7624088B2 (en) * 2005-08-03 2009-11-24 D-Wave Systems Inc. Analog processor comprising quantum devices
US7875876B1 (en) * 2006-06-15 2011-01-25 Hrl Laboratories, Llc Scalable quantum computer
US8244650B2 (en) * 2007-06-12 2012-08-14 D-Wave Systems Inc. Systems, methods, and apparatus for recursive quantum computing algorithms
WO2013006836A1 (en) 2011-07-06 2013-01-10 D-Wave Systems Inc. Quantum processor based systems and methods that minimize an objective function
US20160307649A1 (en) * 2012-04-25 2016-10-20 Azaroghly YAZDANBOD Apparatus and process for penetration of the coulomb barrier
US9152746B2 (en) * 2013-03-26 2015-10-06 Microsoft Technology Licensing, Llc Quantum annealing simulator
US9710758B2 (en) * 2014-04-23 2017-07-18 D-Wave Systems Inc. Quantum processor with instance programmable qubit connectivity
US11176082B2 (en) * 2014-10-27 2021-11-16 Mississippi State University Inhomogeneous computer interconnects for classical and quantum computers
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

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1672171A (zh) * 2002-07-31 2005-09-21 雅马哈发动机株式会社 基于量子软计算的智能机电控制悬架系统
US7008806B1 (en) * 2004-08-24 2006-03-07 The United States Of America As Represented By The Secretary Of The Army Multi-subband criterion for the design of a double-barrier quantum-well intrinsic oscillator
CN102082662A (zh) * 2011-01-30 2011-06-01 山东量子科学技术研究院有限公司 基于同步随机数信息库信息检索的量子安全通信方法
US20130290919A1 (en) * 2012-04-27 2013-10-31 Synopsys, Inc. Selective execution for partitioned parallel simulations
US20150269124A1 (en) * 2013-12-05 2015-09-24 D-Wave Systems Inc. Sampling from a set of spins with clamping
WO2015143439A1 (en) * 2014-03-21 2015-09-24 Google Inc. Chips including classical and quantum computing processors
US20150363708A1 (en) * 2014-06-17 2015-12-17 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
CN104063623A (zh) * 2014-07-09 2014-09-24 北京航空航天大学 一种基于量子成像的飞行器预测制导方案

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHANCELLOR: "Runnback experiments on the D-Wave device", 《HTTP://NICHOLAS-CHANCELLOR.ME/DURHAM_PRESENTATION.PDF》 *
DAVID J等: "Parallel Tempering: Theory, Applications, and New", 《ARXIV:PHYSICS/0208111V2》 *
J. HOUDAYER: "A Cluster Monte Carlo Algorithm for 2-Dimensional Spin Glasses", 《ARXIV:COND-MAT/0101116V3》 *
ZHENG ZHU等: "Efficient Cluster Algorithm for Spin Glasses in Any Space Dimension", 《ARXIV:1501.05630V2 [CS.CV]》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113544711A (zh) * 2019-01-17 2021-10-22 D-波系统公司 用于使用聚类收缩的混合算法系统和方法
CN114358319A (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

Also Published As

Publication number Publication date
EP3449426A1 (en) 2019-03-06
US20190164059A1 (en) 2019-05-30
WO2017189052A1 (en) 2017-11-02
CN109196529B (zh) 2022-12-20
CA3022037A1 (en) 2017-11-02
US20230008626A1 (en) 2023-01-12
EP3449426B1 (en) 2020-11-25
CA3022037C (en) 2021-09-21
US11449760B2 (en) 2022-09-20

Similar Documents

Publication Publication Date Title
CN109196529A (zh) 量子辅助优化
US11900215B2 (en) Quantum statistic machine
Bali et al. Cognizant multitasking in multiobjective multifactorial evolution: MO-MFEA-II
Mousavi et al. Traffic light control using deep policy‐gradient and value‐function‐based reinforcement learning
AU2023201299B2 (en) Constructing and programming quantum hardware for quantum annealing processes
Krenn et al. Artificial intelligence and machine learning for quantum technologies
Li et al. Parameter estimation for chaotic systems by hybrid differential evolution algorithm and artificial bee colony algorithm
Kosut et al. Robust control of quantum gates via sequential convex programming
JP2019520645A (ja) サブ論理制御を使用する量子進化のトレーニング
JP2020522805A (ja) 量子ニューラルネットワーク
CN111373420A (zh) 量子近似优化中的成本函数变形
CN108701262A (zh) 利用量子退火增强模拟退火
Dhahri et al. Hierarchical multi-dimensional differential evolution for the design of beta basis function neural network
Cherifi An overview on recent machine learning techniques for Port Hamiltonian systems
Preti et al. Continuous quantum gate sets and pulse-class meta-optimization
Yang et al. Meta-IRLSOT++: A meta-inverse reinforcement learning method for fast adaptation of trajectory prediction networks
Salehi et al. Dynamical system learning using extreme learning machines with safety and stability guarantees
Wu et al. An algorithm for solving travelling salesman problem based on improved particle swarm optimisation and dynamic step Hopfield network
Haghighat et al. A rule synthesis algorithm for programmable stochastic self-assembly of robotic modules
Jain et al. An optimized algorithm for solving travelling salesman problem using greedy cross over operator
Cabrero Daniel Cross-Entropy method for Kullback-Leibler control in multi-agent systems
Huang et al. Adaptive partitioning and efficient scheduling for distributed DNN training in heterogeneous IoT environment
CN117932194A (zh) 基于fpga的组合优化求解方法及装置
KR20230028887A (ko) 시계열 예측을 위한 신경 아키텍처 및 하이퍼 파라미터 검색
Jiang et al. Endocrine-immune network and its application for optimization

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