CN113661501A - 量子特征核对齐 - Google Patents

量子特征核对齐 Download PDF

Info

Publication number
CN113661501A
CN113661501A CN202080026788.7A CN202080026788A CN113661501A CN 113661501 A CN113661501 A CN 113661501A CN 202080026788 A CN202080026788 A CN 202080026788A CN 113661501 A CN113661501 A CN 113661501A
Authority
CN
China
Prior art keywords
quantum
processor
program instructions
feature mapping
mapping circuit
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.)
Pending
Application number
CN202080026788.7A
Other languages
English (en)
Inventor
J.M.甘贝塔
J.R.格利克
P.K.特米
T.P.古加拉蒂
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.)
International Business Machines Corp
Original Assignee
International Business Machines Corp
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 International Business Machines Corp filed Critical International Business Machines Corp
Publication of CN113661501A publication Critical patent/CN113661501A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/20—Models of quantum computing, e.g. quantum circuits or universal quantum computers
    • 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
    • G06N10/40—Physical realisations or architectures of quantum processors or components for manipulating qubits, e.g. qubit coupling or qubit control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Nanotechnology (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Complex Calculations (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Devices For Executing Special Programs (AREA)
  • Holo Graphy (AREA)
  • Superconductor Devices And Manufacturing Methods Thereof (AREA)

Abstract

说明性实施例提供了一种用于使用混合经典‑量子计算系统的量子特征核对齐的方法、系统和计算机程序产品。一种用于混合经典‑量子决策器训练的方法的实施例包括接收训练数据集。在实施例中，该方法包括由第一处理器从训练集中选择采样对象，每个对象由至少一个向量表示。在实施例中，该方法包括由量子处理器将量子特征映射集应用于所选择的对象，量子映射集对应于量子核集。在实施例中，该方法包括由量子处理器评估与量子特征映射集中的至少一个量子特征映射相对应的量子特征映射电路的参数集。

Description

量子特征核对齐
技术领域
本发明一般地涉及使用量子计算的量子分类器训练。更具体地说，本发明涉及一种量子特征核对齐(kernel alignment)的系统和方法，其用于使用混合经典-量子计算系统的分类器和其他量子决策系统训练。
背景技术
在下文中，除非在使用时明确区分，否则词或短语中的“Q”前缀指示该词或短语在量子计算上下文中的引用。
分子和亚原子粒子遵循量子力学的定律，量子力学是物理学的一个分支，探索物理世界如何在最基本的层面上工作。在这个层面上，粒子以奇怪的方式表现，同时呈现不止一个状态，并且与非常远的其他粒子相互作用。量子计算利用这些量子现象来处理信息。
我们现在通常使用的计算机被称为经典计算机(本文也称为“传统”计算机或传统节点，或“CN”)。传统计算机使用传统处理器，该处理器使用半导体材料和技术、半导体存储器和磁性或固态存储设备来制造，这被称为冯诺依曼架构。特别地，传统计算机中的处理器是二进制处理器，即，对由1和0表示的二进制数据进行操作。
量子处理器(q-处理器)使用纠缠量子比特设备(本文简称“量子比特”)的独特性质来执行计算任务。在量子力学运作的特定领域，物质粒子可以以多种状态存在，例如“开”状态、“关”状态以及同时处于“开”和“关”状态。在使用半导体处理器的二进制计算限于仅限于使用开和关状态(相当于二进制码中的1和0)时，量子处理器利用这些物质的量子态来输出可用于数据计算的信号。
传统计算机以比特对信息进行编码。每一比特可以取1或0的值。这些1和0用作最终驱动计算机功能开/关的开关。另一方面，量子计算机基于量子比特，根据量子物理学的两个关键原理来操作：叠加和纠缠。叠加意味着每个量子比特可以表示一个事件的可能结果之间的1和0推断。纠缠意味着叠加中的量子比特可以以非经典方式彼此关联；即，一个量子比特的状态(无论是1或0或两者)可以取决于另一个量子比特的状态，并且当两个量子纠缠时，它们包含的信息比两个单独的量子比特更多。
使用这两个原理，量子比特作为信息处理器进行操作，使得量子计算机能够以允许它们以解决使用传统计算机难以处理的某些困难问题的方式来运行。
在传统电路中，连续布置的布尔逻辑门操纵一系列比特。用于优化二进制计算的门逻辑技术是众所周知的。用于传统电路的电路优化软件旨在提高效率并降低传统电路的复杂度。用于传统电路的电路优化软件部分地通过将传统电路的整体期望行为分解成更简单的功能来运行。传统的电路优化软件更容易操纵并处理更简单的功能。电路优化软件在传统电路上生成设计元件的有效布局。因此，用于传统电路的电路优化软件显著地减少了资源需求，从而提高了效率并降低了复杂度。
说明性实施例认识到，在量子电路中，量子门操纵量子比特以执行量子计算。量子门是作用于量子比特的酉矩阵变换。由于量子比特的叠加和纠缠，量子门表示2n×2n矩阵，其中n是量子门操纵的量子比特数。说明性实施例认识到，由于矩阵变换的大小随着量子比特数呈指数增加，所以这种矩阵变换的分解迅速变得过于复杂而不能手动执行。例如，2量子位的量子计算机需要4×4的矩阵算子来表示量子门。10量子位的量子计算机需要1024×1024的矩阵算子来表示量子门。作为呈指数增加的结果，随着量子比特数的增加，手动量子逻辑门矩阵变换很快变得不可管理。
用于量子电路的电路优化取决于所选择的功能、资源要求和用于量子电路的其他设计标准。例如，量子电路通常被优化以与特定设备一起工作。
发明内容
根据一个方面，提供了一种用于混合经典-量子决策器训练的方法，该方法包括：接收训练数据集；由第一处理器从训练集中选择采样对象，每个对象由至少一个向量表示；由量子处理器将量子特征映射集应用于所选择的对象，量子映射集对应于量子核集；由量子处理器评估与该量子特征映射集中的至少一个量子特征映射相对应的量子特征映射电路的参数集；由第一处理器确定用于量子特征映射电路的新的参数集；以及由第一处理器使用新的参数集来参数化量子特征映射电路。
根据另一方面，提供了一种计算机可用程序产品，其包括一个或多个计算机可读存储设备，以及存储在一个或多个存储设备中的至少一个上的程序指令，所存储的程序指令包括：用于接收训练数据集的程序指令；用于由第一处理器从训练集中选择采样对象的程序指令，每个对象由至少一个向量表示；用于由量子处理器将量子特征映射集应用于所选择的对象的程序指令，该量子映射集对应于量子核集；用于由量子处理器评估与该量子特征映射集中的至少一个量子特征映射相对应的量子特征映射电路的参数集的程序指令；用于由第一处理器确定用于量子特征映射电路的新的参数集的程序指令；以及用于由第一处理器使用新的参数集来参数化量子特征映射电路的程序指令。
根据另一方面，提供了一种计算机系统，其包括一个或多个处理器、一个或多个计算机可读存储器、一个或多个计算机可读存储设备、存储在一个或多个存储设备中的至少一个上的用于执行的程序指令，该程序指令由一个或多个处理器中的至少一个处理器经由一个或多个存储器中的至少一个存储器来执行。所存储的程序指令包括：用于接收训练数据集的程序指令；用于由第一处理器从训练集中选择采样对象的程序指令，每个对象由至少一个向量表示；用于由量子处理器将量子特征映射集应用于所选择的对象的程序指令，该量子映射集对应于量子核集；用于由量子处理器评估与该量子特征映射集中的至少一个量子特征映射相对应的量子特征映射电路的参数集的程序指令；用于由第一处理器确定用于量子特征映射电路的新的参数集的程序指令；以及用于由第一处理器使用新的参数集来参数化量子特征映射电路的程序指令。
说明性实施例提供了一种用于使用混合经典-量子计算系统的量子特征核对齐的方法、系统和计算机程序产品。一种用于混合经典-量子决策器训练的方法的实施例包括接收训练数据集。在实施例中，该方法包括由第一处理器从训练集中选择采样对象，每个对象由至少一个向量表示。
在实施例中，该方法包括由量子处理器将量子特征映射集应用于所选择的对象，该量子映射集对应于量子核集。在实施例中，该方法包括由量子处理器评估与该量子特征映射集中的至少一个量子特征映射相对应的量子特征映射电路的参数集。
在实施例中，该方法包括由第一处理器确定用于量子特征映射电路的新的参数集。在实施例中，该方法包括由第一处理器使用新的参数集来参数化量子特征映射电路。
在实施例中，该方法包括改变量子处理器的微波脉冲的幅度以参数化量子特征映射电路。在实施例中，该方法包括改变量子处理器的微波脉冲的相位以参数化量子特征映射电路。
在实施例中，该方法包括确定该新的参数集产生大于预定阈值的精确测量。在实施例中，该方法包括将参数化的量子特征映射电路应用于所选择的采样对象以计算新的输出向量。
在实施例中，量子特征映射电路包括单量子比特旋转门集。在实施例中，单量子比特旋转门集的子集包括旋转角度。在实施例中，该旋转角度对应于新的参数集。在实施例中，第一处理器是经典处理器。
在实施例中，该方法被体现在计算机程序产品中，该计算机程序产品包括一个或多个计算机可读存储设备和存储在一个或多个计算机可读有形存储设备上并且由一个或多个处理器执行的计算机可读程序指令。
实施例包括计算机可用程序产品。计算机可用程序产品包括计算机可读存储设备和存储在存储设备上的程序指令。
实施例包括计算机系统。该计算机系统包括处理器、计算机可读存储器、计算机可读存储设备以及存储在存储设备上以由处理器经由存储器执行的程序指令。
在实施例中，程序指令存储在数据处理系统中的计算机可读存储设备中，并且程序指令通过网络从远程数据处理系统传送。
在实施例中，程序指令存储在服务器数据处理系统中的计算机可读存储设备中，并且程序指令通过网络下载到远程数据处理系统中以用于与远程数据处理系统相关联的计算机可读存储设备。
根据优选实施例，本发明提供了用于量子电路的编译方法的改进方法。
量子算法表示要在量子计算机上执行的指令集。说明性实施例认识到，量子算法可以被建模为量子电路。量子电路是由执行相应量子算法步骤的量子逻辑门集形成的计算模型。
在机器学习中，经典支持向量机(Support Vector Machine，SVM)是与将数据分类成类别的学习算法相关联的监督学习模型。通常，训练示例集的每一个都被标记为属于某个类别，并且SVM训练算法建立模型将新示例分配给特定类别。SVM模型将示例表示为映射到特征空间中的点，使得不同类别的示例被特征空间中的间隙划分。特征映射是指表示一个或多个类别的特征的集合的映射。特征映射是通过指定被称为核的函数来构建的，该函数计算特征空间中的每对数据点之间的内积。使用SVM算法，新的输入数据被映射到相同的特征空间中，并且基于从新示例到利用特征映射表示类别的示例的距离来预测其所属类别。通常，SVM通过找到最大化两个类别之间的边界的超平面来执行分类。超平面是其维数比其周围空间少一维的子空间，例如，三维空间具有二维超平面。
说明性实施例认识到，量子决策系统(例如量子分类器、量子回归器、量子控制器或量子预测器)可以用于分析输入数据并且通过量子分类器做出关于输入数据的决策。例如，量子分类器(例如量子支持向量机(Quantum Support Vector Machine，QSVM))可以用于分析输入数据并且由量子处理器确定该输入数据的离散分类。量子处理器能够生成传统上难以评估的特征映射。通过指定被称为量子核的函数来构建量子特征映射，该函数计算量子特征空间中的每对数据点之间的内积。在其他示例中，回归器、控制器或预测器可以对连续空间实体进行操作。一种量子分类器(例如QSVM)使用具有提高某些输入数据分类速度的能力的量子处理器来实施分类器。说明性实施例认识到，训练量子分类器和其他量子决策系统通常需要大样本的输入数据。
有一类问题被称为优化问题。优化问题是要为不同的问题确定最佳或最优解的计算问题，其中不同的问题具有多个可能的解。例如，不同的问题可以是著名的旅行商问题，其必须在多个城市之间确定路线，使得旅行商覆盖这些城市中的每一个而不再访问这些城市中的任何一个。这个问题有许多可能的解(城市之间的路线)。与旅行商问题相关的优化问题是从每一条都满足旅行商问题要求的多条可能的路线中找到最短路线，即最佳或最优路线。
配置优化问题以在计算机上执行，使得计算机可以在有限时间内计算最优解其本身是个难题。直到最近，可用于执行优化问题的唯一计算资源是如本文描述的传统计算机。许多优化问题对于传统计算机来说太困难或太复杂，以至于不能在有限时间内使用合理的资源进行计算。通常，在这种情况下，可以在合理的时间内并且使用合理的资源进行计算的近似解被接受为接近最优的解。
量子计算的出现已经在许多计算领域(包括优化问题的计算)中提出了改进的可能性。因为量子计算系统可以一次评估来自解空间的许多解，所以说明性实施例认识到这样的系统特别适合于求解优化问题。
说明性实施例认识到，核确定特征空间中的映射数据的几何结构。说明性实施例还认识到，核由此对机器学习算法的性能具有核心影响。说明性实施例认识到，核对齐是用于经典机器学习算法以评估给定数据集的核的质量的一种当前可用的技术。核对齐测量经典机器学习算法的给定核与给定学习任务之间的一致程度。说明性实施例认识到，针对给定数据集的核优化增加了机器学习模型的准确性。
附图说明
现在将仅通过示例的方式并参考以下附图来描述本发明的优选实施例：
图1示出了可以实施说明性实施例的数据处理系统的网络的框图；
图2示出了可以实施说明性实施例的数据处理系统的框图；
图3示出了根据说明性实施例的用于量子处理器的量子比特；
图4示出了根据说明性实施例的示例通用量子电路门的矩阵表示的简化图；
图5示出了根据说明性实施例的使用经典处理器和量子处理器的用于量子特征核对齐的示例混合量子/经典优化算法的框图；
图6示出了根据说明性实施例的使用混合经典-量子计算系统的用于核族的示例量子特征映射电路的框图；
图7示出了根据说明性实施例的使用混合经典-量子计算系统的用于另一核族的示例量子特征映射电路的框图；
图8示出了根据说明性实施例的使用混合经典-量子计算系统的用于另一核族的示例量子特征映射电路的框图；
图9示出了根据说明性实施例的使用混合经典-量子计算系统的用于另一核族的示例量子特征映射电路的框图；
图10示出了根据说明性实施例的使用混合经典-量子计算系统的量子特征核对齐的示例配置的框图；
图11示出了根据优选实施例的用于量子特征核对齐的混合经典-量子系统的训练数据的仿真结果；以及
图12示出了根据说明性实施例的使用混合经典-量子计算系统的量子特征核对齐的示例过程的流程图。
具体实施方式
用于描述本发明的说明性实施例一般地解决使用量子计算来解决计算问题的上述问题。说明性实施例提供了一种用于使用混合经典-量子计算系统的量子特征核对齐的方法和系统。
实施例提供了一种用于使用混合经典-量子计算系统的量子特征核对齐的方法。另一实施例提供了一种传统或量子计算机可用程序产品，其包括计算机可读存储设备，以及存储在该存储设备上的程序指令，所存储的程序指令包括一种用于使用混合经典-量子计算系统的量子特征核对齐的方法。该指令能够使用传统或量子处理器来执行。另一实施例提供了一种计算机系统，其包括传统或量子处理器、计算机可读存储器以及计算机可读存储设备，并且程序指令被存储在该存储设备上以由处理器经由存储器来执行，所存储的程序指令包括一种用于使用混合经典-量子计算系统的量子特征核对齐的方法。
一个或多个实施例提供了一种混合经典和量子的方法，其共同演化量子核和经典核对齐优化。在一个或多个实施例中，经典计算机被用于存储与分类训练数据相关联的大数据集并且执行核对齐优化，量子计算机被用于同时评估量子核的质量。
在实施例中，假设QSVM精确地用正确的量子核构建相应的正确特征映射。在该实施例中，获得了量子核的有限集。在特定实施例中，量子核可以基于量子电路的电路描述。在实施例中，经典计算机将量子特征映射调谐到数据集。在实施例中，经典计算机改变量子电路的参数以将量子特征映射调谐到数据集。
对于固定的α，SVM目标(F)等同于核对齐γk：
Figure BDA0003289450600000071
Figure BDA0003289450600000072
说明性实施例认识到支持向量权重α不是固定的。给定核k，选择支持向量权重以最大化F。通过最大化对齐来学习边界-最大化核：
Figure BDA0003289450600000073
服从于约束条件0≤α≤C，yTα＝0。
在经典处理器上运行的经典优化程序通过接收训练样本集S作为输入来学习边界-最大化核，其中训练样本集S：(xi，yi)，i＝1，…，n服从于参数框约束C、步数T、步长为{ηt}的梯度上升步数M，子采样训练集
Figure BDA0003289450600000074
Figure BDA0003289450600000081
步长n′<n。初始化随机核参数集，参数
Figure BDA0003289450600000082
随机支持向量权重
Figure BDA0003289450600000083
α+＝α，α-＝α。优化程序执行步骤t＝1，…T：
通过从S随机采样生成子集
Figure BDA0003289450600000084
生成随机向量Δ∈{-1,1}m；
计算λ+＝λ+cSPSA，tΔ和λ-＝λ-cSPSA，tΔ，得到常数cSPSA，t；
在量子设备上计算量子核矩阵K+＝K(λ+,S′t)和K-＝K(λ-,S′t)；
使用K+计算梯度g+,t＝▽αF(α+，t，λ+，t)，使用K-计算梯度g-,t＝▽αF(α-，t，λ-，t)。
经由M-步梯度上升更新α+,t+1←Proj[α+,t+ηtg+,t]和α-,t+1←Proj[α-,t+ηtg-,t]；
使用成本函数F(α+，t，λ+，t)和F(α-，t，λ-，t)经由SPSA优化更新λ。
实施例使用优化的参数λ*计算核矩阵K(λ*,S)。实施例通过求解标准SVM二次程序来计算支持向量权重、偏置和支持向量。
在实施例中，一种方法优化SVM目标函数F的值。在实施例中，该方法相对于量子核参数集，最小化F的值。在实施例中，该方法相对于对齐，最大化F的值。在实施例中，该方法最大化量子核族的对齐。
因此，一个或多个实施例提供了一种选择数据集的量子特征映射的系统和方法。各种实施例提供了一种经典/量子方法，共同演化量子核和经典核对齐函数，并且量子计算机被用于同时评估量子核的质量。
为了描述的清楚，并且不暗示对其的任何限制，使用一些示例配置来描述说明性实施例。根据本公开，本领域的普通技术人员将能够构思出用于实现所述目的所述配置的许多变更、适应和修改，并且这些都被认为在说明性实施例的范围内。
此外，在附图和说明性实施例中使用了数据处理环境的简化图。在实际计算环境中，可以存在未在本文示出或描述的附加结构或组件，或者与所示出的结构或组件不同但用于与本文描述的功能类似的结构或组件，而不脱离说明性实施例的范围。
此外，说明性实施例仅作为示例对特定实际或假设组件进行描述。由各种说明性实施例描述的步骤可以适于使用各种组件来增强量子分类，这些组件可以有目的地或改变用途以在数据处理环境内提供所描述的功能，并且这样的适应被认为在说明性实施例的范围内。
说明性实施例作为示例对某些类型的步骤、应用、经典处理器、量子处理器、量子态、经典特征空间、量子特征空间、经典核、量子核和数据处理环境进行描述。这些和其他类似人工制品的任何特定表现形式并不旨在限制本公开。可以在说明性实施例的范围内选择这些和其他类似人工制品的任何适当表现形式。
本公开中的示例仅用于清楚描述，而不是限制说明性实施例。本文列出的任何优点仅是示例，并不旨在限制说明性实施例。通过特定说明性实施例可以实现附加的或不同的优点。此外，特定说明性实施例可具有上文所列优点中的一些、全部或不具有上文所列优点。
参考附图，特别参考图1和图2，这些附图是可以在其中实施说明性实施例的数据处理环境的示例图。图1和图2仅是示例，而不旨在断言或暗示关于可以在其中实施不同实施例的环境的任何限制。特定实施方式可以基于以下描述对示出的环境进行许多修改。
图1示出了可以在其中实施说明性实施例的数据处理系统网络的框图。数据处理环境100是可以在其中实施说明性实施例的计算机网络。数据处理环境100包括网络102。网络102是用于在数据处理环境100内连接在一起的各种设备和计算机之间提供通信链路的介质。网络102可以包括连接，例如有线、无线通信链路或光纤电缆。
客户端或服务器仅是连接到网络102的某些数据处理系统的示例角色，并不旨在排除这些数据处理系统的其他配置或角色。经典处理系统104耦合到网络102。经典处理系统104是经典处理系统。软件应用可以在数据处理环境100中的任何量子数据处理系统上执行。在图1中描述的经典处理系统104中执行的任何软件应用可以被配置为以类似的方式在另一数据处理系统中执行。在图1中的传统处理系统104中存储或产生的任何数据或信息可以被配置为以类似的方式在另一数据处理系统中存储或产生。经典数据处理系统(例如经典处理系统104)可以包含数据，并可以具有在系统上执行经典计算过程的软件应用或软件工具。
服务器106与存储单元108一起耦合到网络102。存储单元108包括数据库109，数据库109被配置为存储如本文关于各种实施例所描述的分类器训练数据。服务器106是传统的数据处理系统。量子处理系统140耦合到网络102。量子处理系统140是量子数据处理系统。软件应用可以在数据处理环境100中的任何量子数据处理系统上执行。在图1中描述的量子处理系统140中执行的任何软件应用可以被配置为以类似的方式在另一量子数据处理系统中执行。在图1中的量子处理系统140中存储或产生的任何数据或信息可以被配置成以类似的方式在另一量子数据处理系统中存储或产生。量子数据处理系统(例如量子处理系统140)可以包含数据并可以具有在系统上执行量子计算过程的软件应用或软件工具。
客户端110、112和114也耦合到网络102。传统数据处理系统(例如服务器106或客户端110、112或114)可以包含数据，并可以具有在系统上执行传统计算过程的软件应用或软件工具。
仅作为示例，而不暗示对这样的架构的任何限制，图1示出了可以在实施例的示例实施方式中使用的某些组件。例如，服务器106和客户端110、112、114仅作为示例被描绘为服务器和客户端，并不暗示对客户端-服务器架构的限制。作为另一示例，实施例可以跨示出的几个传统数据处理系统、量子数据处理系统和数据网络而分布，而另一实施例可以在说明性实施例的范围内在单个传统数据处理系统或单个量子数据处理系统上实现。传统数据处理系统106、110、112和114还表示适合于实施实施例的集群、分区和其他配置中的示例节点。
设备132是本文描述的传统计算设备的示例。例如，设备132可以采取智能电话、平板计算机、膝上型计算机、固定或便携式形式的客户端110、可穿戴计算设备或任何其他合适的设备的形式。在图1中描述的另一传统数据处理系统中执行的任何软件应用可以被配置为以类似的方式在设备132中执行。在图1中的另一传统数据处理系统中存储或产生的任何数据或信息可以被配置为以类似的方式在设备132中存储或产生。
服务器106，存储单元108，经典处理系统104，量子处理系统140，客户端110、112、114以及设备132可以使用有线连接、无线通信协议或其他合适的数据连接耦合到网络102。客户端110、112和114可以是例如个人计算机或网络计算机。
在示出的示例中，服务器106可以向客户端110、112和114提供数据，例如引导文件、操作系统映像和应用。在该示例中，客户端110、112和114可以是服务器106的客户端。客户端110、112、114或其中的一些组合可以包括它们自己的数据、引导文件、操作系统映像和应用。数据处理环境100可以包括未示出的附加的服务器、客户端和其他设备。
在示出的示例中，存储器124可以向经典处理器122提供数据，例如引导文件、操作系统映像和应用。经典处理器122可以包括其自己的数据、引导文件、操作系统映像和应用。数据处理环境100可以包括未示出的附加的存储器、量子处理器和其他设备。存储器124包括应用105，该应用105可以被配置为实施本文描述的一个或多个经典处理器功能，用于根据一个或多个实施例在混合经典-量子计算系统上进行量子特征核对齐。
在示出的示例中，存储器144可以向量子处理器142提供数据，例如引导文件、操作系统映像和应用。量子处理器142可以包括它自己的数据、引导文件、操作系统映像和应用。数据处理环境100可以包括未示出的附加存储器、量子处理器和其他设备。存储器144包括应用146，该应用146可以被配置为根据一个或多个实施例实施一个或多个本文描述的量子处理器功能。
在示出的示例中，数据处理环境100可以是互联网。网络102可以表示使用传输控制协议/网际协议(Transmission Control Protocol/lnternet Protocol，TCP/IP)和其他协议来彼此通信的网络和网关的集合。互联网的核心是主节点或主机计算机之间的数据通信链路的主干，包括数以千计的商业、政府、教育和其他发送数据和消息的计算机系统。当然，数据处理环境100也可以实施为许多不同类型的网络，例如内联网、局域网(Local AreaNetwork，LAN)或广域网(Wide Area Network，WAN)。图1旨在作为示例，而不是作为对不同说明性实施例的架构限制。
在其他用途中，数据处理环境100可以用于实施可以在其中实施示例性实施例的客户端-服务器环境。客户端-服务器环境使得软件应用和数据能够跨网络分布，以便应用通过使用传统客户端数据处理系统和传统服务器数据处理系统之间的交互性来起作用。数据处理环境100还可以采用面向服务的架构，其中跨网络分布的可互操作的软件组件可以被打包在一起作为一致的商业应用。数据处理环境100还可以采取云的形式，并且采用服务交付的云计算模型以实现对可配置计算资源(例如，网络、网络带宽、服务器、处理、存储器、存储、应用、虚拟机和服务)共享池的方便、按需的网络访问，可以以最少的管理工作或与服务提供者的交互来快速供应和释放。
参考图2，该图示出了其中可以实施说明性实施例的数据处理系统的框图。数据处理系统200是传统计算机的示例，例如图1中的经典处理系统104、服务器106、客户端110、112和114或者另一类型的设备，其中计算机可用程序代码或实施过程的指令可以位于设备中来实施说明性实施例。
数据处理系统200还表示传统数据处理系统或其中的配置，例如图1中的传统数据处理系统132，其中实施说明性实施例过程的计算机可用程序代码或指令可以位于其中。数据处理系统200仅作为示例被描述为计算机，但不限于此。在不脱离本文描述的数据处理系统200的操作和功能的一般描述的情况下，其他设备形式(例如图1中的设备132)的实施方式可以修改(例如通过添加触摸界面)数据处理系统200，甚至从数据处理系统200中移除某些示出的组件。
在示出的示例中，数据处理系统200采用集线器架构，包括北桥和存储器控制器集线器(North Bridge and Memory Controller Hub，NB/MCH)202以及南桥和输入/输出(I/O)控制器集线器(South Bridge and Input/Output Controller Hub，SB/ICH)204。处理单元206、主存储器208和图形处理器210耦合到北桥和存储器控制器集线器(NB/MCH)202。处理单元206可以包含一个或多个处理器，并且可以使用一个或多个异构处理器系统来实施。处理单元206可以是多核处理器。在某些实现中，图形处理器210可以通过加速图形端口(Accelerated Graphics Port，AGP)耦合到NB/MCH 202。
在示出的示例中，局域网(LAN)适配器212耦合到南桥和I/O控制器集线器(SB/ICH)204。音频适配器216、键盘和鼠标适配器220、调制解调器222、只读存储器(Read OnlyMemory，ROM)224、通用串行总线(Universal Serial Bus，USB)和其他端口232以及PCI/PCIe设备234通过总线238耦合到南桥和I/O控制器集线器204。硬盘驱动器(Hard DiskDrive，HDD)或固态驱动器(Solid-State Drive，SSD)226和CD-ROM 230通过总线240耦合到南桥和I/O控制器集线器204。PCI/PCIe设备234可以包括例如以太网适配器、插卡和用于笔记本计算机的PC卡。PCI使用卡总线控制器，而PCIe不使用。ROM 224可以是例如闪存二进制输入/输出系统(Binary Input/Output System，BIOS)。硬盘驱动器226和CD-ROM 230可以使用例如集成驱动电子设备(Integrated Drive Electronics，IDE)、串行高级技术附件(Serial Advanced Technology Attachment，SATA)接口或例如外部-SATA(eSATA)和微型-SATA(mSATA)的变体。超级I/O(Super I/O，SIO)设备236可以通过总线238耦合到南桥和I/O控制器集线器(SB/ICH)204。
例如主存储器208、ROM 224或闪存(未示出)的存储器是计算机可用存储设备的一些示例。硬盘驱动器或固态驱动器226、CD-ROM 230和其他类似的可用设备是包括计算机可用存储介质的计算机可用存储设备的一些示例。
操作系统在处理单元206上运行。操作系统协调并提供对图2中的数据处理系统200内的各种组件的控制。操作系统可以是用于任何类型的计算平台的市售操作系统，包括但不限于服务器系统、个人计算机和移动设备。面向对象的或其他类型的编程系统可以与操作系统一起操作，并提供在数据处理系统200上执行的程序或应用对操作系统的调用。
用于操作系统、面向对象的编程系统以及应用或程序(例如图1中的应用105)的指令位于存储设备上(例如以硬盘驱动器226上的代码226A的形式)，并且可以加载到一个或多个存储器(例如主存储器208)的至少一个中，以便由处理单元206来执行。说明性实施例的过程可以由处理单元206使用计算机实施的指令来执行，该指令可以位于存储器中(例如主存储器208、只读存储器224)或者位于一个或多个外围设备中。
此外，在一种情况下，代码226A可以通过网络201A从远程系统201B下载，其中类似的代码201C存储在存储设备201D上。在另一种情况下，代码226A可以通过网络201A下载到远程系统201B，其中下载的代码201C存储在存储设备201D上。
图1-2中的硬件可以根据实施方式而变化。除了图1-2中示出的硬件之外，或者替代图1-2中示出的硬件，可以使用其他内部硬件或外围设备(例如闪存、等效的非易失性存储器或光盘驱动器等)。此外，可以将说明性实施例的过程应用于多处理器数据处理系统。
在一些说明性示例中，数据处理系统200可以是个人数字助理(Personal DigitalAssistant，PDA)，其通常配置有闪存以提供用于存储操作系统文件和/或用户生成数据的非易失性存储器。总线系统可以包括一个或多个总线(例如系统总线、I/O总线和PCI总线)。当然，总线系统可以使用任何类型的通信结构或架构来实施，在附接到该结构或架构的不同组件或设备之间提供数据传送。
通信单元可以包括一个或多个用于发送和接收数据的设备，例如调制解调器或网络适配器。存储器可以是例如主存储器208或高速缓存(例如北桥和存储器控制器集线器202中发现的高速缓存)。处理单元可以包括一个或多个处理器或CPU。
图1-2中示出的示例和上述示例不意味着暗示架构限制。例如，数据处理系统200除了采取移动设备或可穿戴设备的形式之外，还可以是平板计算机、膝上型计算机或电话设备。
在计算机或数据处理系统被描述为虚拟机、虚拟设备或虚拟组件的情况下，虚拟机、虚拟设备或虚拟组件以数据处理系统200的方式，使用数据处理系统200中示出的一些或所有组件的虚拟化表现来进行操作。例如，在虚拟机、虚拟设备或虚拟组件中，处理单元206表现为主机数据处理系统中所有或一些可用的硬件处理单元206的虚拟化实例，主存储器208表现为主机数据处理系统中所有或部分可用的主存储器208的虚拟化实例，并且盘226表现为主机数据处理系统中所有或部分可用的盘226的虚拟化实例。在这种情况下，主机数据处理系统由数据处理系统200表示。
参考图3，该图示出了用于在量子处理器(例如，图1中的量子处理器148)中使用的量子比特。量子比特300包括电容器结构302以及约瑟夫森结304。约瑟夫森结304是由非超导材料将两层薄膜超导金属层分离而形成。当超导层中的金属变成超导时——例如通过将金属的温度降低到特定的低温——电子对可以从一个超导层通过非超导层隧穿到另一个超导层。在超导量子比特300中，具有小电感的约瑟夫森结304与电容器结构302并联电耦合，形成一个非线性谐振器。
参考图4，该图示出了根据说明性实施例的示例通用量子电路门的矩阵表示的简化图400。在所示的示例中，示出了比特-翻转非(X)门、相位-翻转(Z)门、Hadamard(H)门、相移(T)门、受控非(受控X或CNOT)门和交换门的矩阵表示和相应的线性方程。
参考图5，该图示出了使用经典处理器502和量子处理器504的用于量子特征核对齐的示例混合量子/经典优化算法的框图。在该示例中，经典处理器502运行经典优化方案以便为核对齐算法生成更新参数，并将这些更新参数发送到量子处理器504。量子处理器504根据要解决的特定组合问题和给定的更新参数，准备量子特征映射电路集。量子处理器504执行所准备的量子态，并评估与该量子特征映射电路集相对应的量子核族集。在实施例中，量子核集来自单个量子核族。经典处理器502从量子处理器504接收这些评估，并对量子核族集的参数进行评估以确定是否要更新用于经典优化方案的参数。
如果经典处理器502确定量子特征核对齐优化问题的参数要更新，则经典处理器502使用更新的参数运行经典优化方案以生成进一步更新的参数。经典处理器502然后将这些进一步更新的参数发送到量子处理器504。通常，重复该过程直到获得可接受阈值内的收敛。
参考图6，该图示出了根据说明性实施例的使用混合经典-量子计算系统的核族的示例量子特征映射电路600的框图。在该示例中，量子特征映射电路600应用第一层单量子比特单一旋转门，其后是第一对角相位门组件。量子特征映射电路600的对角相位门组件计算
Figure BDA0003289450600000151
Figure BDA0003289450600000152
量子特征映射电路600还应用第二层单量子比特单一旋转门，其后是第二对角相位门组件。量子特征映射电路还应用第三对角相位门组件，其后是第三层单量子比特单一旋转门。量子特征映射电路600还应用第四对角相位门组件，其后是第四层单量子比特单一旋转门。量子特征映射电路600还将测量层应用于量子比特集。
由此获得了等效电路，以对相位的实际函数值以及每个基本元素的傅立叶变换值这两者进行编码。由量子特征映射电路600实施的量子特征映射起作用，以将输入数据线性地分到SVM/QSVM所需的类别，因为它将超平面施加到“提升的”(例如，应用特征映射的)数据上。每一层单量子比特单一旋转门的旋转角度取决于优化的核参数。
参考图7，该图示出了根据说明性实施例的使用混合经典-量子计算系统的用于另一核族的示例量子特征映射电路700的框图。在该示例中，量子特征映射电路700应用第一层单量子比特单一旋转门，其后是第一层受控相位门。
量子特征映射电路700还应用第二层单量子比特单一旋转门，其后是第二层受控相位门。量子特征映射电路还应用第三层单量子比特单一旋转门。量子特征映射电路700还将测量层应用于量子比特集。
由此获得了等效电路，以对相位的实际函数值以及每个基本元素的傅立叶变换值这两者进行编码。由量子特征映射电路700实施的量子特征映射起作用，将输入数据线性地分到SVM/QSVM所需的类别，因为它将超平面施加到“提升的”(例如，应用特征映射的)数据上。每一层单量子比特单一旋转门的旋转角度取决于优化的核参数。
量子特征映射电路700包括第一部分702和第二部分704。在实施例中，第一部分702重复d次，其中d是量子特征映射电路700的深度。在实施例中，第二部分704重复d次，其中d是量子特征映射电路700的深度。
参考图8，该图示出了根据说明性实施例的使用混合经典-量子计算系统的用于另一核族的示例量子特征映射电路800的框图。在该示例中，量子特征映射电路800应用第一层Hadamard门，其后是第一对角相位门组件。
量子特征映射电路800计算经典神经网络的系数φS。经典神经网络包括权重集和偏置集。在实施例中，量子特征映射电路800的量子核族包括在量子特征核对齐过程中被优化的核参数集。在实施例中，权重集和偏置集是在量子特征核对齐过程中被优化的核参数集。量子特征映射电路800的对角相位门组件计算
Figure BDA0003289450600000161
量子特征映射电路800还应用第二层Hadamard门，其后是第二对角相位门组件。量子特征映射电路还应用第三对角相位门组件，其后是第三层Hadamard门。量子特征映射电路800还应用第四对角相位门组件，其后是第四层Hadamard门。
量子特征映射电路800还将测量层应用于量子比特集。由此获得了等效电路，以对相位的实际函数值以及每个基本元素的傅立叶变换值这两者进行编码。由量子特征映射电路800实施的量子特征映射起作用，以将使输入数据线性地分到SVM/QSVM所需的类别，因为它将超平面施加到“提升的”
(例如，应用特征映射的)数据上。每一层单量子比特单一旋转门的旋转角度取决于优化的核参数。
参考图9，该图示出了根据说明性实施例的使用混合经典-量子计算系统的用于另一核族的示例量子特征映射电路900的框图。在该示例中，量子特征映射电路900在第一方向上应用第一层单量子比特单一旋转门，其后在第二方向上应用第二层单量子比特单一旋转门。
量子特征映射电路900还应用第一层受控相位门，其后是第二层受控相位门。量子特征映射电路900还在第二方向上应用第三层单量子比特单一旋转门，其后在第一方向上应用第四层单量子比特单一旋转门。量子特征映射电路900还将测量层应用于量子比特集。
量子特征映射电路900包括第一部分902和第二部分904。在实施例中，第一部分902重复d次，其中d是量子特征映射电路900的深度。在实施例中，第二部分904重复d次，其中d是量子特征映射电路900的深度。
由此获得了等效电路，以对相位的实际函数值以及每个基本元素的傅立叶变换值这两者进行编码。由量子特征映射电路900实施的量子特征映射运行，将使输入数据线性地分到SVM/QSVM所需的类别，因为它将超平面施加到“提升的”(例如，应用特征映射的)数据上。每一层单量子比特单一旋转门的旋转角度取决于优化的核参数。
参考图10，该图示出了根据说明性实施例的使用混合经典-量子计算系统的量子特征核对齐的示例配置1000的框图。示例实施例包括经典处理系统104和量子处理系统140。经典处理系统104包括应用1002。在特定实施例中，应用1002是图1的应用105的示例，应用1002被配置为接收数据1004。在一个或多个实施例中，数据1004包括用于训练分类器的一个或多个训练数据和用于使用经训练的分类器进行分类的输入数据。应用1002包括样本选择组件1006、核对齐组件1008和量子参数更新组件1010。量子处理系统140包括量子处理器142、量子映射函数计算组件1012、量子核族的集1014和量子映射核评估组件1016。
在该实施例中，样本选择组件1006被配置成用于从训练数据中选择对象的采样并且将这些采样的对象提供给量子处理系统140的量子处理器142。量子映射函数计算组件1012被配置为将与量子核族1014的集相对应的量子特征映射集应用于被配置为输入向量的采样对象以生成输出向量。量子核评估组件1016被配置为确定与量子核族1014的集相对应的量子特征映射集中的至少一个量子特征映射的质量度量。
核对齐组件1008被配置为使用所确定的质量度量和来自量子特征映射电路的参数来识别与数据1004相对应的最佳质量量子特征映射电路。量子参数更新组件1010被配置为计算用于量子特征映射电路的新参数集并且确定当前函数是否产生具有可接受精度的混合经典和量子分类器。在实施方案中，这些参数是由量子处理器142上的多个可变微波脉冲来管理的。在特定实施例中，通过改变微波脉冲的幅度来参数化微波脉冲。在特定实施例中，通过改变微波脉冲的相位来参数化微波脉冲。
参考图11，该图示出了用于量子特征核对齐的混合量子-经典系统的训练数据的仿真结果。混合量子-经典系统(其训练数据在图11中示出)是基于图6展示的量子特征映射电路400。
在图11中，这些图表示2量子位的量子处理器的计算成本和对齐。对齐图将用于量子特征映射电路的参数化的核与用于生成训练数据的核进行比较。对齐图示出接近100％的参数化的核的对齐。
参考图12，该图示出了根据说明性实施例的使用混合经典-量子计算系统的量子特征核对齐的示例过程1200的流程图。在框1202中，经典处理器122接收包含与一个或多个分类类别相关联的训练对象的训练数据集。在特定实施例中，由一个或多个向量表示训练数据内的对象。在框1204中，经典处理器122从训练数据集中选择对象的采样。在特定实施例中，经典处理器122使用随机采样从训练集中选择对象。在一个或多个特定实施例中，使用经典距离测量来随机选择对象。
在框1206中，经典处理器122参数化量子特征映射电路。在框1208中，量子处理器142将与量子核集对应的量子特征映射集应用于采样对象的输入向量以计算输出向量。在替代实施例中，经典处理系统104使用仿真来将输入向量应用于量子特征映射以生成输出向量。在框1210中，量子处理器142评估该量子核集。
在框1212中，经典处理器122确定用于量子特征映射电路的新的参数集。在框1214中，经典处理器122用新的参数集重新参数化量子特征映射电路。在框1216中，经典处理器122确定新的(更新的)量子特征映射电路是否产生可接受的精度水平，例如，大于预定阈值的精确测量。在实施例中，混合量子/经典优化算法500优化SVM目标函数F的值。在实施例中，经典处理器改变量子核的参数集，以相对于该量子核参数集最小化SVM目标函数F。在实施例中，混合量子/经典优化算法500相对于量子核的对齐来最大化SVM目标函数。
如果新的参数集没有产生具有可接受的精度水平的量子特征映射电路，则过程1200继续进行到框1208。在框1208中，量子处理器142确定应当应用的新的量子核。因此，过程1200的部分被迭代地重复，直到获得可接受的精度水平。如果在框1216中经典处理器122确定通过当前量子特征映射的更新参数获得了可接受水平的精度，则过程1200结束。因此，产生了经训练的混合经典-量子分类器。在接收到期望被分类的输入数据时，该混合经典-量子分类器对接收到的输入数据进行分类以确定输入数据的类别。
因此，在说明性实施例中提供了一种计算机实施的方法、系统或装置以及计算机程序产品，用于针对使用混合经典-量子计算系统和其他相关特征、功能或操作的分类器和其他量子决策系统训练的量子空间距离评估。在就一种类型的设备描述了实施例或实施例的一部分的情况下，计算机实施的方法、系统或装置、计算机程序产品或其一部分被适配为或配置为与该类型的设备的适当且可比较的表现形式一起使用。
在将实施例描述为在应用中实施的情况下，在“软件即服务”(Software as aService，SaaS)模型中交付应用，被认为在说明性实施例的范围内。在SaaS模型中，通过在云基础设施中执行应用，向用户提供应用实施实施例的能力。用户可以使用各种客户端设备通过例如web浏览器(例如，基于web的电子邮件)或其他轻量客户端应用的瘦客户端接口来访问应用。用户不管理或控制底层云基础设施，包括网络、服务器、操作系统或云基础设施的存储。在一些情况下，用户甚至可以不管理或控制SaaS应用的能力。在一些其他情况下，应用的SaaS实现可以允许有限的用户特定应用配置设定的可能例外。
本发明可以是任何可能的技术细节集成水平的系统、方法和/或计算机程序产品。计算机程序产品可以包括其上具有计算机可读程序指令的计算机可读存储介质，用于使处理器执行本发明的各方面。
计算机可读存储介质可以是能够保留和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质可以是但不限于例如电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或上述的任何合适的组合。计算机可读存储介质的更具体示例的非详尽列表包括以下：便携式计算机磁盘、硬盘、随机存取存储器(Random AccessMemory，RAM)、只读存储器(Read-Only Memory，ROM)、可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，EPROM或闪存)、静态随机存取存储器(Static RandomAccess Memory，SRAM)、便携式光盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、数字多功能盘(Digital Versatile Disk，DVD)、记忆棒、软盘、机械编码设备(例如穿孔卡或凹槽中记录有指令的的凸起结构)，以及上述的任何合适的组合。计算机可读存储介质，包括但不限于如本文所使用的计算机可读存储设备，不应被解释为本身是瞬态信号，诸如无线电波或其他自由传播的电磁波、通过波导或其他传输介质(例如，通过光纤电缆的光脉冲)传播的电磁波或通过导线传输的电信号。
本文描述的计算机可读程序指令可以从计算机可读存储介质下载到相应的计算/处理设备，或者经由网络(例如互联网、局域网、广域网和/或无线网络)下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或网络接口从网络接收计算机可读程序指令，并转发计算机可读程序指令以存储在相应计算/处理设备内的计算机可读存储介质中。
用于执行本发明的操作的计算机可读程序指令可以是汇编指令、指令集架构(Instruction-Set-Architecture，ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路的配置数据，或者以一种或多种编程语言(包括面向对象的编程语言，例如Smalltalk、C++等)和过程编程语言(例如“C”编程语言或类似的编程语言)的任意组合编写的源代码或目标代码。计算机可读程序指令可以在用户的计算机上完全执行、部分执行、作为独立的软件包执行、部分在用户的计算机上并且部分在远程计算机上执行，或者完全在远程计算机或服务器上执行。在后一种情况下，远程计算机可以通过任何类型的网络连接到用户的计算机，包括局域网(Local Area Network，LAN)或广域网(Wide AreaNetwork，WAN)，或者可以连接(例如，通过互联网使用互联网服务提供商)到外部计算机。在一些实施例中，为了执行本发明的各方面，电子电路(例如，包括可编程逻辑电路、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或可编程逻辑阵列(ProgrammableLogic Array，PLA))可以通过利用计算机可读程序指令的状态信息来执行计算机可读程序指令，以个性化电子电路。
参考根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图，本文描述了本发明的各方面。应当理解，流程图和/或框图的每个框以及流程图和/或框图中的框的组合，可以由计算机可读程序指令来实施。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器以产生机器，使得经由计算机或其他可编程数据处理装置的处理器执行的指令来创建用于实施流程图和/或框图的一个或多个框中指定的功能/动作的部件。这些计算机可读程序指令还可以存储在计算机可读存储介质中，其可以引导计算机、可编程数据处理装置和/或其他设备以特定方式运行，使得其中存储有指令的计算机可读存储介质包括人工制品，该人工制品包括实施流程图和/或框图的一个或多个框中指定的功能/动作的各方面的指令。
计算机可读程序指令还可以加载到计算机、其他可编程数据处理装置或其他设备上，以使得在计算机、其他可编程装置或其他设备上执行一系列操作步骤来产生计算机实施的过程，使得在计算机、其他可编程装置或其他设备上执行的指令实施流程图和/或框图的一个或多个框中指定的功能/动作。
附图中的流程图和框图示出了根据本发明的各种实施例的系统、方法和计算机程序产品的可能实施方式的架构、功能和操作。在这一点上，流程图或框图中的每个框可以表示模块、段或指令的一部分，其中包括用于实施指定的逻辑功能的一个或多个可执行指令。在一些替代实施方式中，框中标注的功能可以不按图中所标注的顺序发生。例如，连续示出的两个框实际上可以基本同时执行，或者这些框有时可以以相反的顺序执行，这取决于所涉及的功能。还将注意，框图和/或流程图图示的每个框以及框图和/或流程图中的框的组合，可以由执行指定功能或动作或执行专用硬件和计算机指令的组合的专用的基于硬件的系统来实施。

Claims (33)

1.一种用于混合经典-量子决策器训练的方法，所述方法包括：
接收训练数据集；
由第一处理器从所述训练集中选择采样对象，每个对象由至少一个向量表示；
由量子处理器将量子特征映射集应用于所选择的对象，所述量子映射集对应于量子核集；
由量子处理器评估与所述量子特征映射集中的至少一个量子特征映射相对应的量子特征映射电路的参数集；
由所述第一处理器确定用于所述量子特征映射电路的新的参数集；以及
由所述第一处理器使用所述新的参数集来参数化所述量子特征映射电路。
2.根据权利要求1所述的方法，还包括：
改变所述量子处理器的微波脉冲的幅度以参数化所述量子特征映射电路。
3.根据权利要求1所述的方法，还包括：
改变所述量子处理器的微波脉冲的相位以参数化所述量子特征映射电路。
4.根据权利要求1所述的方法，还包括：
确定所述新的参数集产生大于预定阈值的精确测量。
5.根据权利要求1所述的方法，还包括：
将所述参数化的量子特征映射电路应用于所选择的采样对象以计算新的输出向量。
6.根据权利要求1所述的方法，其中，所述量子特征映射电路包括单量子比特旋转门集。
7.根据权利要求6所述的方法，其中，所述单量子比特旋转门集的子集包括旋转角度。
8.根据权利要求7所述的方法，其中，所述旋转角度对应于所述新的参数集。
9.根据权利要求1所述的方法，其中，所述第一处理器是经典处理器。
10.根据权利要求1所述的方法，其中，所述参数集对应于神经网络的权重集和偏置集。
11.根据权利要求1所述的方法，其中，所述量子特征映射电路包括受控相位门集。
12.根据权利要求11所述的方法，其中，所述受控相位门集包括相位门角度。
13.根据权利要求12所述的方法，其中，所述相位门角度对应于所述参数集。
14.一种计算机可用程序产品，包括一个或多个计算机可读存储设备，以及存储在所述一个或多个存储设备中的至少一个上的程序指令，所存储的程序指令包括：
用于接收训练数据集的程序指令；
用于由第一处理器从所述训练集中选择采样对象的程序指令，每个对象由至少一个向量表示；
用于由量子处理器将量子特征映射集应用于所选择的对象的程序指令，所述量子映射集对应于量子核集；
用于由量子处理器评估与该量子特征映射集中的至少一个量子特征映射相对应的量子特征映射电路的参数集的程序指令；
用于由所述第一处理器确定用于所述量子特征映射电路的新的参数集的程序指令；以及
用于由所述第一处理器使用所述新的参数集来参数化所述量子特征映射电路的程序指令。
15.根据权利要求14所述的计算机可用程序产品，还包括：
用于改变所述量子处理器的微波脉冲的幅度以参数化所述量子特征映射电路的程序指令。
16.根据权利要求14所述的计算机可用程序产品，还包括：
用于改变所述量子处理器的微波脉冲的相位以参数化所述量子特征映射电路的程序指令。
17.根据权利要求14所述的计算机可用程序产品，还包括：
用于确定所述新的参数集产生大于预定阈值的精确测量的程序指令。
18.根据权利要求14所述的计算机可用程序产品，其中，所述计算机可用代码存储在数据处理系统中的计算机可读存储设备中，并且其中，所述程序指令通过网络从远程数据处理系统传送。
19.根据权利要求14所述的计算机可用程序产品，其中，所述程序指令存储在服务器数据处理系统中的计算机可读存储设备中，并且其中，所述程序指令通过网络下载到远程数据处理系统中以用于与所述远程数据处理系统相关联的计算机可读存储设备。
20.一种计算机系统，包括一个或多个处理器、一个或多个计算机可读存储器、一个或多个计算机可读存储设备、存储在所述一个或多个存储设备中的至少一个上的用于执行的程序指令，该程序指令由所述一个或多个处理器中的至少一个处理器经由所述一个或多个存储器中的至少一个存储器来执行，所存储的程序指令包括：
用于接收训练数据集的程序指令；
用于由第一处理器从所述训练集中选择采样对象的程序指令，每个对象由至少一个向量表示；
用于由量子处理器将量子特征映射集应用于所选择的对象的程序指令，所述量子映射集对应于量子核集；
用于由量子处理器评估与所述量子特征映射集中的至少一个量子特征映射相对应的量子特征映射电路的参数集的程序指令；
用于由所述第一处理器确定用于所述量子特征映射电路的新的参数集的程序指令；以及
用于由所述第一处理器使用所述新的参数集来参数化所述量子特征映射电路的程序指令。
21.根据权利要求20所述的系统，其中，所存储的程序指令包括：
用于改变所述量子处理器的微波脉冲的幅度以参数化所述量子特征映射电路的程序指令。
22.根据权利要求20所述的系统，其中，所存储的程序指令包括：
用于改变所述量子处理器的微波脉冲的相位以参数化所述量子特征映射电路的程序指令。
23.根据权利要求20所述的系统，其中，所存储的程序指令包括：
用于确定所述新的参数集产生大于预定阈值的精确测量的程序指令。
24.根据权利要求20所述的系统，其中，所存储的程序指令包括：
将所述参数化的量子特征映射电路应用于所选择的采样对象以计算新的输出向量的程序指令。
25.根据权利要求20所述的系统，其中，所述量子特征映射电路包括单量子比特旋转门集。
26.根据权利要求25所述的系统，其中，所述单量子比特旋转门集的子集包括旋转角度。
27.根据权利要求26所述的系统，其中，所述旋转角度对应于所述新的参数集。
28.根据权利要求20所述的系统，其中，所述第一处理器是经典处理器。
29.根据权利要求20所述的系统，其中，所述参数集对应于神经网络的权重集和偏置集。
30.根据权利要求20所述的系统，其中，所述量子特征映射电路包括受控相位门集。
31.根据权利要求30所述的系统，其中，所述受控相位门集包括相位门角度。
32.根据权利要求31所述的方法，其中，所述相位门角度对应于所述参数集。
33.一种计算机程序，包括程序代码部件，当所述程序在计算机上运行时，所述程序代码部件适于执行权利要求1至13中任一项所述方法。
CN202080026788.7A 2019-04-03 2020-03-26 量子特征核对齐 Pending CN113661501A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/374,354 US11748665B2 (en) 2019-04-03 2019-04-03 Quantum feature kernel alignment
US16/374,354 2019-04-03
PCT/EP2020/058528 WO2020201002A1 (en) 2019-04-03 2020-03-26 Quantum feature kernel alignment

Publications (1)

Publication Number Publication Date
CN113661501A true CN113661501A (zh) 2021-11-16

Family

ID=70050117

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080026788.7A Pending CN113661501A (zh) 2019-04-03 2020-03-26 量子特征核对齐

Country Status (12)

Country Link
US (1) US11748665B2 (zh)
EP (1) EP3948689A1 (zh)
JP (1) JP7350867B2 (zh)
KR (1) KR20210132154A (zh)
CN (1) CN113661501A (zh)
AU (1) AU2020250811B2 (zh)
BR (1) BR112021019867A2 (zh)
CA (1) CA3135537A1 (zh)
IL (1) IL286607B2 (zh)
MX (1) MX2021012006A (zh)
SG (1) SG11202109785TA (zh)
WO (1) WO2020201002A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117591947A (zh) * 2024-01-18 2024-02-23 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种基于变分量子核的量子支持向量机的数据分类方法

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11194573B1 (en) 2018-02-09 2021-12-07 Rigetti & Co, Llc Streaming execution for a quantum processing system
CN112651418B (zh) * 2020-05-25 2022-03-08 腾讯科技（深圳）有限公司 数据分类方法、分类器训练方法及系统
CN114529002B (zh) * 2020-11-09 2024-04-12 本源量子计算科技（合肥）股份有限公司 量子连通图谱的聚团划分方法、装置、终端及存储介质
US11983720B2 (en) * 2021-10-21 2024-05-14 International Business Machines Corporation Mixed quantum-classical method for fraud detection with quantum feature selection
EP4242934A1 (en) * 2022-03-07 2023-09-13 Qu&CO R&D B.V. Quantum-kernel-based regression
WO2023180254A1 (en) * 2022-03-19 2023-09-28 Pasqal S.A.S. Quantum circuits for a neutral atom quantum processor

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002071243A1 (en) 2001-03-01 2002-09-12 Biowulf Technologies, Llc Spectral kernels for learning machines
US7406450B2 (en) 2005-09-28 2008-07-29 Nec Laboratories America, Inc. Spread kernel support vector machine
US9020874B2 (en) 2011-10-31 2015-04-28 Siemens Aktiengesellschaft Short-term load forecast using support vector regression and feature learning
WO2017111949A1 (en) 2015-12-22 2017-06-29 Rigetti & Co., Inc. Operating a coupler device to perform quantum logic gates
US9990592B2 (en) 2016-02-10 2018-06-05 Sas Institute Inc. Kernel parameter selection in support vector data description for outlier identification
US10325218B1 (en) * 2016-03-10 2019-06-18 Rigetti & Co, Inc. Constructing quantum process for quantum processors
US10565514B2 (en) 2016-03-31 2020-02-18 Board Of Regents, The University Of Texas System System and method for emulation of a quantum computer
US10275717B2 (en) 2016-06-02 2019-04-30 Google Llc Training quantum evolutions using sublogical controls
US20180011981A1 (en) 2016-07-05 2018-01-11 The Regents Of The University Of Michigan Quantum-based machine learning for oncology treatment
WO2018223037A1 (en) 2017-06-02 2018-12-06 Google Llc Quantum neural network
US11689223B2 (en) * 2017-09-15 2023-06-27 President And Fellows Of Harvard College Device-tailored model-free error correction in quantum processors
US10558847B2 (en) * 2018-02-06 2020-02-11 Shutterfly, Llc High recall additive pattern recognition for image and other applications
US11783217B2 (en) * 2019-02-21 2023-10-10 IonQ, Inc. Quantum circuit optimization

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117591947A (zh) * 2024-01-18 2024-02-23 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种基于变分量子核的量子支持向量机的数据分类方法
CN117591947B (zh) * 2024-01-18 2024-04-09 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种基于变分量子核的量子支持向量机的数据分类方法

Also Published As

Publication number Publication date
AU2020250811A1 (en) 2021-09-30
WO2020201002A1 (en) 2020-10-08
US20200320437A1 (en) 2020-10-08
MX2021012006A (es) 2021-11-04
KR20210132154A (ko) 2021-11-03
US11748665B2 (en) 2023-09-05
IL286607B2 (en) 2024-05-01
BR112021019867A2 (pt) 2021-12-07
IL286607B1 (en) 2024-01-01
AU2020250811B2 (en) 2023-06-22
JP7350867B2 (ja) 2023-09-26
SG11202109785TA (en) 2021-10-28
CA3135537A1 (en) 2020-10-08
JP2022526072A (ja) 2022-05-23
EP3948689A1 (en) 2022-02-09
IL286607A (en) 2021-10-31

Similar Documents

Publication Publication Date Title
JP7350867B2 (ja) 量子特徴カーネル・アライメント
JP7232902B2 (ja) ハイブリッド古典－量子コンピューティング・システムを使用した分子系の励起状態特性の計算
US10902085B2 (en) Solving mixed integer optimization problems on a hybrid classical-quantum computing system
US11222279B2 (en) Modular quantum circuit transformation
US11321625B2 (en) Quantum circuit optimization using machine learning
US11410069B2 (en) Grouping of Pauli observables using Bell measurements
US11640529B2 (en) Training a neural network to create an embedding for an unlabeled vertex in a hypergraph
AU2020271608B2 (en) Adiabatic progression with intermediate re-optimization to solve hard variational quantum problems in quantum computing
US11836470B2 (en) Adaptive quantum circuit construction for multiple-controlled-not gates
CN113614752A (zh) 量子算法的验证和估计运行时间
US20200311525A1 (en) Bias correction in deep learning systems
US11372895B2 (en) Sketching using a hybrid quantum-classical system
US11164099B2 (en) Quantum space distance estimation for classifier training using hybrid classical-quantum computing system
AU2020237590B2 (en) Compilation of quantum algorithms
US20220188691A1 (en) Machine Learning Pipeline Generation
JP7493526B2 (ja) 量子コンピューティングにおける適応エラー修正

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