JP2022509841A - 人工知能駆動型量子計算 - Google Patents

Abstract

【解決手段】
本開示は、古典的コンピュータまたは（量子コンピュータなどの）非古典的コンピュータを使用して実行される計算との相互作用を通じて、ヒューリスティックを実行するために、古典的コンピュータに実装される（１以上の機械学習（ＭＬ）または強化学習（ＲＬ）手順などの）１以上の人工知能（ＡＩ）手順を使用するための、方法およびシステムを提供する。
【選択図】図１

Description

相互参照
本出願は、２０１８年１２月６日に出願された、米国仮出願第６２／７７６，１８３号と、２０１９年７月１０日に出願された、米国仮出願第６２／８７２，６０１号の利益を主張するものであり、その各々は、全ての目的のために参照によってその全体が本明細書に組み込まれる。

多くの挑戦的な問題が、古典的コンピュータを使用して実施されるヒューリスティックによって解決され得る。したがって、非古典的計算（例えば、量子計算）の分野でヒューリスティック戦略を使用して、非古典的デバイス（例えば、量子デバイス）の計算能力を拡張し、かつ、そのようなデバイスの適用性を現実世界の計算課題に拡張することが重要となり得る。非古典的計算（例えば、量子計算）手順は、原則として、（横磁場イジングモデルの量子アニーリングにおける横磁場の強度、量子アニーリングにおけるＸＸ、ＸＹ、および他のカプラーの強度、様々な量子システムの断熱量子計算、量子誤り訂正における回復操作、フォールトトレラント量子計算と量子メモリ（ＱＲＡＭ）、ＶａｎＱｖｅｒのナビゲーターハミルトニアンなどの）調整可能なパラメータを含む一方で、非古典的計算のヒューリスティックスは、課題に直面する場合もある。

古典的計算では、古典的ヒューリスティックの調整可能なパラメータは、（メモリに保存された履歴情報と現在方法、ユーザー定義のスケジュール、および調整可能なパラメータの以前の値などの）手順によってとられる経路に従って開始、計算、そして更新され得る。しかし、そのような原理を非古典的コンピュータ（例えば、量子コンピュータ）に適用しようとすると、非古典的計算手順による操作下の非古典的情報（例えば、量子情報）の計測（読み出し）は、いわゆる波動関数の崩壊をもたすかもしれず、このことは、非古典的情報にとって有害であるかもしれず、そして、非古典的手順が継続または収束できないようするかもしれない。その結果、非古典的計算レジスタの瞬間状態または履歴は、非古典的または量子ヒューリスティックの実施中に利用可能ではないかもしれない。

シミュレーションされたアニーリング、シミュレーションされた量子アニーリング、パラレルテンパリング、等エネルギークラスター移動を伴うパラレルテンパリング、拡散モンテカルロ法、ポピュレーションアニーリング、および量子モンテカルロ法などの手順を含む、古典的物理学に触発された多くの手順は、本明細書に記載される方法およびシステムから利益を得ることもできる。

本明細書では、非古典的計算または量子計算における、ヒューリスティックス（ｈｅｕｒｉｓｔｉｃｓ）および／または他の計算手順の制限を克服するための方法およびシステムの必要性が認識される。例えば、本明細書では、非古典的計算（例えば量子計算）の計算上の効率および／または精度を改善するためのシステムおよび方法が提供される。本明細書で提供されるシステムおよび方法は、非古典的または量子計算を実行するための、（本明細書で「計算サブシステム」と呼ばれる）第１の非古典的または量子サブシステムと、計算サブシステムと量子学的にもつれている、（「本明細書でシンドロームサブシステム」と呼ばれる）第２の非古典的または量子サブシステムとを含む、非古典的コンピュータ（例えば量子コンピュータ）を利用してもよい。非古典的または量子計算中に、シンドロームサブシステムが計測されてもよく、同時に、計算サブシステムが非古典的または量子計算を遂行するように発展することが可能となる。本明細書で提供されるシステムおよび方法は、計算サブシステムについての部分的観察を提供するために、非古典的または量子計算の実施中のシンドロームサブシステムの計測をさらに可能にしてもよい。その後、そのような観察は、計算の間またはその前に訓練され得る、機械学習（ＭＬ）モジュールまたは強化学習（ＲＬ）モジュールなどの人工知能（ＡＩ）モジュールに提供されて、非古典的または量子計算の間またはその前に、調整可能なパラメータに対する次に最良の選択を決定してもよい。調整可能なパラメータの選択は、非古典的または量子計算の初期セグメント、中間セグメント、または最終セグメントに関連していてもよい。

本明細書で提供されるシステムおよび方法は、したがって、ＡＩモジュールが、計算が発生するにつれて、計算の過程を変更することを可能にする。例えば、調整可能なパラメータは、回路モデル量子計算に適用される量子ゲートを表してもよく、そして、非古典的計算の実行時間中のそれらの変更は、ゲートを変更するだろう。別の例では、調整可能なパラメータは、断熱量子計算または量子アニーリング手順の発展経路を表わしてもよい。ＡＩモジュールによる調整可能なパラメータ上の変更は、計算が遂行されるにつれて、非古典的計算の発展経路を変更してもよい。

１つの態様では、人工知能（ＡＩ）を使用して計算を実行するためのシステムは、（ａ）１以上の調整可能なパラメータと１以上の調整不可能なパラメータとを含む計算を実行し、かつ計算を示すレポートを出力するように構成された、少なくとも１つのコンピュータであって、該コンピュータは、（ｉ）１以上のレジスタであって、ここで該１以上のレジスタは、計算を実行するように構成されている、１以上のレジスタと、（ｉｉ）１以上のレジスタの少なくとも１つの状態を計測して、１以上のレジスタの状態の表現を決定するように構成された、計測ユニットであって、これによって、計算の表現を決定する、計測ユニットと、を含む、少なくとも１つのコンピュータと、（ｂ）少なくとも１つのＡＩ制御ユニットであって、該少なくとも１つのＡＩ制御ユニットは、計算を制御し、計算に対応する１以上の調整可能なパラメータを決定するために、少なくとも１つのＡＩ手順を実行し、そして、コンピュータに調整可能なパラメータを指示する、ように構成され、ここで、少なくとも１つの人工知能（ＡＩ）制御ユニットは、１以上のＡＩ制御ユニットパラメータを含む、少なくとも１つのＡＩ制御ユニットと、を含んでもよい。コンピュータはハイブリッド計算システムを含んでもよく、該ハイブリッド計算システムは、（ａ）計算を実行するように構成された少なくとも１つの非古典的コンピュータであって、（ｉ）１以上のレジスタと、（ｉｉ）計測ユニットと、を含む、少なくとも１つの非古典的コンピュータと、（ｂ）ＡＩ制御ユニットと、を含む。少なくとも１つの非古典的コンピュータは、少なくとも１つの量子コンピュータを含んでもよく、ここで、１以上のレジスタは、１以上の量子ビットを含み、該１以上の量子ビットは、計算を実行するように構成されており、ここで、計測ユニットは、１以上の量子ビットの少なくとも１つの状態を計測して、１以上の量子ビットの少なくとも１つの状態の表現を決定するように構成され、これによって、計算の表現を決定し、ここで、計測ユニットは、ＡＩ制御ユニットに計算の表現を提供するようにさらに構成される。計測ユニットは、１以上の量子ビットの少なくとも１つの状態を計測して、計算の現在の状態に関する部分的な情報を表すシンドロームデータを取得して、かつＡＩ制御ユニットにシンドロームデータを提供するように構成されてもよい。１以上のレジスタは、計算レジスタとシンドロームレジスタを含んでもよく、ここで、計算レジスタは、１以上の計算量子ビットを含み、該１以上の計算量子ビットは、計算を実行するように構成され、ここで、シンドロームレジスタは、前記１以上の計算量子ビットとは異なる１以上のシンドローム量子ビットを含み、ここで、１以上のシンドローム量子ビットは、１以上の計算量子ビットと量子学的にもつれており、および、ここで、１以上のシンドローム量子ビットは、計算を実行するためのものではなく、そして、ここで、計測ユニットは、１以上のシンドローム量子ビットの状態を計測して、１以上の計算量子ビットの状態の表現を決定するように構成され、これによって、計算の表現を決定する。計算は、量子計算を含んでもよい。量子計算は、断熱量子計算を含んでもよい。量子計算は、量子近似最適化アルゴリズム（ＱＡＯＡ）を含んでもよい。量子計算は、変分量子アルゴリズムを含んでもよい。量子計算は、量子レジスタ上の誤り訂正を含んでもよい。量子計算は、フォールトトレラント量子計算ガジェットを含んでもよい。計算は、古典的計算を含んでもよい。計算は、シミュレーションされたアニーリング、シミュレーションされた量子アニーリング、パラレルテンパリング、等エネルギークラスター移動を伴うパラレルテンパリング、拡散モンテカルロ法、ポピュレーションアニーリング、および量子モンテカルロ法、からなる群から選択される、少なくとも１つのメンバーを含んでもよい。少なくとも１つの量子コンピュータは、１以上の量子ビットの初期状態の調製と、１以上の量子ビット上の１以上の単一量子ビット量子ゲートの実施と、１以上の量子ビット上の１以上のマルチ量子ビット量子ゲートの実施と、１以上の量子ビットを使用する、初期ハミルトニアンから最終ハミルトニアンまでの断熱的発展と、からなる群から選択される、少なくとも１つのメンバーを含む、１以上の量子操作を実行するように構成されてもよい。１以上の計算量子ビットの状態の表現は、１以上のシンドローム量子ビットの状態と、相関があってもよい。計測ユニットは、計算中の１以上の計算量子ビットの発展中に、１以上のシンドローム量子ビットの状態を計測するように構成されてもよい。少なくとも１つの非古典的コンピュータは、統合型フォトニックコヒーレントイジングマシンコンピュータを含んでもよい。少なくとも１つの非古典的コンピュータは、光学パラメトリックパルスのネットワークを含んでもよい。少なくとも１つのＡＩ手順は、少なくとも１つの機械学習（ＭＬ）手順を含んでもよい。少なくとも１つのＭＬ手順は、少なくとも１つのＭＬ訓練手順を含んでもよい。少なくとも１つのＭＬ手順は、少なくとも１つのＭＬ推論手順を含んでもよい。少なくとも１つのＡＩ手順は、少なくとも１つの強化学習（ＲＬ）手順を含んでもよい。少なくとも１つのＡＩ手順は、計算中に調整可能なパラメータを修正するように構成されてもよく、これによって、１以上の修正された調整可能なパラメータを提供する。１以上の修正された調整可能なパラメータは、計算の過程中に計算を修正するように構成されてもよい。少なくとも１つのＡＩ制御ユニットは、テンソル処理ユニット（ＴＰＵ）、グラフィックス処理ユニット（ＧＰＵ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、および特定用途向け集積回路（ＡＳＩＣ）、からなる群から選択される、１以上のメンバーを含んでもよい。少なくとも１つのコンピュータは、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、および特定用途向け集積回路（ＡＳＩＣ）、からなる群から選択される、１以上のメンバーを含んでもよい。少なくとも１つのＡＩ制御ユニットは、ネットワーク上の少なくとも１つのコンピュータと通信していてもよい。少なくとも１つのＡＩ制御ユニットは、クラウドネットワーク上の少なくとも１つのコンピュータと通信していてもよい。少なくとも１つのＡＩ制御ユニットは、冷凍機システム内の極低温度で作動する古典的処理システムとして統合されてもよい。１以上の調整可能なパラメータと１以上の調整不可能なパラメータとは、計算の現在の表現からの命令セットを含む計算の次のセグメントを定義してもよい。１以上の調整可能なパラメータは、計算の初期温度を含んでもよい。１以上の調整可能なパラメータは、計算の温度スケジュールを含んでもよい。１以上の調整可能なパラメータは、計算の最終温度を含んでもよい。１以上の調整可能なパラメータは、ネットワークのポンピングエネルギーのスケジュールを含んでもよい。１以上の調整可能なパラメータは、量子計算のセグメントのための量子ゲートの指示を含んでもよい。１以上の調整可能なパラメータは、量子計算のセグメントのための、局所操作と古典的通信（ＬＯＣＣ）チャネルの指示を含んでもよい。ＡＩ制御ユニットは、ニューラルネットワークを含んでもよく、ここで、１以上のＡＩ制御ユニットパラメータは、ニューラルネットワークに対応するニューラルネットワークウェイトを含む。

別の態様では、人工知能（ＡＩ）制御ユニットを訓練するための方法であって、該方法は、（ａ）１以上の調整不可能なパラメータの１以上のインスタンスを取得する工程、および、１以上の調整可能なパラメータとＡＩ制御ユニットパラメータを取得する工程と、（ｂ）ＡＩ制御ユニットパラメータを使用して、ＡＩ制御ユニットを構成する工程と、（ｃ）１以上の調整不可能なパラメータの少なくとも１つのインスタンスを選択する工程と、（ｄ）１以上の調整不可能なパラメータの少なくとも１つのインスタンスと、１以上の調整可能なパラメータとを使用して、コンピュータを構成する工程であって、ここで、１以上の調整可能なパラメータの値は、ＡＩ制御ユニットによって指示され、ここで、コンピュータは１以上のレジスタを含む、工程と、（ｅ）コンピュータの１以上のレジスタを使用して、計算のセグメントを実行する工程と、（ｆ）１以上のレジスタの少なくとも１つの１以上の計測を実行する工程であって、それにより、計算のセグメントの表現を取得する、工程と、（ｇ）（ｃ）－（ｆ）を複数回繰り返す工程と、（ｈ）複数回実行された各々の計算を示すレポートを出力する工程と、（ｉ）レポートに基づいて、ＡＩ制御ユニットパラメータを修正することによって、ＡＩ制御ユニットを再構成する工程と、（ｊ）停止基準が充足されるまで（ｃ）－（ｉ）を繰り返す工程と、を含んでもよい。ＡＩ制御ユニットとコンピュータは、計算を実行するためのシステムを含んでもよく、ここで、システムは、任意の態様または実施形態のシステムをさらに含む。１以上のレジスタの前記少なくとも１つの１以上の計測を実行する工程であって、それにより、計算のセグメントの表現を取得する、工程は、（ａ）セグメントが計算のための最後のセグメントでない場合、１以上の計測はシンドロームデータを含み、（ｂ）セグメントが計算のための最後のセグメントである場合、１以上の計測は計算データを含む、ことを含んでもよい。

別の態様では、コンピュータと人工知能（ＡＩ）制御ユニットを含むシステムを使用して計算を実行するための方法であって、該方法は、（ａ）１以上の調整不可能なパラメータを取得する工程と、（ｂ）１以上の調整不可能なパラメータを使用して、コンピュータを構成する工程と、（ｃ）１以上の調整可能なパラメータを使用して、コンピュータを構成する工程であって、ここで、１以上の調整可能なパラメータは、ＡＩ制御ユニットによって指示される、工程と、（ｄ）コンピュータの１以上のレジスタを使用して、計算のセグメントを実行する工程と、（ｅ）１以上のレジスタの少なくとも１つの１以上の計測を実行する工程であって、それにより、計算のセグメントの表現を取得する、工程と、（ｆ）停止基準が充足されるまで、（ｃ）、（ｄ）、および（ｅ）を繰り返す工程と、（ｇ）計算を示すレポートを出力する工程と、を含んでもよい。ＡＩ制御ユニットとコンピュータは、計算を実行するためのシステムを含んでもよく、ここで、システムは、任意の態様または実施形態のシステムをさらに含む。

別の態様では、計算を実行するための方法であって、該方法は、（ａ）ユーザーから１以上の調整不可能なパラメータを取得する工程と、（ｂ）人工知能（ＡＩ）制御ユニットを使用して、コンピュータに１以上の調整可能なパラメータの値を指示する工程であって、ここで、コンピュータは１以上のレジスタを含む、工程と、（ｃ）計算を実行するための１以上のレジスタを使用する工程であって、計算は、１以上の調整不可能なパラメータと１以上の調整可能なパラメータとを使用することを含む、工程と、（ｄ）計算の表現を取得するために、１以上のレジスタの１以上の計測を実行する工程と、（ｅ）計算を示すレポートを出力する工程と、を含んでもよい。ＡＩ制御ユニットとコンピュータは、計算を実行するためのシステムを含んでもよく、ここで、システムは、任意の態様または実施形態のシステムをさらに含む。

別の態様では、計算を実行するために、少なくとも１つの人工知能（ＡＩ）制御ユニットと少なくとも１つの非古典的コンピュータとを含むハイブリッドコンピュータを訓練するための方法であって、該方法は、（ａ）ＡＩ制御ユニットを使用する工程であって、それにより、（ｉ）計算の複数のインスタンスを含む訓練セットを取得し、（ｉｉ）ＡＩ制御ユニットパラメータと１以上の調整可能なパラメータを取得、かつ初期化し、（ｉｉｉ）複数のインスタンスの１つのインスタンスを選択し、（ｉｖ）少なくとも１つの非古典的コンピュータを初期化し、そして、（ｖ）複数の状態行動エポックを含む状態行動エポックスケジュールを取得、かつ初期化する、工程と、（ｂ）少なくとも１つの非古典的コンピュータを使用する工程であって、それにより、（ｉ）複数の状態行動エポックの次の状態行動エポックまでインスタンスを実行し、（ｉｉ）選択されたインスタンスに対応する即時報酬を取得するために、シンドロームレジスタの１以上の計測を実行し、そして、（ｉｉｉ）ＡＩ制御ユニットに即時報酬の指示を提供し、これによって、即時報酬に基づいてＡＩ制御ユニットパラメータを更新する、工程と、（ｃ）１以上の調整可能なパラメータから調整可能なパラメータのセットを提供するために、ＡＩ制御ユニットを使用する工程と、（ｄ）第１の停止基準が充足されるまで、（ｂ）を繰り返す工程と、（ｅ）第２の停止基準が充足されるまで、（ａ）（ｉｉｉ）－（ｄ）を繰り返す工程と、を含んでもよい。

別の態様では、少なくとも１つの人工知能（ＡＩ）制御ユニットと少なくとも１つの非古典的コンピュータとを含むハイブリッドコンピュータを使用して、計算を実行するための方法であって、該方法は、（ａ）ＡＩ制御ユニットを使用する工程であって、それにより、（ｉ）計算を表す命令のセットを取得し、該命令は、複数の調整可能な命令を含む、調整可能な命令セットを含み、（ｉｉ）訓練された方策と、複数の状態行動エポックを含む状態行動エポックスケジュールを取得し、（ｉｉｉ）少なくとも１つの非古典的コンピュータを初期化し、そして、（ｉｖ）複数の状態行動エポックと調整可能な命令セットを初期化する、工程と、（ｂ）少なくとも１つの量子コンピュータを使用する工程であって、それにより、（ｉ）複数の状態行動エポックの次の状態行動エポックまで計算を実行し、（ｉｉ）計算の表現を取得するために、１以上のレジスタの１以上の計測を実行し、そして、（ｉｉｉ）次の複数の調整可能な命令を取得する、工程と、（ｃ）停止基準が充足されるまで（ａ）－（ｂ）を繰り返す工程と、を含んでもよい。

別の態様では、ＡＩ制御ユニットを訓練するための方法であって、該方法は、（ａ）１以上の調整不可能なパラメータ、１以上の調整可能なパラメータ、およびＡＩ制御ユニットパラメータを取得する工程と、（ｂ）ＡＩ制御ユニットパラメータを使用して、ＡＩ制御ユニットを構成する工程と、（ｃ）１以上の調整不可能なパラメータと１以上の調整可能なパラメータとを使用して、コンピュータを構成する工程であって、ここで、１以上の調整可能なパラメータの値は、ＡＩ制御ユニットによって指示される、工程と、（ｄ）コンピュータを使用して、計算を実行する工程と、（ｅ）計算の表現を取得するために、１以上の計測を実行する工程と、（ｆ）計算を示すレポートを出力する工程と、（ｇ）レポートに基づいて、ＡＩ制御ユニットパラメータを修正することによって、ＡＩ制御ユニットを再構成する工程と、を含んでもよい。

別の態様では、人工知能（ＡＩ）を使用して計算を実行するためのシステムは、（ａ）計算を実行し、かつ計算を示すレポートを出力するように構成されたコンピュータであって、該コンピュータは、（ｉ）１以上の計算レジスタであって、ここで、該１以上の計算量子ビットは、計算を実行するように構成される、１以上の計算レジスタと、（ｉｉ）１以上のシンドロームレジスタと、（ｉｉｉ）１以上のシンドロームレジスタの１以上の状態を計測して、１以上の計算レジスタの１以上の状態の表現を決定するように構成された、計測ユニットであって、これによって、計算の表現を決定する、計測ユニットと、を含むコンピュータと、（ｂ）少なくとも１つのＡＩ制御ユニットであって、該少なくとも１つのＡＩ制御ユニットは、計算を制御し、計算に対応する１以上の調整可能なパラメータを決定するために、少なくとも１つのＡＩ手順を実行し、そして、コンピュータに調整可能なパラメータを指示する、ように構成され、ここで、少なくとも１つの人工知能（ＡＩ）制御ユニットは、１以上のＡＩ制御ユニットパラメータを含む、少なくとも１つのＡＩ制御ユニットと、を含んでもよい。コンピュータはハイブリッド計算システムを含んでもよく、該ハイブリッド計算システムは、（ａ）計算を実行するように構成された少なくとも１つの非古典的コンピュータであって、（ｉ）１以上の計算レジスタと、（ｉｉ）１以上のシンドロームレジスタと、（ｉｉｉ）計測ユニットと、を含む、少なくとも１つの非古典的コンピュータと、（ｂ）ＡＩ制御ユニットと、を含む。少なくとも１つの非古典的コンピュータは、少なくとも１つの量子コンピュータを含んでもよく、ここで、計算レジスタは、１以上の計算量子ビットを含み、該１以上の計算量子ビットは、計算を実行するように構成され、ここで、シンドロームレジスタは、１以上の計算量子ビットとは異なる１以上のシンドローム量子ビットを含み、ここで、１以上のシンドローム量子ビットは、１以上の計算量子ビットと量子学的にもつれており、および、ここで、１以上のシンドローム量子ビットは、計算を実行するためのものではなく、そして、ここで、計測ユニットは、１以上のシンドローム量子ビットの１以上の状態を計測して、１以上の計算量子ビットの１以上の状態の表現を決定するように構成され、これによって、計算の表現を決定する。計算は、量子計算を含んでもよい。計算は、量子－古典的計算を含んでもよい。計算は、古典的計算を含んでもよい。少なくとも１つの量子コンピュータは、計算量子ビットまたはシンドローム量子ビット上で１以上の量子操作を実行するように構成された制御ユニットをさらに含んでもよい。１以上の量子操作は、１以上の計算量子ビットまたは１以上のシンドローム量子ビットの初期状態の調製と、１以上の計算量子ビットまたは１以上のシンドローム量子ビット上の１以上の単一量子ビット量子ゲートの実施と、１以上の計算量子ビットまたは１以上のシンドローム量子ビット上の１以上のマルチ量子ビット量子ゲートの実施と、１以上の計算量子ビットまたは１以上のシンドローム量子ビット上の断熱的発展と、からなる群から選択される、少なくとも１つのメンバーを含んでもよい。制御ユニットは、１以上の調整可能なパラメータに基づいて、１以上の量子操作を実行するように構成されてもよい。少なくとも１つの量子コンピュータは、シンドローム量子ビットより多い数の計算量子ビットを含んでもよい。少なくとも１つの量子コンピュータは、シンドローム量子ビットより少ない数の計算量子ビットを含んでもよい。少なくとも１つの量子コンピュータは、等しい数の計算量子ビットとシンドローム量子ビットとを含んでもよい。１以上の計算量子ビットの１以上の状態の表現は、１以上のシンドローム量子ビットの１以上の状態と、相関があってもよい。計測ユニットは、計算中の１以上の計算量子ビットの発展中に、１以上のシンドローム量子ビットの１以上の状態を計測するように構成されてもよい。計測ユニットは、１以上の計算量子ビットの発展後に、１以上の計算量子ビットの１以上の状態を計測するようにさらに構成されてもよい。少なくとも１つの非古典的コンピュータは、統合型フォトニックコヒーレントイジングマシンコンピュータを含んでもよい。１以上のシンドロームレジスタは、計算を実行するようにさらに構成されてもよい。少なくとも１つのＡＩ手順は、少なくとも１つの機械学習（ＭＬ）手順を含んでもよい。少なくとも１つのＭＬ手順は、少なくとも１つのＭＬ訓練手順を含んでもよい。少なくとも１つのＭＬ手順は、少なくとも１つのＭＬ推論手順を含んでもよい。少なくとも１つのＡＩ手順は、少なくとも１つの強化学習（ＲＬ）手順を含んでもよい。少なくとも１つのＡＩ手順は、計算中に調整可能なパラメータを修正するように構成されてもよく、これによって、１以上の修正された調整可能なパラメータを取得する。１以上の修正された調整可能なパラメータは、計算の過程中に計算を修正するように構成されてもよい。少なくとも１つのＡＩ制御ユニットは、テンソル処理ユニット（ＴＰＵ）、グラフィックス処理ユニット（ＧＰＵ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、および特定用途向け集積回路（ＡＳＩＣ）、からなる群から選択される、少なくとも１つのメンバーを含んでもよい。少なくとも１つのコンピュータは、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、および特定用途向け集積回路（ＡＳＩＣ）、からなる群から選択される、少なくとも１つのメンバーを含んでもよい。計算は、シミュレーションされたアニーリング、シミュレーションされた量子アニーリング、パラレルテンパリング、および量子モンテカルロ法、からなる群から選択される、少なくとも１つのメンバーを含んでもよい。少なくとも１つのＡＩ制御ユニットは、ネットワーク上の少なくとも１つのコンピュータと通信していてもよい。少なくとも１つのＡＩ制御ユニットは、クラウドネットワーク上の少なくとも１つのコンピュータと通信していてもよい。少なくとも１つのＡＩ制御ユニットは、コンピュータから最大で約１センチメートル（ｃｍ）の距離内に位置していてもよい。１以上の調整可能なパラメータは、計算の初期温度を含んでもよい。１以上の調整可能なパラメータは、計算の温度スケジュールを含んでもよい。１以上の調整可能なパラメータは、計算の最終温度を含んでもよい。ＡＩ制御ユニットは、ニューラルネットワークを含んでもよく、そして、１以上のＡＩ制御ユニットパラメータは、ニューラルネットワークに対応するニューラルネットワークウェイトを含んでもよい。表現に基づいてＡＩ制御ユニットを再構成する工程は、調整可能なパラメータを修正することを含んでもよい。

別の態様では、ＡＩ制御ユニットを訓練するための方法であって、該方法は、（ａ）調整可能なパラメータとＡＩ制御ユニットパラメータとを取得する工程と、（ｂ）ＡＩ制御ユニットパラメータを使用して、ＡＩ制御ユニットを構成する工程と、（ｃ）コンピュータを使用して、計算を実行する工程であって、ここで、調整可能なパラメータは、ＡＩ制御ユニットによってコンピュータに指示される、工程と、（ｄ）計算の表現を取得するために、シンドロームレジスタの１以上の計測を実行する工程と、（ｅ）（ｃ）－（ｄ）を複数回繰り返す工程と、（ｆ）表現を示すレポートを出力する工程と、（ｇ）表現に基づいて、ＡＩ制御ユニットパラメータを修正することによって、ＡＩ制御ユニットを再構成する工程と、（ｈ）停止基準が充足されるまで（ｃ）－（ｇ）を繰り返す工程と、を含んでもよい。

別の態様では、システムを使用して計算を実行するための方法は、（ａ）ユーザーから調整不可能なパラメータを取得する工程と、（ｂ）コンピュータに調整可能なパラメータを指示する工程と、（ｃ）調整不可能なパラメータと調整可能なパラメータとを使用するコンピュータを使用して、計算を実行する工程と、（ｄ）計算を取得するために、計算レジスタの１以上の計測を実行する工程と、（ｅ）計算を示すレポートを出力する工程と、を含んでもよい。

別の態様では、計算を実行するために、少なくとも１つの人工知能（ＡＩ）制御ユニットと少なくとも１つの量子コンピュータとを含むハイブリッドコンピュータを訓練するための方法は、（ａ）ＡＩ制御ユニットを使用する工程であって、それにより、（ｉ）計算の複数のインスタンスを含む訓練セットを取得し、（ｉｉ）ＡＩ制御ユニットパラメータと調整可能なパラメータとを取得、かつ初期化し、（ｉｉｉ）複数のインスタンスの１つのインスタンスを選択し、（ｉｖ）少なくとも１つの量子コンピュータを初期化し、そして、（ｖ）少なくとも１つの量子コンピュータを初期化する、工程と、（ｂ）少なくとも１つの量子コンピュータを使用する工程であって、それにより、（ｉ）複数の状態行動エポックの次の状態行動エポックまでインスタンスを実行し、（ｉｉ）選択されたインスタンスに対応する即時報酬を取得するために、シンドロームレジスタの１以上の計測を実行し、そして、（ｉｉｉ）人工ＡＩ制御ユニットに即時報酬の指示を提供し、これによって、即時報酬に基づいてＡＩ制御ユニットパラメータを更新する、工程と、（ｃ）複数の調整可能なパラメータから調整可能なパラメータのセットを提供するために、ＡＩ制御ユニットを使用する工程と、（ｄ）第１の停止基準が充足されるまで、（ｂ）を繰り返す工程と、（ｅ）第２の停止基準が充足されるまで、（ａ）（ｉｉｉ）－（ｄ）を繰り返す工程と、を含んでもよい。

別の態様では、少なくとも１つの人工知能（ＡＩ）制御ユニットと少なくとも１つの量子コンピュータとを含むハイブリッドコンピュータを使用して、計算を実行するための方法であって、該方法は、（ａ）ＡＩ制御ユニットを使用する工程であって、それにより、（ｉ）計算を表す命令のセットを取得し、該命令は、複数の調整可能な命令を含む、調整可能な命令セットを含み、（ｉｉ）訓練された方策と、複数の状態行動エポックを含む状態行動エポックスケジュールを取得し、（ｉｉｉ）少なくとも１つの量子コンピュータを初期化し、そして、（ｉｖ）複数の状態行動エポックと調整可能な命令セットを初期化する、工程と、（ｂ）少なくとも１つの量子コンピュータを使用する工程であって、それにより、（ｉ）複数の状態行動エポックの次の状態行動エポックまで計算を実行し、（ｉｉ）計算の表現を取得するために、シンドロームレジスタの１以上の計測を実行し、そして、（ｉｉｉ）調整可能な命令の新しいシーケンスを取得する、工程と、（ｃ）停止基準が充足されるまで（ａ）－（ｂ）を繰り返す工程と、を含んでもよい。

本開示の追加的な態様および利益は、以下の詳細な説明から、当業者に容易に明らかとなり、ここでは、本開示の例示的な実施形態のみが示され、記載される。以下の記載から分かるように、本開示は他のおよび異なる実施形態であってもよく、そのいくつかの詳細は、すべてが本開示から逸脱することなく、様々な点において修正が可能である。従って、図面と記載は本来、例示的なものとしてみなされ、限定的なものであるとはみなされない。

引用による組み込み
本明細書で言及される全ての公開、特許、及び特許出願は、あたかも個々の公開、特許、又は特許出願が引用によって組み込まれるよう具体的且つ個別に示されるかのように、同じ程度まで引用によって本明細書に組み込まれる。参照によって組み込まれる公開、特許、または特許出願が本明細書に含まれる開示に矛盾するという程度まで、本明細書は、任意のそのような矛盾のある題材に取って代わるおよび／またはそれに優先することを意図している。

本発明の新規な特徴は、とりわけ添付の特許請求の範囲で説明される。本発明の特徴および利点のより良い理解は、本発明の原理が利用される例示的な実施形態を説明する、以下の詳細な説明と、添付図面（または本明細書における「図（Ｆｉｇｕｒｅ）および図（ＦＩＧ．）」）とを参照することによって得られるだろう。
本明細書に開示されるいくつかの実施形態に係る計算を実行するためのシステムの例についての概略図を示す。 本明細書に開示されるいくつかの実施形態に係る計算を実行するための方法の例についてのフローチャートを示す。 本明細書に開示されるいくつかの実施形態に係る計算を実行するために、少なくとも１つの非古典的コンピュータと少なくとも１つの古典的コンピュータとを含む、ハイブリッド計算システムを使用するための方法の例についてのフローチャートを示す。 本明細書に開示されるいくつかの実施形態に係る計算を実施するために、ＡＩモジュールを訓練するための方法の例についてのフローチャートを示す。 本明細書に開示されるいくつかの実施形態に係る計算を実施するために、ＡＩモジュールからの推論を提供するための方法の例についてのフローチャートを示す。 本明細書に開示されるいくつかの実施形態に係る、本明細書で提供される方法を実施するようにプログラムまたは構成されるコンピュータ制御システムを示す。 弱強クラスターモデル（ｗｅａｋ ｓｔｒｏｎｇ ｃｌｕｓｔｅｒｓ ｍｏｄｅｌ）の例を示す。 エネルギーの１６－スピン分布の例を示す。 弱強クラスターモデルに関連するエネルギーランドスケープの例を示す。 弱強クラスターモデルの発展中の観察の例を示す。 様々な初期温度と最終温度を仮定して、シミュレーションされたアニーリングの成功的収束の可能性の例を示す。 無作為の初期温度と最終温度とを仮定して、シミュレーションされたアニーリングの成功的収束の可能性の例を示す。 本明細書に開示されるいくつかの実施形態に係る、計算を実行するための方法の別の例についてのフローチャートを示す。 本明細書に開示されるいくつかの実施形態に係る、ＡＩ制御ユニットを訓練するための方法の例についてのフローチャートを示す。

本発明の様々な実施形態が本明細書に示され記載される一方、そのような実施形態が一例として提供されているにすぎないことは当業者に明らかになるであろう。多くの変更、変化、および置換が、本発明から逸脱することなく当業者に想到され得る。本明細書に記載される本発明の実施形態の様々な代替物が利用され得ることを理解されたい。

特に定義されていない限り、本明細書で使用されるすべての専門用語は、本発明に属する通常の当業者によって一般に理解されるものと同じ意味を有する。明細書および添付の請求項内で使用される時、単数形「１つの（ａ）」、「１つの（ａｎ）」および「その（ｔｈｅ）」は、文脈が他に明確に指示していない限り、複数の引用文を含む。「または（ｏｒ）」への任意の言及は、別段の定めがない限り、「および／または（ａｎｄ／ｏｒ）」を包含することを意図している。

「ａｔ ｌｅａｓｔ（少なくとも）」、「ｇｒｅａｔｅｒ ｔｈａｎ（～を上回る）」「ｇｒｅａｔｅｒ ｔｈａｎ ｏｒ ｅｑｕａｌ ｔｏ（～以上）」の用語が、一連の２以上の数値の最初の数値に先行する場合は常に、「少なくとも」、「～を上回る」、または「～以上」という用語は、その一連の数値内の数値の各々に適用される。例えば、１、２、または３以上は、１を上回るかまたは１と等しい、２を上回るかまたは２と等しい、３を上回るかまたは３と等しい。

用語「ｎｏ ｍｏｒｅ ｔｈａｎ（最大で）」、「ｌｅｓｓ ｔｈａｎ（～未満）」、「ｌｅｓｓ ｔｈａｎ ｏｒ ｅｑｕａｌ ｔｏ（～以下）」、または「ａｔ ｍｏｓｔ（最大で）」の用語が、一連の２以上の数値の最初の数値に先行する場合は常に、「最大で」、「～未満」、「～以下」「最大で」という用語は、その一連の数値内の数値の各々に適用される。例えば、３、２、または１以下は、３未満か３と等しい、２未満か２と等しい、１未満か１と等しい。

以下の詳細な説明において、一部を形成する添付図面に対する言及が行われる。この図において、内容が他に指示していない限り、同様の記号は一般に同様の構成要素を識別する。詳細な説明に記載される例示的実施形態、図面、及び請求項は、制限を目的とするものではない。本明細書に提示される主題の範囲から逸脱することなく、他の実施形態が利用され、他の変更が行われ得る。本明細書に通常記載され、そして図面において示されるように、本開示の態様は、種々様々な異なる構成で配置され、置き換えられ、組み合わせられ、分離され、そして設計され、その全ては本明細書で明確に考慮されることが、容易に理解されることになる。

本明細書で使用される場合、「ヒューリスティック」という用語は、通常、既知の最良の値を有していない可能性があり、効率的に計算されない可能性のある最良の値を持っている可能性があり、または本質的に確率的であるため、異なる初期値でヒューリスティックを実施して異なる結果が生み出す可能性がある、（ニューラルネットワークにおけるウェイトなどの）「調整可能なパラメータ」の選択に依存し得る、（非古典的（例えば、量子力学的）計算などの）任意の計算手順を指す。ヒューリスティックの例としては、最適化における局所ヒューリスティック探索法、シミュレーションされたアニーリング、遺伝的アルゴリズム、粒子群最適化、勾配ベースの方法、勾配によらない方法、人工知能（ＡＩ ）、機械学習（ＭＬ）、強化学習（ＲＬ）、神経情報処理、統計学習、表現学習などが挙げられるが、これらに限定されない。

本明細書で使用される場合、「人工知能」、「人工知能手順」、および「人工知能操作」という用語は、通常、ゴールを成功裡に達成する機会を増強するかまたは最大化させ得る１以上の行動をとる、任意のシステム、または計算手順を指す。「人工知能」という用語は、「機械学習」（ｍＬ）および／または「強化学習」（ＲＬ）を含んでもよい。

本明細書で使用される場合、「機械学習」、「機械学習手順」、および「機械学習操作」の用語は、通常、タスクに関するコンピュータの性能を漸次的に改善する、任意のシステム、または分析的および／または統計的手順を指す。機械学習は、機械学習アルゴリズムを含んでもよい。機械学習アルゴリズムは、訓練されたアルゴリズム（ｔｒａｉｎｅｄ ａｌｇｏｒｉｔｈｍ）であるかもしれない。機械学習（ＭＬ）は、１以上の教師あり（ｓｕｐｅｒｖｉｓｅｄ）、半教師あり（ｓｅｍｉ－ｓｕｐｅｒｖｉｓｅｄ）、または教師なし（ｕｎｓｕｐｅｒｖｉｓｅｄ）の機械学習技法を含んでもよい。例えば、ＭＬアルゴリズムは、教師あり学習を通じて訓練される、訓練されたアルゴリズムであってもよい（例えば、そして、様々なパラメータが重み付け係数またはスケーリング係数として決定される）。ＭＬは、回帰分析、正規化、分類、次元縮小、アンサンブル学習、メタ学習、結合規則学習、クラスター分析、異常検出、深層学習、または超深層学習の１以上を含んでもよい。ＭＬは、ｋ平均法（ｋ－ｍｅａｎｓ）、ｋ平均法クラスターリング（ｋ－ｍｅａｎｓ ｃｌｕｓｔｅｒｉｎｇ）、ｋ近傍法（ｋ－ｎｅａｒｅｓｔ ｎｅｉｇｈｂｏｒ）、学習ベクトル量子化、線形回帰、非線形回帰、最小二乗回帰、部分最小二乗回帰、ロジスティク回帰、ステップワイズ回帰、多変量適応的回帰スプライン（ｍｕｌｔｉｖａｒｉａｔｅ ａｄａｐｔｉｖｅ ｒｅｇｒｅｓｓｉｏｎ ｓｐｌｉｎｅ）、リッジ回帰、主成分回帰、最小絶対収縮と選択演算、最小角度回帰、正準相関分析、要因分析、独立成分分析、線形判別分析、多次元尺度構成法、非負値行列因子分解、主成分分析、主座標分析、射影追跡、サモンマッピング （Ｓａｍｍｏｎ ｍａｐｐｉｎｇ）、ｔ分布型確率的近傍埋め込み法（ｔ－ｄｉｓｔｒｉｂｕｔｅｄ ｓｔｏｃｈａｓｔｉｃ ｎｅｉｇｈｂｏｒ ｅｍｂｅｄｄｉｎｇ）、アダブースト（ＡｄａＢｏｏｓｔｉｎｇ）、ブースト、勾配ブースト（ｇｒａｄｉｅｎｔ ｂｏｏｓｔｉｎｇ）、ブートストラップ回帰（ｂｏｏｔｓｔｒａｐ ａｇｇｒｅｇａｔｉｏｎ）、調和平均算出（ｅｎｓｅｍｂｌｅ ａｖｅｒａｇｉｎｇ）、決定木、条件付き決定木（ｃｏｎｄｉｔｉｏｎａｌ ｄｅｃｉｓｉｏｎ ｔｒｅｅ）、ブースティング決定木（ｂｏｏｓｔｅｄ ｄｅｃｉｓｉｏｎ ｔｒｅｅ）、勾配ブースティング決定木（ｇｒａｄｉｅｎｔ ｂｏｏｓｔｅｄ ｄｅｃｉｓｉｏｎ ｔｒｅｅ）、ランダムフォレスト（ｒａｎｄｏｍ ｆｏｒｅｓｔ）、スタッキング一般化（ｓｔａｃｋｅｄ ｇｅｎｅｒａｌｉｚａｔｉｏｎ）、ベイジアンネットワーク（Ｂａｙｅｓｉａｎ ｎｅｔｗｏｒｋ）、ベイジアン信念ネットワーク、ナイーブベイズ（ｎａｉｖｅ Ｂａｙｅｓ）、ガウシアンナイーブベイズ（Ｇａｕｓｓｉａｎ ｎａｉｖｅ Ｂａｙｅｓ）、多項ナイーブベイズ（ｍｕｌｔｉｎｏｍｉａｌ ｎａｉｖｅ Ｂａｙｅｓ）、隠れマルコフモデル（ｈｉｄｄｅｎ Ｍａｒｋｏｖ ｍｏｄｅｌ）、階層的隠れマルコフモデル（ｈｉｅｒａｒｃｈｉｃａｌ ｈｉｄｄｅｎ Ｍａｒｋｏｖ ｍｏｄｅｌ）、サポートベクターマシン（ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ）、エンコーダ、デコーダ、オートエンコーダ、スタッキングオートエンコーダ、パーセプトロン、多層パーセプトロン（ｍｕｌｔｉ－ｌａｙｅｒ ｐｅｒｃｅｐｔｒｏｎ）、人工ニューラルネットワーク、フィードフォワード・ニューラルネットワーク、畳み込みニューラルネットワーク、リカレントニューラルネットワーク、長・短期記憶（ｌｏｎｇ ｓｈｏｒｔ－ｔｅｒｍ ｍｅｍｏｒｙ）、深層信念ネットワーク（ｄｅｅｐ ｂｅｌｉｅｆ ｎｅｔｗｏｒｋ）、深層ボルツマンマシン（ｄｅｅｐ Ｂｏｌｔｚｍａｎｎ ｍａｃｈｉｎｅ）、深層畳み込みニューラルネットワーク（ｄｅｅｐ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）、深層リカレントニューラルネットワーク（ｄｅｅｐ ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）、または敵対的生成ネットワーク、を含むがこれらに限定されない。

本明細書で使用される場合、「強化学習」、「強化学習手順」、および「強化学習操作」は、通常、環境との相互作用に対する累積報酬のいくらかの概念を強化または最大化するために、１以上の行動をとる任意のシステム、または計算手順を指す。（古典的、非古典的、または量子コンピュータなどの）強化学習（ＲＬ）手順を実行するエージェントは、環境内で１以上の行動をとり、それによってそれ自身と環境を様々な新しい状態に置くことから、「即時報酬」と呼ばれる正または負の強化を受け取ることができる。

エージェントのゴールは、累積報酬のいくらかの概念を増強または最大化することであってもよい。例えば、エージェントのゴールは、「割引報酬関数（ｄｉｓｃｏｕｎｔｅｄ ｒｅｗａｒｄ ｆｕｎｃｔｉｏｎ）」または「平均報酬関数（ａｖｅｒａｇｅ ｒｅｗａｒｄ ｆｕｎｃｔｉｏｎ）」を増強または最大化することであってもよい。「Ｑ関数（Ｑ－ｆｕｎｃｔｉｏｎ）」は、ある状態から取得可能な最大累積報酬、およびその状態で講じられる行動を表してもよい。「価値関数」と「一般化報酬エスティメイタ（ｇｅｎｅｒａｌｉｚｅｄ ａｄｖａｎｔａｇｅ ｅｓｔｉｍａｔｏｒ）」は、最適または最良な行動の選択が与えられた状態から取得可能な最大累積報酬を表してもよい。ＲＬは、累積報酬についてのそのような概念の任意の１以上を利用してもよい。本明細書で使用される場合、任意のそのような関数は、「累積報酬関数」と呼ばれてもよい。したがって、最良または最適な累積報酬関数を計算することは、エージェントにとって最良または最適な方策を見つけることと等価であってもよい。計算のゴールは、非古典的コンピュータ上で実施されるハミルトニアンの１以上の固有値の値を低下させることであってもよい。計算のゴールは、非古典的コンピュータ上で実施されるハミルトニアンの１以上の固有値の値の大域的最小値を見つけることであってもよい。エージェントのゴールは、計算のための最適方策を見つけることであってもよい。最適方策は、計算の工程のために選択する調整可能なパラメータの値を見つけることを含んでもよい。

エージェント、およびその環境との相互作用は、１以上のマルコフ決定過程（Ｍａｒｋｏｖ Ｄｅｃｉｓｉｏｎ Ｐｒｏｃｅｓｓｅｓ）（ＭＤＰ）として定式化されていてもよい。ＲＬ手順は、ＭＤＰの正確な数学モデルについての知識を前提としなくてもよい。ＭＤＰは、エージェントにとって完全に未知、部分的に既知、または完全に既知であり得る。ＲＬ手順は、ＭＤＰの事前知識に関して「モデルベース」または「モデルフリー」の、２つの範囲の間のスペクトルに存在してもよい。そのため、ＲＬ手順は、大規模なＭＤＰを対象としてもよく、その場合、ＭＤＰの未知または確率的性質のために、正確な方法が実行不可能であったり、利用不可能であったりする場合がある。

学習手順は、本明細書に記載される任意の古典的コンピュータなどの、デジタル処理ユニットを使用して実施されてもよい。学習手順は、ＲＬ手順を含んでもよい。ＲＬ手順は、本明細書に記載される任意の古典的コンピュータなどの、デジタル処理ユニットを使用して実施されてもよい。デジタル処理ユニットは、「方策」を訓練、保存、そして後に展開するエージェントを利用して、累積報酬を増強または最大化してもよい。方策は、できるだけ長い期間、または望ましい期間にわたって、求められ（例えば検索され）てもよい。そのような最適化問題は、最適な方策の近似を保存するか、累積報酬関数の近似を保存するか、またはその両方によって解決されてもよい。場合によっては、ＲＬ手順は、そのような関数のための近似値の、１以上の表を保存していてもよい。他の場合には、ＲＬ手順は、１以上の「関数アプロキシメータ（ｆｕｎｃｔｉｏｎ ａｐｐｒｏｘｉｍａｔｏｒ）」を利用してもよい。

関数アプロキシメータの例は、ニューラルネットワーク（深層ニューラルネットワークなど）や確率的グラフィカルモデル（例えば、ボルツマンマシン（Ｂｏｌｔｚｍａｎｎ ｍａｃｈｉｎｅ）、ヘルムホルツマシン（Ｈｅｌｍｈｏｌｔｚ ｍａｃｈｉｎｅ）、およびホップフィールドネットワーク（Ｈｏｐｆｉｅｌｄ ｎｅｔｗｏｒｋ））を含んでもよい。関数アプロキシメータは、累積報酬関数の近似のパラメータ化を作り出してもよい。パラメータ化に関する関数プロキシメータの最適化は、累積報酬を増強または最大化する方向にパラメータを動かし、それゆえに、（方策勾配方法によってなどで）方策を増強または最適化するか、または関数アプロキシメータを動かして（時間差法によってなどで）ベルマンの最適性基準（Ｂｅｌｌｍａｎ’ｓ ｏｐｔｉｍａｌｉｔｙ ｃｒｉｔｅｒｉａ）を満たすように構成されてもよい。

訓練中、エージェントは、環境内で行動をとり、環境に関する、かつ生存またはより良い有用性のための方策の適切な、または最良の選択に関する、さらなる情報を取得してもよい。エージェントの行動は、（例えば、特に訓練の初期段階で）ランダムに生成されてもよく、あるいは、（教師あり学習、模倣学習、または本明細書に記載される他の機械学習手順などの）別の機械学習パラダイムによって規定されてもよい。エージェントの行動は、増強された方策または最適な方策が何であるかについて、エージェントの認識に近い行動を選択することによって、より良いものになるかもしれない。さまざまな訓練戦略は、吟味と活用との間の選択に関して、方策オフ型（ｏｆｆ－ｐｏｌｉｃｙ）方法と方策オン型（ｏｎ－ｐｏｌｉｃｙ）方法の２つの範囲の間のスペクトルに存在してもよい。

場合によっては、方策は、非古典的計算の最適化スペースに、１以上の調整可能なパラメータの経路を含んでもよい。単純な例では、方策は、計算の温度スケジュールを含んでもよい。方策は、光学的パラメータパルスのネットワークのポンピングエネルギーのスケジュールを含んでもよい。方策は、量子計算のセグメントのための量子ゲートの指示のスケジュールを含んでもよい。例えば、方策は、ゲートの順序を含んでもよい。例えば、方策は、１以上の回転ゲートの回転の速度を含んでもよい。方策は、１以上のゲートの位相の発展を含んでもよい。方策は、量子コンピュータのための制御問題を解決してもよい。方策は、量子計算のセグメントのためのローカル操作と古典的通信（ｌｏｃａｌ ｏｐｅｒａｔｉｏｎｓ ａｎｄ ｃｌａｓｓｉｃａｌ ｃｏｍｍｕｎｉｃａｔｉｏｎ）（ＬＯＣＣ）チャネルの指示のスケジュールを含んでもよい。

ＲＬ手順は、各々が参照によってその全体が本明細書に組み込まれる、［Ｍｎｉｈ ｅｔ ａｌ．， Ｐｌａｙｉｎｇ Ａｔａｒｉ ｗｉｔｈ Ｄｅｅｐ Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ， ａｒＸｉｖ： １３１２．５６０２ （２０１３）］、［Ｓｃｈｕｌｍａｎ ｅｔ ａｌ．， Ｐｒｏｘｉｍａｌ Ｐｏｌｉｃｙ Ｏｐｔｉｍｉｚａｔｉｏｎ Ａｌｇｏｒｉｔｈｍｓ， ａｒＸｉｖ：１７０７．０６３４７ （２０１７）］、［Ｋｏｎｄａ ｅｔ ａｌ．， Ａｃｔｏｒ－Ｃｒｉｔｉｃ Ａｌｇｏｒｉｔｈｍｓ， ｉｎ Ａｄｖａｎｃｅｓ ｉｎ Ｎｅｕｒａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍｓ， ｐｐ． １００８－１０１４ （２０００）］、および［Ｍｉｈｎ ｅｔ ａｌ．， Ａｓｙｎｃｈｒｏｎｏｕｓ Ｍｅｔｈｏｄｓ ｆｏｒ Ｄｅｅｐ Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ， ｉｎ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ， ｐｐ． １９２８－１９３７ （２０１６）］、に開示されるものなどの、深層強化学習（ＤＲＬ）を含んでもよい。

ＲＬ手順はまた、「近似のダイナミックプログラミング（ａｐｐｒｏｘｉｍａｔｅ ｄｙｎａｍｉｃ ｐｒｏｇｒａｍｍｉｎｇ）」または「ニューロダイナミックプログラミング（ｎｅｕｒｏ－ｄｙｎａｍｉｃ ｐｒｏｇｒａｍｍｉｎｇ）」と呼ばれてもよい。

本開示は、非古典的計算または量子計算における、ヒューリスティックス（ｈｅｕｒｉｓｔｉｃｓ）および／または他の計算手順の制限を克服するための方法およびシステムを提供する。例えば、本明細書では、非古典または量子計算の計算上の効率および／または精度を改善するためのシステムおよび方法が提供される。本明細書で提供されるシステムおよび方法は、非古典的または量子計算を実行するための、（本明細書で「計算サブシステム」と呼ばれる）第１の非古典的または量子サブシステムと、計算サブシステムと量子学的にもつれている、（「本明細書でシンドロームサブシステム」と呼ばれる）第２の非古典的または量子サブシステムとを含む、非古典的または量子コンピュータを利用してもよい。非古典的または量子計算中に、シンドロームサブシステムが計測されてもよく、同時に、計算サブシステムが非古典的または量子計算を遂行するように発展することが可能となる。本明細書で提供されるシステムおよび方法は、計算サブシステムについての部分的観察を提供するために、非古典的または量子計算の実施中のシンドロームサブシステムの計測をさらに可能にしてもよい。その後、そのような観察は、計算の間またはその前に訓練され得る、機械学習（ＭＬ）モジュールまたは強化学習（ＲＬ）モジュールなどの人工知能（ＡＩ）制御ユニットに提供されて、非古典的または量子計算の間またはその前に、調整可能なパラメータに対する次に最良の選択を決定してもよい。調整可能なパラメータの選択は、非古典的または量子計算の初期セグメント、中間セグメント、または最終セグメントに関連していてもよい。

ＡＩ対応量子計算
（量子計算などの）非古典的計算に適用される場合、環境は、量子コンピュータのあらゆる可能性のある瞬間状態を含む合計ヒルベルト空間であってもよい。古典的ＡＩ制御ユニットは、問題のいくつかのインスタンスについての、量子計算のセグメントのいくつかの実行によって訓練されてもよい。ヒルベルト空間のサブシステムにおける計測は、ＡＩ制御ユニットのための部分的に観察可能な環境を説明するものであってもよい。深層学習の言語では、各計測は、量子システムの状態からの特徴抽出として観察されてもよい。いくつかの例では、各シンドローム計測が、量子サブシステムの状態からの特徴抽出として観察されてもよいが、他の例では、いずれの計測が使用されてもよい。

ハイブリッド計算
いくつかの実施形態では、古典的コンピュータは、１以上の古典的アルゴリズムを実行するように構成されてもよい。古典的アルゴリズム（または古典的計算タスク）は、量子コンピュータ、量子使用可能（ｑｕａｎｔｕｍ－ｒｅａｄｙ）計算サービスまたは量子対応（ｑｕａｎｔｕｍ－ｅｎａｂｌｅｄ）計算サービスを使用せずに、１以上の古典的コンピュータによって実行され得るアルゴリズム（または計算タスク）を含んでもよい。古典的アルゴリズムは、非量子アルゴリズムを含んでもよい。古典的コンピュータは、量子コンピュータと、量子使用可能計算サービスまたは量子対応コンピュータとを含まないコンピュータを含んでもよい。古典的コンピュータは、量子ビット（ｑｕａｎｔｕｍ ｂｉｔ）（量子ビット（ｑｕｂｉｔ））ではなく、デジタルビット（例えば、ゼロ（「０」）および１（「１」））によって表わされるデータを、処理または保存してもよい。古典的コンピュータの例としては、サーバーコンピュータ、デスクトップコンピュータ、ラップトップコンピュータ、ノート型コンピュータ、サブノート型コンピュータ、ネットブックコンピュータ、ネットパッドコンピュータ、セットトップコンピュータ、メディアストリーミングデバイス、ハンドヘルドコンピュータ、インターネットアプライアンス、モバイルスマートフォン、タブレットコンピュータ、携帯情報端末、ビデオゲーム機、および媒体が挙げられるが、これらに限定されない。

ハイブリッド計算システムは、古典的コンピュータと量子コンピュータを含んでもよい。量子コンピュータは、計算上の問題を解決するために１以上の量子アルゴリズムを実行するように構成されてもよい。１以上の量子アルゴリズムは、量子コンピュータ、量子使用可能計算サービス、または量子対応計算サービスを使用して実行されてもよい。例えば、１以上の量子アルゴリズムは、参照によってその全体が本明細書に組み込まれる、「ＭＥＴＨＯＤＳ ＡＮＤ ＳＹＳＴＥＭＳ ＦＯＲ ＱＵＡＮＴＵＭ ＲＥＡＤＹ ＡＮＤ ＱＵＡＮＴＵＭ ＥＮＡＢＬＥＤ ＣＯＭＰＵＴＡＴＩＯＮＳ」と題された、米国特許公開第２０１８／０１０７５２６に記載されるシステムまたは方法を使用して実行されてもよい。古典的コンピュータは、少なくとも１つの古典的プロセッサとコンピュータメモリとを含み、そして、計算上の問題（例えば、量子化学シミュレーションの少なくとも一部）を解決するための、１以上の古典的アルゴリズムを実行するように構成されてもよい。デジタルコンピュータは、少なくとも１つのコンピュータプロセッサとコンピュータメモリを含み、ここで、デジタルコンピュータは、アプリケーションをレンダリングするために、少なくとも１つのコンピュータプロセッサによって実行可能な命令を備えたコンピュータプログラムを含んでもよい。アプリケーションは、ユーザーによる、量子コンピュータおよび／または古典的コンピュータの使用を手助けしてもよい。

いくつかの実装では、個人のデスクトップ、ラップトップ、スーパーコンピュータ、分散計算、クラスター、クラウドベースの計算リソース、スマートフォン、またはタブレットなどの、ビットによって作動する古典的コンピュータと共に、量子コンピュータを使用してもよい。

システムは、ユーザーのためのインターフェースを含んでもよい。いくつかの実施形態では、インターフェースは、アプリケーションプログラミングインターフェース（ＡＰＩ）を含んでもよい。インターフェースは、量子コンピュータの内部詳細（例えば、アーキテクチャーや操作）を、（例えば、ユーザーから隠すことによって）取り除く、プログラムに従うモデルを提供してもよい。いくつかの実施形態では、インターフェースは、量子ハードウェアの変更に応じてアプリケーションプログラムを更新する必要性を、最小限に抑えてもよい。いくつかの実施形態では、量子コンピュータが内部構造に変更を有する時にも、インターフェースは変更されないままであってもよい。

本開示は、量子計算または量子計算の使用を含み得る、システムおよび方法を提供する。量子コンピュータは、あるクラスの計算タスクを、古典的コンピュータよりも効率的に解決することができるかもしれない。しかし、量子計算リソースは、めったに無いもので高価であるかもしれず、そして、効率的にまたは効果的に（例えば、コスト効率が上がるように、またはコスト効果が上がるように）使用される、あるレベルの専門知識を含むかもしれない。複数のパラメータは、量子コンピュータがその潜在的な計算能力を果たすために、調整されてもよい。

量子コンピュータ（または他のタイプの非古典的コンピュータ）は、コプロセッサとして古典的コンピュータと並行して作動させることができる場合もある。古典的コンピュータと量子コンピュータを含むハイブリッドアーキテクチャ（例えば、計算システム）は、複雑な計算タスクに取り組む場合に非常に効率的であり得る。本開示は量子コンピュータへの言及を行ってきたが、本開示の方法とシステムは、非古典的コンピュータであってもよい他のタイプのコンピュータとの使用のために利用されてもよい。そのような非古典的コンピュータは、量子コンピュータ、ハイブリッド量子コンピュータ、量子型コンピュータ、または、古典的コンピュータではない他のコンピュータを含んでもよい。非古典的コンピュータとしては、日立のイジングソルバー、光学パラメータに基づくコヒーレントイジングマシン、及び特定の分類の問題を解決する際により多くの効率性を得るために異なる物理的現象を利用する他のソルバーが挙げられるが、これらに限定されない。

非古典的コンピュータおよび計算
非古典的計算（例えば量子計算）は、量子デバイスによって表わされるヒルベルト空間上で、（量子チャネル上の、ユニタリー変換または完全正トレース保存（ＣＰＴＰ）マップなどの）ある量子操作を実行することを含んでもよい。このように、量子計算と古典的（またはデジタル）計算は、以下の面で類似していてもよい。つまり、両方の計算が、入力情報に対して実行される命令のシーケンスを含み、その後に出力を提供してもよい。量子計算のさまざまなパラダイムは、量子操作を、量子デバイスの量子ビットのサブセットに同時に影響を与える基本的な量子操作のシーケンスに分解してもよい。量子操作は、例えばそれらの局所性、またはそれらの物理的実装の容易さに基づいて選択されてもよい。その時、量子手順または量子計算は、さまざまな用途において、量子デバイスの異なる量子発展を表すことができる命令のシーケンスから成るかもしれない。例えば、量子化学シミュレーションを計算する手順は、量子状態と、電子スピン軌道の対消滅および生成演算子とを、いわゆるＪｏｒｄａｎ－Ｗｉｇｎｅｒ変換［Ｗｉｇｎｅｒ， Ｅ．Ｐ， ＆ Ｊｏｒｄａｎ， Ｐ， Ｕｅｂｅｒ ｄａｓ Ｐａｕｌｉｓｃｈｅ Ａｅｑｕｉｖａｌｅｎｚｖｅｒｂｏｔ， Ｚｅｉｔｓｃｈｒｉ ｆｕｅｒ Ｐｈｙｓｉｋ ５， １１ （１９２８）］、または Ｂｒａｖｙｉ－Ｋｉｔａｅｖ変換［Ｂｒａｖｙｉ， Ｓ． Ｂ．， ＆ Ｋｉｔａｅｖ， Ａ．Ｙｕ．， Ｆｅｒｍｉｏｎｉｃ ｑｕａｎｔｕｍ ｃｏｍｐｕｔａｔｉｏｎ， ａｒＸｉｖ：ｑｕａｎｔ－ｐｈ／０００３１３７］、を通して、（２準位量子系などの）量子ビットと（アダマール、制御ノット（ＣＮＯＴ）、およびπ／８回転などの）ユニバーサル量子ゲートセットとを使用することによって表してもよく、上記文献の各々は、参照によってその全体が本明細書に組み込まれる。

量子手順または計算の追加的例は、量子近似最適化アルゴリズム（ＱＡＯＡ）、［Ｆａｒｈｉ ｅｔ ａｌ．， Ａ Ｑｕａｎｔｕｍ Ａｐｐｒｏｘｉｍａｔｅ Ｏｐｔｉｍｉｚａｔｉｏｎ Ａｌｇｏｒｉｔｈｍ， ａｒＸｉｖ：１４１１．４０２８ （２０１４）］、または量子最小確認［Ｄｕｒｒ ｅｔ ａｌ．， Ａ Ｑｕａｎｔｕｍ Ａｌｇｏｒｉｔｈｍ ｆｏｒ Ｆｉｎｄｉｎｇ ｔｈｅ Ｍｉｎｉｍｕｍ， ａｒＸｉｖ：ｑｕａｎｔ－ｐｈ／９６０７０１４ （１９９６）］、などの最適化のための手順を含んでもよく、上記文献の各々は、参照によってその全体が本明細書に組み込まれる。ＱＡＯＡは、単一量子ビットの回転を実行すること、および複数量子ビットのゲートをもつれさせることを含んでもよい。量子断熱計算では、命令は、初期量子システムから最終量子システムへの発展の確率論的（ｓｔｏｑｕａｓｔｉｃ）または非確率論的（ｎｏｎ－ｓｔｏｑｕａｓｔｉｃ）経路で伝えられてもよい。

量子に着想を得た手順は、シミュレーションされたアニーリング、パラレルテンパリング（ｐａｒａｌｌｅｌ ｔｅｍｐｅｒｉｎｇ）、マスター方程式ソルバー（ｍａｓｔｅｒ ｅｑｕａｔｉｏｎ ｓｏｌｖｅｒ）、モンテカルロ手順（Ｍｏｎｔｅ Ｃａｒｌｏ ｐｒｏｃｅｄｕｒｅｓ）などを含んでもよい。

量子－古典的アルゴリズムまたはハイブリッドアルゴリズムは、変分量子固有値ソルバー（ｖａｒｉａｔｉｏｎａｌ ｑｕａｎｔｕｍ ｅｉｇｅｎｓｏｌｖｅｒ）（ＶＱＥ）［Ｐｅｒｕｚｚｏ， Ａ． ， ＭｃＣｌｅａｎ， Ｊ． ， Ｓｈａｄｂｏｌｔ， Ｐ．， Ｙｕｎｇ， Ｍ．－Ｈ．， Ｚｈｏｕ， Ｘ．－Ｑ．， Ｌｏｖｅ， Ｐ． Ｊ．， Ａｓｐｕｒｕ－Ｇｕｚｉｋ， Ａ．， ＆ Ｏ’Ｂｒｉｅｎ， Ｊ． Ｌ．， Ａ ｖａｒｉａｔｉｏｎａｌ ｅｉｇｅｎｖａｌｕｅ ｓｏｌｖｅｒ ｏｎ ａ ｑｕａｎｔｕｍ ｐｒｏｃｅｓｓｏｒ， ａｒＸｉｖ：１３０４．３０６１］、および変分および断熱的にナビゲートされた量子固有値ソルバー（ｖａｒｉａｔｉｏｎａｌ ａｎｄ ａｄｉａｂａｔｉｃａｌｌｙ ｎａｖｉｇａｔｅｄ ｑｕａｎｔｕｍ ｅｉｇｅｎｓｏｌｖｅｒ）（ＶａｎＱｖｅｒ）［Ｍａｔｓｕｕｒａ ｅｔ ａｌ．， ＶａｎＱｖｅｒ： Ｔｈｅ Ｖａｒｉａｔｉｏｎａｌ ａｎｄ Ａｄｉａｂａｔｉｃａｌｌｙ Ｎａｖｉｇａｔｅｄ Ｑｕａｎｔｕｍ Ｅｉｇｅｎｓｏｌｖｅｒ， ａｒＸｉｖ：１８１０．１１５１１ （２０１８）］、などの手順を含んでもよく、上記文献の各々は、参照によってその全体が本明細書に組み込まれる。量子－古典的アルゴリズムまたはハイブリッドアルゴリズムは、シミュレーションされた量子アニーリングまたは量子モンテカルロ法を含んでもよい。そのようなハイブリッドアルゴリズムは、短いコヒーレンス時間および／または利用可能な量子ビットの数における制限のせいで、利用可能な量子計算能力に制限（および、場合によっては厳しい制限）が存在し得る、直近の（ｎｅａｒ－ｔｅｒｍ）ノイズの多い量子デバイスに特に適しているかもしれない。

量子コンピュータは、１以上の断熱量子コンピュータ、量子ゲートアレイ（ｑｕａｎｔｕｍ ｇａｔｅ ａｒｒａｙ）、一方向量子コンピュータ（ｏｎｅ－ｗａｙ ｑｕａｎｔｕｍ ｃｏｍｐｕｔｅｒ）、位相量子コンピュータ（ｔｏｐｏｌｏｇｉｃａｌ ｑｕａｎｔｕｍ ｃｏｍｐｕｔｅｒ）、量子チューリングマシン（ｑｕａｎｔｕｍ Ｔｕｒｉｎｇ ｍａｃｈｉｎｅ）、超伝導体ベースの量子コンピュータ（ｓｕｐｅｒｃｏｎｄｕｃｔｏｒ－ｂａｓｅｄ ｑｕａｎｔｕｍ ｃｏｍｐｕｔｅｒ）、イオントラップ型量子コンピュータ（ｔｒａｐｐｅｄ ｉｏｎ ｑｕａｎｔｕｍ ｃｏｍｐｕｔｅｒ）、中性原子トラップ型量子コンピュータ（ｔｒａｐｐｅｄ ｎｅｕｔｒａｌ ａｔｏｍ ｑｕａｎｔｕｍ ｃｏｍｐｕｔｅｒｓ）、原子トラップ型量子コンピュータ（ｔｒａｐｐｅｄ ａｔｏｍ ｑｕａｎｔｕｍ ｃｏｍｐｕｔｅｒ）、光格子、量子ドットコンピュータ（ｑｕａｎｔｕｍ ｄｏｔ ｃｏｍｐｕｔｅｒ）、スピンべ＾ースの量子コンピュータ（ｓｐｉｎ－ｂａｓｅｄ ｑｕａｎｔｕｍ ｃｏｍｐｕｔｅｒ）、空間ベースの量子コンピュータ（ｓｐａｔｉａｌ－ｂａｓｅｄ ｑｕａｎｔｕｍ ｃｏｍｐｕｔｅｒ）、Ｌｏｓｓ－ＤｉＶｉｎｃｅｎｚｏ量子コンピュータ（Ｌｏｓｓ－ＤｉＶｉｎｃｅｎｚｏ ｑｕａｎｔｕｍ ｃｏｍｐｕｔｅｒ）、核磁気共鳴（ＮＭＲ）ベースの量子コンピュータ、溶液ＮＭＲ量子コンピュータ（ｓｏｌｕｔｉｏｎ－ｓｔａｔｅ ＮＭＲ ｑｕａｎｔｕｍ ｃｏｍｐｕｔｅｒ）、固体ＮＭＲ量子コンピュータ（ｓｏｌｉｄ－ｓｔａｔｅ ＮＭＲ ｑｕａｎｔｕｍ ｃｏｍｐｕｔｅｒ）、固体ＮＭＲ Ｋａｎｅ量子コンピュータ（ｓｏｌｉｄ－ｓｔａｔｅ ＮＭＲ Ｋａｎｅ ｑｕａｎｔｕｍ ｃｏｍｐｕｔｅｒ）、ヘリウム上電子による量子コンピュータ（ｅｌｅｃｔｒｏｎｓ－ｏｎ－ｈｅｌｉｕｍ ｑｕａｎｔｕｍ ｃｏｍｐｕｔｅｒ）、共振器量子電磁力学ベースの量子コンピュータ（ｃａｖｉｔｙ－ｑｕａｎｔｕｍ－ｅｌｅｃｔｒｏｄｙｎａｍｉｃｓ ｂａｓｅｄ ｑｕａｎｔｕｍ ｃｏｍｐｕｔｅｒ）、分子磁石量子コンピュータ（ｍｏｌｅｃｕｌａｒ ｍａｇｎｅｔ ｑｕａｎｔｕｍ ｃｏｍｐｕｔｅｒ）、フラーレンベースの量子コンピュータ（ｆｕｌｌｅｒｅｎｅ－ｂａｓｅｄ ｑｕａｎｔｕｍ ｃｏｍｐｕｔｅｒ）、線形光学量子コンピュータ（ｌｉｎｅａｒ ｏｐｔｉｃａｌ ｑｕａｎｔｕｍ ｃｏｍｐｕｔｅｒ）、ダイヤモンドベースの量子コンピュータ（ｄｉａｍｏｎｄ－ｂａｓｅｄ ｑｕａｎｔｕｍ ｃｏｍｐｕｔｅｒ）、窒素欠陥（ＮＶ）ダイヤモンドベースの量子コンピュータ（ｎｉｔｒｏｇｅｎ ｖａｃａｎｃｙ （ＮＶ） ｄｉａｍｏｎｄ－ｂａｓｅｄ ｑｕａｎｔｕｍ ｃｏｍｐｕｔｅｒ）、ボーズ・アインシュタイン凝縮体ベースの量子コンピュータ（Ｂｏｓｅ－Ｅｉｎｓｔｅｉｎ ｃｏｎｄｅｎｓａｔｅ－ｂａｓｅｄ ｑｕａｎｔｕｍ ｃｏｍｐｕｔｅｒ）、トランジスタベースの量子コンピュータ、およびレアアース金属イオンドープ無機結晶ベースの量子コンピュータ（ｒａｒｅ－ｅａｒｔｈ－ｍｅｔａｌ－ｉｏｎ－ｄｏｐｅｄ ｉｎｏｒｇａｎｉｃ ｃｒｙｓｔａｌ ｂａｓｅｄ ｑｕａｎｔｕｍ ｃｏｍｐｕｔｅｒ）を含んでもよい。量子コンピュータは、量子アニーラー（ｑｕａｎｔｕｍ ａｎｎｅａｌｅｒ）および量子計算のゲートモデルの１以上を含んでもよい。非古典的コンピュータは、イジングソルバーおよび光パラメトリック発振器（ＯＰＯ）の１以上を含んでもよい。

場合によっては、ＭａｃＢｏｏｋ Ｐｒｏラップトップ、Ｗｉｎｄｏｗｓラップトップ、またはＬｉｎｕｘ（登録商標）ラップトップのような、古典的コンピュータ上で実行できる、量子サーキットの古典的シミュレータが使用され得る。いくつかの実施形態では、古典的シミュレータは、平行する方法または分配される方法で、複数の計算ノードへのアクセスを有する、クラウド計算プラットフォーム上で実行し得る。いくつかの実施形態では、フラグメントのサブセットのための合計量子力学エネルギーおよび／または電子構造計算は、古典的シミュレータを使用して実行されることが可能であり、そして、フラグメントの残りのための合計量子力学エネルギーおよび／または電子構造計算は、量子ハードウェアを使用して実行されることが可能である。

古典的コンピュータ
いくつかの実施形態では、本明細書に記載されるシステム、媒体、ネットワーク、および方法は、古典的コンピュータ、またはその使用を含む。例えば、本明細書に記載されるシステム、媒体、ネットワーク、および方法は、図６に関して本明細書で記載されるコンピュータ、またはその使用を含んでもよい。いくつかの実施形態では、古典的コンピュータは、古典的コンピュータの関数を遂行する、１以上のハードウェア中央処理ユニット（ＣＰＵ）を含む。いくつかの実施形態では、古典的コンピュータは、実行可能な命令を実行するように構成されたオペレーティングシステム（ＯＳ）をさらに含む。いくつかの実施形態では、古典的コンピュータは、コンピュータネットワークに接続される。いくつかの実施形態では、古典的コンピュータは、ワールドワイドウェブにアクセスするようにインターネットに接続される。いくつかの実施形態では、古典的コンピュータは、クラウドコンピューティングインフラストラクチャーに接続される。いくつかの実施形態では、古典的コンピュータは、イントラネットに接続される。いくつかの実施形態では、古典的コンピュータは、データ記憶デバイスに接続される。

本明細書の記載によれば、適切な古典的コンピュータは、非限定的な例として、サーバーコンピュータ、デスクトップコンピュータ、ラップトップコンピュータ、ノート型コンピュータ、サブノート型コンピュータ、ネットブックコンピュータ、ネットパッドコンピュータ、セットトップコンピュータ、メディアストリーミングデバイス、ハンドヘルドコンピュータ、インターネットアプライアンス、モバイルスマートフォン、タブレットコンピュータ、携帯情報端末、ビデオゲーム機および媒体を含んでもよい。スマートフォンは、本明細書に記載される方法およびシステムとの使用に適しているかもしれない。一部限定的なテレビ（ｓｅｌｅｃｔ ｔｅｌｅｖｉｓｉｏｎ）、ビデオプレーヤー、およびデジタル音楽プレーヤーは、場合によってはコンピュータネットワークに接続されており、本明細書に記載されるシステムおよび方法における使用に適しているかもしれない。適切なタブレットコンピュータは、ブックレット、スレート、および変換可能な構成を備えたものを含んでもよい。

いくつかの実施形態では、古典的コンピュータは、実行可能な命令を実行するように構成されたオペレーティングシステムを含む。オペレーティングシステムは、例えば、デバイスのハードウェアを管理し、アプリケーションの実行のためのサービスを提供する、プログラムおよびデータを含むソフトウェアである。適切なサーバーオペレーティングシステムは、非限定的な例として、ＦｒｅｅＢＳＤ、ＯｐｅｎＢＳＤ、ＮｅｔＢＳＤＲ、Ｌｉｎｕｘ（登録商標）、Ａｐｐｌｅ（登録商標）Ｍａｃ ＯＳ Ｘ Ｓｅｒｖｅｒ（登録商標）、Ｏｒａｃｌｅ（登録商標）Ｓｏｌａｒｉｓ（登録商標）、Ｗｉｎｄｏｗｓ Ｓｅｒｖｅｒ（登録商標）、およびＮｏｖｅｌｌ（登録商標）ＮｅｔＷａｒｅ（登録商標）を含む。適切なパーソナルコンピュータオペレーティングシステムは、非限定的な例として、Ｍｉｃｒｏｓｏｆｔ（登録商標）Ｗｉｎｄｏｗｓ（登録商標）、Ａｐｐｌｅ（登録商標）Ｍａｃ ＯＳ Ｘ（登録商標）、ＵＮＩＸ（登録商標）、および、ＧＮＵ／Ｌｉｎｕｘ（登録商標）などのＵＮＩＸ（登録商標）様オペレーティングシステムを含んでもよい。いくつかの実施形態において、オペレーティングシステムは、クラウドコンピューティングによって提供される。適切なモバイルスマートフォンのオペレーティングシステムは、非限定的な例として、Ｎｏｋｉａ（登録商標）Ｓｙｍｂｉａｎ（登録商標）ＯＳ、Ａｐｐｌｅ（登録商標）ｉＯＳ（登録商標）、Ｒｅｓｅａｒｃｈ Ｉｎ Ｍｏｔｉｏｎ（登録商標）ＢｌａｃｋＢｅｒｒｙ ＯＳ（登録商標）、Ｇｏｏｇｌｅ（登録商標）Ａｎｄｒｏｉｄ（登録商標）、Ｍｉｃｒｏｓｏｆｔ（登録商標）Ｗｉｎｄｏｗｓ Ｐｈｏｎｅ（登録商標）ＯＳ、Ｍｉｃｒｏｓｏｆｔ（登録商標）Ｗｉｎｄｏｗｓ Ｍｏｂｉｌｅ（登録商標）ＯＳ、Ｌｉｎｕｘ（登録商標）、及びＰａｌｍ（登録商標）ＷｅｂＯＳ（登録商標）を含んでもよい。適切なメディアストリーミングデバイスのオペレーティングシステムは、非限定的な例として、Ａｐｐｌｅ ＴＶ（登録商標）、Ｒｏｋｕ（登録商標）、Ｂｏｘｅｅ（登録商標）、Ｇｏｏｇｌｅ ＴＶ（登録商標）、Ｇｏｏｇｌｅ Ｃｈｒｏｍｅｃａｓｔ（登録商標）、Ａｍａｚｏｎ Ｆｉｒｅ（登録商標）、およびＳａｍｓｕｎｇ（登録商標）ＨｏｍｅＳｙｎｃ（登録商標）を含むんでもよい。適切なビデオゲーム機のオペレーティングシステムは、非限定的な例として、Ｓｏｎｙ（登録商標）ＰＳ３（登録商標）、Ｓｏｎｙ（登録商標）ＰＳ４（登録商標）、Ｍｉｃｒｏｓｏｆｔ（登録商標）Ｘｂｏｘ ３６０（登録商標）、Ｍｉｃｒｏｓｏｆｔ Ｘｂｏｘ Ｏｎｅ、Ｎｉｎｔｅｎｄｏ（登録商標）Ｗｉｉ（登録商標）、Ｎｉｎｔｅｎｄｏ（登録商標）Ｗｉｉ Ｕ（登録商標）、およびＯｕｙａ（登録商標）を含んでもよい。

いくつかの実施形態では、古典的コンピュータは、記憶デバイスおよび／またはメモリデバイスを含む。いくつかの実施形態では、記憶デバイスおよび／またはメモリデバイスは、一時的にまたは恒久的に、データまたはプログラムを保存するために使用される１以上の物理装置である。いくつかの実施形態では、デバイスは揮発性メモリであり、そして保存された情報を維持するための電力を必要とする。いくつかの実施形態では、デバイスは不揮発性メモリであり、そして古典的コンピュータに電力が供給されていない時に、保存された情報を保持する。いくつかの実施形態では、不揮発性メモリは、フラッシュメモリを含む。いくつかの実施形態では、不揮発性メモリは、ダイナミックランダムアクセスメモリ（ＤＲＡＭ）を含む。いくつかの実施形態では、不揮発性メモリは、強誘電体ランダムアクセスメモリ（ＦＲＡＭ）を含む。いくつかの実施形態では、不揮発性メモリは、相変化ランダムアクセスメモリ（ＰＲＡＭ）を含む。他の実施形態では、デバイスは、非限定的な例として、ＣＤ－ＲＯＭ、ＤＶＤ、フラッシュメモリデバイス、磁気ディスクドライブ、磁気テープドライブ、光ディスクドライブ、およびクラウドコンピューティングベースの記憶デバイスを含む、記憶デバイスである。いくつかの実施形態では、記憶デバイスおよび／またはメモリデバイスは、本明細書に開示されるものなどのデバイスの組み合わせである。

いくつかの実施形態では、古典的コンピュータは、ユーザーに視覚情報を送信するためのディスプレイを含む。いくつかの実施形態では、ディスプレイは、ブラウン管（ＣＲＴ）である。いくつかの実施形態では、ディスプレイは、液晶ディスプレイ（ＬＣＤ）である。いくつかの実施形態では、ディスプレイは、薄膜トランジスタ液晶ディスプレイ（ＴＦＴ－ＬＣＤ）である。いくつかの実施形態では、ディスプレイは、有機発光ダイオード（ＯＬＥＤ）ディスプレイである。いくつかの実施形態では、ＯＬＥＤディスプレイでは、パッシブマトリクス型ＯＬＥＤ（ＰＭＯＬＥＤ）、またはアクティブマトリクス型ＯＬＥＤ（ＡＭＯＬＥＤ）ディスプレイである。いくつかの実施形態では、ディスプレイは、プラズマディスプレイである。いくつかの実施形態では、ディスプレイは、ビデオプロジェクターである。いくつかの実施形態では、ディスプレイは、本明細書に開示されるものなどのデバイスの組み合わせである。

いくつかの実施形態では、古典的コンピュータは、ユーザーから情報を受信するための入力デバイスを含む。いくつかの実施形態では、入力デバイスは、キーボードである。いくつかの実施形態では、入力デバイスは、非限定的な例として、マウス、トラックボール、トラックパッド、ジョイスティック、ゲームコントローラ、またはスタイラスを含むポインティングデバイス（ｐｏｉｎｔｉｎｇ ｄｅｖｉｃｅ）である。いくつかの実施形態では、入力デバイスは、タッチスクリーンまたはマルチタッチスクリーンである。いくつかの実施形態では、入力デバイスは、声または他の音入力を捕捉するマイクロフォンである。いくつかの実施形態では、入力デバイスは、動作入力または視覚入力を捕捉するためのビデオカメラあるいは他のセンサーである。いくつかの実施形態では、入力デバイスは、Ｋｉｎｅｃｔ、Ｌｅａｐ Ｍｏｔｉｏｎなどである。いくつかの実施形態では、入力デバイスは、本明細書に開示されるものなどのデバイスの組み合わせである。

古典的コンピュータは、古典的処理ユニットを含んでもよい。いくつかの実施形態では、古典的コンピュータは、本明細書に記載される任意のＡＩ手順などのＡＩ手順を実施するように構成された専用ハードウェアを含んでもよい。古典的コンピュータは、ＡＩ手順を実施するように構成された任意の半導体デバイスを含んでもよい。例えば、古典的コンピュータは、テンソル処理ユニット（ＴＰＵ）、グラフィックス処理ユニット（ＧＰＵ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、および特定用途向け集積回路（ＡＳＩＣ）、からなる群から選択される１以上のメンバーを含んでもよい。古典的コンピュータは、ＴＰＵ、ＧＰＵ、ＦＰＧＡ、またはＡＳＩＣの任意の１以上を、全体的にまたは部分的に含んでもよい。

非一時的コンピュータ可読記憶媒体
いくつかの実施形態では、本明細書に記載されるシステムおよび方法は、随意にネットワーク化されたデジタル処理ユニットのオペレーティングシステムによって実行可能な命令を含むプログラムでコード化された、１以上の非一時的コンピュータ可読記憶媒体を含む。いくつかの実施形態では、コンピュータ可読記憶媒体は、古典的コンピュータの有形の構成要素である。いくつかの実施形態では、コンピュータ可読記憶媒体は、古典的コンピュータから任意に取り外し可能である。いくつかの実施形態では、コンピュータ可読記憶媒体は、非限定的な例として、ＣＤ－ＲＯＭ、ＤＶＤ、フラッシュメモリデバイス、ソリッドステートメモリ、磁気ディスクドライブ、磁気テープドライブ、光ディスクドライブ、クラウドコンピューティングシステム、およびサービスなどを含む。場合によっては、プログラムと命令は、媒体上で永久に、実質的に永久に、半永久に、または非一時的にコード化される。

開示される、計算を実行するためのシステムおよび方法の実施形態が、下記に記載される。

計算を実行するためのシステムおよび方法
ある態様では、本開示は、人工知能（ＡＩ）を使用して計算を実行するためのシステムを提供する。システムは、１以上の調整可能なパラメータと１以上の調整不可能なパラメータとを含む計算を実行し、かつ計算を示すレポートを出力するように構成された少なくとも１つのコンピュータ、および少なくともＡＩ制御ユニットを、含む。コンピュータは、（ｉ）１以上のレジスタであって、ここで該１以上のレジスタは、計算を実行するように構成されている、１以上のレジスタと、（ｉｉ）１以上のレジスタの少なくとも１つの状態を計測して、１以上のレジスタの状態の表現を決定するように構成された、計測ユニットであって、これによって、計算の表現を決定する、計測ユニットと、を含んでもよい。ＡＩ制御ユニットは、計算を制御し、計算に対応する１以上の調整可能なパラメータを決定するために、少なくとも１つのＡＩ手順を実行し、そして、コンピュータに１以上の調整可能なパラメータを指示する、ように構成されてもよい。ＡＩ制御ユニットは、１以上のＡＩ制御ユニットパラメータを含んでもよい。

図１は、ＡＩを使用して計算を実行するためのシステム（１００）の例についての概略図を示す。システムは、ハイブリッド計算システムであってもよい。ハイブリッド計算システムは、少なくとも１つの古典的計算システムと少なくとも１つの非古典的計算システムとを含んでもよい。非古典的計算システムは、量子コンピュータを含んでもよい。計算は、量子計算を含んでもよい。量子計算は、断熱量子計算を含んでもよい。量子計算は、量子近似最適化アルゴリズム（ＱＡＯＡ）をさらに含んでもよい。量子計算は、変分量子アルゴリズムをさらに含んでもよい。量子計算は、量子レジスタ上の誤り訂正をさらに含んでもよい。量子計算は、フォールトトレラント量子計算ガジェットをさらに含んでもよい。計算は、古典的計算を含んでもよい。計算は、シミュレーションされたアニーリング、シミュレーションされた量子アニーリング、パラレルテンパリング、等エネルギークラスター移動を伴うパラレルテンパリング、拡散モンテカルロ法、ポピュレーションアニーリング、および量子モンテカルロ法、からなる群から選択される、少なくとも１つのメンバーをさらに含んでもよい。

計算は、１以上の調整可能なパラメータと１以上の調整不可能なパラメータとを含んでもよい。調整不可能なパラメータは、計算のインスタンスのファミリー（ｆａｍｉｌｙ）を定義するパラメータを含んでもよい。一実施形態では、調整不可能なパラメータは、問題ハミルトニアンの形態を含んでもよい。調整可能なパラメータは、計算のインスタンスを定義するパラメータを含んでもよい。調整可能なパラメータは、計算の初期温度を含んでもよい。調整可能なパラメータは、計算の温度スケジュールを含んでもよい。調整可能なパラメータは、計算の最終温度を含んでもよい。調整可能なパラメータは、光学的パラメータパルスのネットワークのポンピングエネルギーのスケジュールを含んでもよい。調整可能なパラメータは、量子計算のセグメントのための量子ゲートの指示を含んでもよい。調整可能なパラメータは、量子計算のセグメントのための、ローカル操作と古典的通信（ＬＯＣＣ）チャネルの指示を含んでもよい。１以上の調整可能なパラメータと１以上の調整不可能なパラメータとは、計算の現在の表現からの命令セットを含む計算の次のセグメントを定義してもよい。

図１に示されるように、計算システムは、少なくとも１つのコンピュータ（１１０）と少なくとも１つのＡＩ制御ユニット（１２０）とを含んでもよい。コンピュータ（１１０）は、計算を実行し、そして計算を示すレポートを出力する、ように構成されてもよい。コンピュータ（１１０）は、古典的コンピュータを含んでもよい。コンピュータ（１１０）は、非古典的コンピュータを含んでもよい。コンピュータ（１１０）は、任意の非古典的コンピュータを含んでもよい。コンピュータ（１１０）は、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、および特定用途向け集積回路（ＡＳＩＣ）、からなる群から選択される少なくとも１つのメンバーを含んでもよい。コンピュータ（１１０）は、本明細書に記載される任意の非古典的コンピュータを含んでもよい。ある実施形態では、非古典的コンピュータは、統合型フォトニックコヒーレントイジングマシンコンピュータを含んでもよい。米国公開第２０１８０２６７９３７は、参照によってその全体が本明細書に組み込まれる。別の実施形態では、非古典的コンピュータは、光学パラメトリックパルスのネットワークを含んでもよい。参照によってその全体が本明細書に組込まれる、米国特許第１０１３９７０３を参照。さらに別の実施形態では、非古典的コンピュータは、量子コンピュータを含んでもよい。

コンピュータは、１以上のレジスタを含んでもよい。コンピュータは、第１のレジスタ（１１１）を含んでもよい。１以上のレジスタは、計算を実行するように構成されてもよい。コンピュータ（１１０）は、第２のレジスタ（１１３）、第３のレジスタ（１１７）、第４のレジスタ（１１９）、および第５のレジスタ（１２１）を含んでもよい。図１では、５つのレジスタを含むように描写されているが、コンピュータ（１１０）は、少なくとも約１、２、３、４、５、６、７、８、９、１０、１５、２０、２５、３０、３５、４０、４５、５０、５５、６０、６５、７０、７５、８０、８５、９０、９５、１００、またはそれ以上のレジスタ、あるいは、最大で約１００、９５、９０、８５、８０、７５、７０、６５、６０、５５、５０、４５、４０、３５、３０、２５、２０、１５、１０、９、８、７、６、５、４、３、２、または１のレジスタなどの任意の数のレジスタ、あるいは、前述の値の任意の２つによって定義される範囲内にある複数のレジスタを含んでもよい。

レジスタは、１以上の量子ビットを含んでもよい。例えば、レジスタは、少なくとも約１、２、３、４、５、６、７、８、９、１０、１５、２０、２５、３０、３５、４０、４５、５０、５５、６０、６５、７０、７５、８０、８５、９０、９５、１００、またはそれ以上の量子ビット、あるいは、最大で約１００、９５、９０、８５、８０、７５、７０、６５、６０、５５、５０、４５、４０、３５、３０、２５、２０、１５、１０、９、８、７、６、５、４、３、２、または１のレジスタなどの任意の数の量子ビット、あるいは、前述の値の任意の２つによって定義される範囲内にある複数の量子ビットを含んでもよい。いくつかの実施形態では、レジスタ（１１１）は、第１の量子ビット（１１２ａ）、第２の量子ビット（１１２ｂ）、第３の量子ビット（１１２ｃ）、および第４の量子ビット（１１２ｄ）を含んでもよい。レジスタは、１以上の量子ビットを使用して計算を実行するように構成されてもよい。レジスタは、１以上の量子ビットを使用するシンドロームレジスタとして機能するように構成されてもよい。１以上の量子ビットは、図１の量子ビット（１１２ａ）、（１１２ｂ）、（１１２ｃ）、および（１１２ｄ）の間の双頭矢印によって示されるように、互いにもつれていてもよい。レジスタは、シンドロームレジスタとして機能するように構成されてもよい。

計算を実施するように構成されたレジスタ、またはシンドロームレジスタとして機能するレジスタの数は、特定の計算の要件に応じて、または特定の計算内の異なる操作の実行中に、変更されてもよい。

いくつかの実施形態では、計算を実行するように構成されたレジスタは、シンドロームレジスタとして機能するように構成されたものと異なっていてもよい。シンドロームレジスタに含まれる量子ビットは、計算レジスタに含まれる量子ビットと量子学的にもつれていてもよい。

計測ユニット（１１５）は、計算の表現を決定するために、１以上のレジスタの１以上の状態を計測するように構成されてもよい。一実施形態では、計測ユニットは、１以上の量子ビットの少なくとも１つの状態を計測して、計算の現在の状態に関する部分的な情報を表すシンドロームデータを取得して、かつＡＩ制御ユニット（１２０）にシンドロームデータを提供するように構成されてもよい。

一実施形態では、計測ユニット（１１５）は、１以上の第１のレジスタの状態を計測して、シンドロームデータを取得し、１以上の第２のレジスタの状態の表現を決定するように構成され、これによって、計算の表現を決定してもよい。第１のレジスタは、シンドロームサブシステムを含んでもよい。第２のレジスタは、計算サブシステムを含んでもよい。シンドロームサブシステムは、１以上のレジスタを含んでもよい。計算サブシステムは、１以上のレジスタを含んでもよい。場合によっては、計測ユニット（１１５）は、計算の表現を決定するために、１以上の量子ビットの状態を計測するように構成されてもよい。計測ユニットは、フォンノイマン（ｖｏｎ Ｎｅｕｍａｎｎ）計測、射影値計測（ＰＶＭ）、正作用素値測度（ＰＯＶＭ）、弱連続計測（ｗｅａｋ ｃｏｎｔｉｎｕｏｕｓ ｍｅａｓｕｒｅｍｅｎｔ）などの任意のタイプの計測を使用して、１以上の量子ビットの状態を計測するように構成されてもよい。

１以上の第２のレジスタの状態の表現は、１以上の第１のレジスタの状態と、相関があってもよい。１以上の第２のレジスタの状態の表現は、少なくとも約０．５、０．５５、０．６、０．６５、０．７、０．７５、０．８、０．８５、０．９、０．９５、０．９９またはそれ以上の相関係数で、１以上の第１のレジスタの状態と、相関があってもよい。１以上の第２のレジスタの状態の表現は、最大で約０．９９、０．９５、０．９、０．８５、０．８、０．７５、０．７、０．６５、０．６、０．５５、０．５、またはそれ以下の相関係数で、１以上の第１のレジスタの状態と、相関があってもよい。１以上の第２のレジスタの状態の表現は、前述の値の任意の２つによって定義される範囲内にある相関係数で、１以上の第１のレジスタの状態と、相関があってもよい。

第１のレジスタの計測は、第１のレジスタとは異なる１以上の第２のレジスタを含み得る計算サブシステムに影響を及ぼさないため、第１のレジスタは、調製され、第２のレジスタともつれ、そして、計算中にそこで計測を反復的に実行させることができる。計測の各反復は、（本明細書に記載されるＲＬ手順のエージェントなどの）ＡＩ制御ユニット（１２０）が、計算サブシステムの計算量子ビットに保存された量子情報の状態についての新しい知識を得、かつ、計算のための調整可能なパラメータの新しいセットを規定することを可能にしてもよい。ＲＬの言語では、調整可能なパラメータのための新しいスケジュールは、エージェントが環境においてとる行動と呼ばれてもよい。したがって、シンドロームサブシステムの各計測は、ＲＬのための新しい状態行動エポックを含んでもよい。

計測ユニットは、計算中の計算システムの１以上のレジスタの発展中に、シンドロームサブシステムの１以上のレジスタの状態を計測するように構成されてもよい。計測ユニットは、計算システムの１以上のレジスタの発展後に、計算サブシステムの１以上のレジスタの状態を計測するようにさらに構成されてもよい。

場合によっては、本明細書に記載される非古典的コンピュータは、制御ユニット（１１６）をさらに含んでもよい。制御ユニットは、１以上の量子ビットで、１以上の量子操作を実行するように構成されてもよい。量子操作は、１以上の量子ビットの初期状態の調製と、１以上の量子ビット上の１以上の単一量子ビット量子ゲートの実施と、１以上の量子ビット上の１以上のマルチ量子ビット量子ゲートの実施と、１以上の量子ビットを使用する、初期ハミルトニアンから最終ハミルトニアンまでの断熱的発展、からなる群から選択される少なくとも１つのメンバーを含んでもよい。

量子操作は動的であってもよい。例えば、量子操作は、特定の計算の要件に応じて、または特定の計算内の異なる操作の実行中に、変更されてもよい。制御ユニットは、１以上の調整可能なパラメータに基づいて、１以上の量子操作を実行するように構成されてもよい。

ＡＩ制御（１２０）は、本明細書に記載される、任意の古典的コンピュータ、または古典的コンピュータの任意の１以上の構成要素などの、古典的コンピュータを含んでもよい。例えば、古典的コンピュータは、デジタル処理ユニットを含んでもよい。古典的コンピュータは、ＴＰＵ、ＧＰＵ、ＦＰＧＡ、およびＡＳＩＣ、からなる群から選択される１以上のメンバーを含んでもよい。ＡＩ制御ユニットは、冷凍機システム内の極低温度で作動する古典的処理システムとして統合されてもよい。例えば、引用によって本明細書に組み込まれる、Ａｎ ＦＰＧＡ－ｂａｓｅｄ Ｉｎｓｔｒｕｍｅｎｔａｔｉｏｎ Ｐｌａｔｆｏｒｍ ｆｏｒ ｕｓｅ ａｔ Ｄｅｅｐ Ｃｒｙｏｇｅｎｉｃ Ｔｅｍｐｅｒａｔｕｒｅｓ ｂｙ Ｉ． Ｄ． Ｃｏｎｗａｙ Ｌａｍｂ， Ｊ． Ｉ． Ｃｏｌｌｅｓｓ， Ｊ． Ｍ． Ｈｏｒｎｉｂｒｏｏｋ， Ｓ． Ｊ， Ｐａｕｋａ， Ｓ． Ｊ． Ｗａｄｄｙ， Ｍ． Ｋ． Ｆｒｅｃｈｔｌｉｎｇ， ａｎｄ Ｄ． Ｊ． Ｒｅｉｌｌｙ， ａｒｘｉｖ．ｏｒｇ／ａｂｓ／１５０９．０６８０９を参照。ＡＩ制御ユニットは、計算のための１以上の調整可能なパラメータを決定するために、少なくとも１つの人工知能（ＡＩ）手順を実行するように構成されてもよい。ＡＩ制御ユニットは、非古典的コンピュータに１以上の調整可能なパラメータを指示するように構成されてもよい。ＡＩ手順は、本明細書に記載される任意のＡＩ手順を含んでもよい。ＡＩ手順は、少なくとも１つの機械学習（ＭＬ）手順を含んでもよい。ＭＬ手順は、本明細書に記載される任意のＭＬ手順を含んでもよい。ＭＬ手順は、少なくとも１つのＭＬ訓練手順を含んでもよい。ＭＬ手順は、少なくとも１つのＭＬ推論手順を含んでもよい。ＡＩ手順は、少なくとも１つの強化学習（ＲＬ）手順を含んでもよい。ＲＬ手順は、本明細書に記載される任意のＲＬ手順を含んでもよい。例えば、ＡＩ手順は、図１４の方法（１４００）に関して本明細書に記載される、訓練手順を含んでもよい。いくつかの実施形態では、ＡＩ手順は、図４の方法（４００）に関して本明細書に記載される、訓練手順を含んでもよい。ＡＩ手順は、図５の方法（５００）に関して本明細書に記載される、推論手順を含んでもよい。ＡＩ手順は、計算の調整可能なパラメータを変更してもよい。調整可能なパラメータの変更は、計算の過程中に計算を変更してもよい。ＡＩ制御ユニットは、ＡＩ手順を保存または実行するように構成されてもよい。ＡＩ制御ユニットは、計算中にＡＩ手順を修正するように構成されてもよい。ＡＩ制御ユニットは、計算の調整可能なパラメータを修正するように構成されてもよい。調整可能なパラメータの修正は、計算の過程中に計算を修正してもよい。ＡＩ制御ユニットは、調整可能なパラメータをコンピュータに指示するように構成されてもよい。ＡＩ制御ユニットは、１以上のＡＩ制御ユニットパラメータを含んでもよい。ＡＩ制御ユニットは、複数のニューラルネットワークウェイトを含む、ニューラルネットワークを含んでもよい。本実施形態では、ＡＩ制御ユニットパラメータは、ニューラルネットワークウェイトを含む。ニューラルネットワークは、少なくとも１つの層、各層に少なくとも１つのノード、および各エッジに関連付けられたニューラルネットワークウェイトを含んでもよい。ニューラルネットワークは、任意の数の層と、各層に任意の数のノードを含んでもよい。例えば、ニューラルネットワークは、少なくとも約１、２、３、４、５、６、７、８、９、１０、２０、３０、４０、５０、６０、７０、８０、９０、１００、またはそれ以上の層、最大で約１００、９０、８０、７０、６０、５０、４０、３０、２０、１０、９、８、７、６、５、４、３、２、または１の層、あるいは前述の値のいずれかによって定義される範囲内にある複数の層を含んでもよい。ニューラルネットは、少なくとも約１、２、３、４、５、６、７、８、９、１０、２０、３０、４０、５０、６０、７０、８０、９０、１００、またはそれ以上のノード、最大で約１００、９０、８０、７０、６０、５０、４０、３０、２０、１０、９、８、７、６、５、４、３、２、または１のノード、あるいは前述の値のいずれかによって定義される範囲内にある複数のノードを各層に含んでもよい。ニューラルネットは、少なくとも約１、２、３、４、５、６、７、８、９、１０、２０、３０、４０、５０、６０、７０、８０、９０、１００、２００、３００、４００、５００、６００、７００、８００、９００、１，０００、２，０００、３，０００、４，０００、５，０００、６，０００、７，０００、８，０００、９，０００、１０，０００、２０，０００、３０，０００、４０，０００、５０，０００、６０，０００、７０，０００、８０，０００、９０，０００、１００，０００、２００，０００、３００，０００、４００，０００、５００，０００、６００，０００、７００，０００、８００，０００、９００，０００、１，０００，０００またはそれ以上のニューラルネットウェイト、最大で１，０００，０００、９００，０００、８００，０００、７００，０００、６００，０００、５００，０００、４００，０００、３００，０００、２００，０００、１００，０００、９０，０００、８０，０００、７０，０００、６０，０００、５０，０００、４０，０００、３０，０００、２０，０００、１０，０００、９，０００、８，０００、７，０００、６，０００、５，０００、４，０００、３，０００、２，０００、１，０００、９００、８００、７００、６００、５００、４００、３００、２００、１００、９０、８０、７０、６０、５０、４０、３０、２０、１０、９、８、７、６、５、４、３、２、または１のニューラルネットワークウェイト、あるいは前述の値のいずれかによって定義される範囲内にある複数のニューラルネットウェイトを含んでもよい。

ＡＩ制御ユニット（１２０）は、コンピュータ（１１０）と通信していてもよい。ＡＩ制御ユニットは、ネットワーク上でコンピュータと通信していてもよい。ＡＩ制御ユニットは、クラウドネットワーク上でコンピュータと通信していてもよい。ＡＩ制御ユニットは、コンピュータに近接していてもよい。ＡＩ制御ユニット（１２０）は、コンピュータ（１１０）に対して遠隔に位置していてもよい（例えば、ＡＩ制御ユニット（１２０）は、コンピュータ（１１０）から少なくとも０．５マイル、１マイル、１０マイル、または１００マイル離れていてもよい）。いくつかの例では、ＡＩ制御ユニットは、コンピュータの、少なくとも約１マイクロメートル（μｍ）、２μｍ、３μｍ、４μｍ、５μｍ、６μｍ、７μｍ、８μｍ、９μｍ、１０μｍ、２０μｍ、３０μｍ、４０μｍ、５０μｍ、６０μｍ、７０μｍ、８０μｍ、９０μｍ、１００μｍ、２００μｍ、３００μｍ、４００μｍ、５００μｍ、６００μｍ、７００μｍ、８００μｍ、９００μｍ、１センチメートル（ｃｍ）、２ｃｍ、３ｃｍ、４ｃｍ、５ｃｍ、６ｃｍ、７ｃｍ、８ｃｍ、９ｃｍ、１０ｃｍ、１００ｃｍ、２００ｃｍ、３００ｃｍ、４００ｃｍ、５００ｃｍ、６００ｃｍ、７００ｃｍ、８００ｃｍ、９００ｃｍ、１，０００ｃｍ、またはそれ以上の距離内に位置していてもよい。ＡＩ制御ユニットは、コンピュータの、最大で約１，０００ｃｍ、９００ｃｍ、８００ｃｍ、７００ｃｍ、６００ｃｍ、５００ｃｍ、４００ｃｍ、３００ｃｍ、２００ｃｍ、１００ｃｍ、９０ｃｍ、８０ｃｍ、７０ｃｍ、６０ｃｍ、５０ｃｍ、４０ｃｍ、３０ｃｍ、２０ｃｍ、１０ｃｍ、９ｃｍ、８ｃｍ、７ｃｍ、６ｃｍ、５ｃｍ、４ｃｍ、３ｃｍ、２ｃｍ、１ｃｍ、９００μｍ、８００μｍ、７００μｍ、６００μｍ、５００μｍ、４００μｍ、３００μｍ、２００μｍ、１００μｍ、９０μｍ、８０μｍ、７０μｍ、６０μｍ、５０μｍ、４０μｍ、３０μｍ、２０μｍ、１０μｍ、９μｍ、８μｍ、７μｍ、６μｍ、５μｍ、４μｍ、３μｍ、２μｍ、１μｍ、またはそれ以下の距離内に位置していてもよい。ＡＩ制御ユニットは、前述の値の任意の２つによって定義される範囲内にあるコンピュータの距離内に位置していてもよい。ＡＩ制御ユニットは、計算の実施中の、ＡＩ制御ユニットと非古典的コンピュータとの間の通信遅延を低下させる、または最小限に抑えるような方法で、コンピュータの近接に位置していてもよい。コンピュータの近接にＡＩ制御ユニットを伴う配置は、著しいノイズおよび／または短い量子コヒーレンス時間を特徴とする、直近の非古典的コンピュータには特に有利であるかもしれない。

ＡＩ制御ユニット（１２０）は、メモリをさらに含んでもよい。メモリは、少なくとも１つのＡＩ手順を実行するための命令を含んでもよい。

システム（１００）は、それぞれ図２、図３、図４、図５、図１３、および図１４に関して本明細書に記載される、方法（２００）、（３００）、（４００）、（５００）、（１３００）、および（１４００）の任意の１以上などの、本明細書に記載される方法の任意の１以上を実施するために使用されてもよい。

ある態様では、本開示は、訓練された人工制御ユニットを使用して計算を実行するための方法を提供する。方法は、１以上の調整不可能なパラメータを取得する工程と、ＡＩ制御ユニットによって指示される１以上の調整不可能なパラメータと調整可能なパラメータを使用して、コンピュータを構成する工程と、コンピュータを使用して、計算の次のセグメントを実行する工程と、計算の表現を取得するために、少なくとも１以上のレジスタの１以上の計測を実行する工程と、計算の最後までの計算の表現を取得するために、コンピュータを使用して計算の次のセグメントを実行する工程と、少なくとも１以上のレジスタの１以上の計測を実行する工程とを繰り返す工程と、計算を示すレポートを出力する工程と、を含む。

図２は、ＡＩを使用して計算を実行するための方法（２００）の例についてのフローチャートを示す。第１の操作（２１０）では、方法（２００）は、１以上の調整不可能なパラメータと、１以上の調整可能なパラメータとを取得する工程を含んでもよい。操作（２１０）は、ＡＩ制御ユニットによって指示されるパラメータを使用してコンピュータを構成する工程を、追加的に含んでもよい。ＡＩ制御ユニットは、図１のシステム（１００）に関して本明細書に記載される任意のＡＩ制御ユニットなどの、本明細書に記載される任意のＡＩ制御ユニットであってもよい。ＡＩ手順は、図１のシステム（１００）に関して本明細書に記載される任意のＡＩ手順などの、本明細書に記載される任意のＡＩ手順であってもよい。例えば、ＡＩ手順は、図１４の方法（１４００）に関して本明細書に記載される、訓練手順を含んでもよい。いくつかの実施形態では、ＡＩ手順は、図４の方法（４００）に関して本明細書に記載される、訓練手順を含んでもよい。ＡＩ手順は、図５の方法（５００）に関して本明細書に記載される、推論手順を含んでもよい。

第２の操作（２２０）では、方法（２００）は、コンピュータを使用して計算のセグメントを実行する工程を含んでもよい。

第３の操作（２３０）では、方法（２００）は、計算の表現を取得するために、１以上のレジスタの１以上の計測を実行する工程を含んでもよい。表現は、図１のシステム（１００）に関して本明細書に記載される任意の表現などの、本明細書に記載される任意の表現であってもよい。

第４の操作（２４０）では、方法（２００）は、計算の表現を示すレポートを電子的に出力する工程を含んでもよい。

方法（２００）は、計算中に調整可能なパラメータを変更するために、ＡＩ手順を使用する工程をさらに含んでもよい。調整可能なパラメータを変更するためにＡＩ手順を使用する工程は、計算の過程中に計算を変更してもよい。方法（２００）は、ＡＩ手順を保存するか実行するために、ＡＩ制御ユニットを使用する工程をさらに含んでもよい。方法は、計算中にＡＩ手順をさらに変更してもよい。方法は、計算中に調整可能なパラメータを変更するために、ＡＩ制御ユニットを使用する工程をさらに含んでもよい。調整可能なパラメータの変更は、計算の過程中に計算を変更してもよい。

ある態様では、本開示は、計算を実行するために、少なくとも１つの非古典的コンピュータと少なくとも１つの古典的コンピュータとを含む、ハイブリッド計算システムを使用するための方法を提供する。該方法は、少なくとも１つの人工知能（ＡＩ）手順を実行して非古典的コンピュータによって実施される計算のための１以上の調整可能なパラメータを決定するために、少なくとも１つの古典的コンピュータを使用する工程を含む。 次に、少なくとも１つの非古典的コンピュータは、結果を生成するために、１以上の調整可能なパラメータで計算を実行するのに使用されてもよい。その後、方法は、結果を電子的に出力する工程を含んでもよい。

図３は、計算を実施するために、少なくとも１つの非古典的コンピュータと少なくとも１つの古典的コンピュータを含む、ハイブリッド計算システムを使用するための方法（３００）の例についてのフローチャートを示す。

第１の操作（３１０）では、方法（３００）は、少なくとも１つの人工知能（ＡＩ）手順を実行して非古典的コンピュータによって実施される計算のための１以上の調整可能なパラメータを決定するために、少なくとも１つの古典的コンピュータを使用する工程を含む。古典的コンピュータは、図１のシステム（１００）に関して本明細書に記載される任意の古典的コンピュータなどの、本明細書に記載される任意の古典的コンピュータであってもよい。ＡＩ手順は、図１のシステム（１００）に関して本明細書に記載される任意のＡＩ手順などの、本明細書に記載される任意のＡＩ手順であってもよい。

例えば、ＡＩ手順は、図１４の方法（１４００）に関して本明細書に記載される、訓練手順を含んでもよい。いくつかの実施形態では、ＡＩ手順は、図４の方法（４００）に関して本明細書に記載される、訓練手順を含んでもよい。ＡＩ手順は、図５の方法（５００）に関して本明細書に記載される、推論手順を含んでもよい。非古典的コンピュータは、図１のシステム（１００）に関して本明細書に記載される任意の非古典的コンピュータなどの、本明細書に記載される任意の非古典的コンピュータであってもよい。

第２の操作（３２０）では、方法（３００）は、結果を生成するために、１以上の調整可能なパラメータで計算を実行するための少なくとも１つの非古典的コンピュータを使用する工程を含んでもよい。

第３の操作（３３０）では、方法（３００）は、結果を電子的に出力する工程を含んでもよい。

方法（３００）は、図２の方法（２００）に関して本明細書に記載される、任意の操作を含んでもよい。

ＡＩ制御ユニットの訓練
訓練モードでは、ＡＩ制御ユニットは、最適な調整可能なパラメータのその認知を向上させ得る。（特定の量子計算、量子古典計算、または古典計算などの）特定の計算上でＡＩ制御ユニットを訓練するために、調整不可能なパラメータによって表示される入力の多数のインスタンスがコンピュータに（例えば、計算レジスタの様々な初期化、量子オラクルを再プログラムすることなどによって）提供されてもよい。アルゴリズムの各インスタンスの各実行では、計算の複数のセグメントでレジスタの初期化および計測が実行されてもよい。ＡＩ制御ユニットは、実行された計測から計算の表示の指示を受信してもよい。コンピュータが量子コンピュータである実施形態では、ＡＩ制御ユニットは、計算の現在の状態に関する部分情報を表すシンドロームデータを受信してもよい。アルゴリズムの各インスタンスの各実行の終わりに、レジスタは計測されてもよい。コンピュータが量子コンピュータである実施形態では、アルゴリズムの各インスタンスの各実行の終わりに、計算レジスタは計測される。結果として生じた（古典的情報などの）情報は、手順またはヒューリスティックが望ましい問題をどれくらいよく解決したか、あるいは、それがどれくらいよく計算を実施したかを示す場合がある。したがって、ＡＩ制御ユニットのための計算の最も重要なセグメントは、計算のレジスタの実行の終わりであってもよい。

ある態様では、本開示は、本明細書に記載されるシステムを使用して、ＡＩ制御ユニットを訓練するための方法を提供し、該方法は、計算を実行するために少なくとも１つのコンピュータ、および計算を制御するために構成された少なくとも１つのＡＩ制御ユニットを含む。該方法は、１以上の調整不可能なパラメータの１以上のインスタンスを取得する工程と、調整可能なパラメータと、ＡＩ制御ユニットパラメータと、を取得する工程と、ＡＩ制御ユニットパラメータを使用して、ＡＩ制御ユニットを構成する工程と、１以上の調整不可能なパラメータの少なくとも１つのインスタンスを選択する工程と、調整不可能なパラメータの少なくとも１つのインスタンス、および調整可能なパラメータを使用して、コンピュータを構成する工程であって、ここで、調整可能なパラメータは、ＡＩ制御ユニットによって指示される工程と、コンピュータを使用して、計算の次のセグメントを実行する工程と、計算の表現を取得するために１以上のレジスタの少なくとも１つの１以上の計測を実行する工程と、１以上の調整不可能なパラメータの少なくとも１つのインスタンスを選択することと、調整不可能なパラメータの少なくとも１つのインスタンスおよび調整可能なパラメータを使用してコンピュータを構成することであって、ここで、調整可能なパラメータは、ＡＩ制御ユニットによって指示されることと、コンピュータを使用して、計算の次のセグメントを実行することと、複数回計算の表現を取得するために、１以上のレジスタの少なくとも１つの１以上の計測を実行することと、を繰り返す工程と、複数回実行された計算を示すレポートを出力する工程と、レポートに基づいて、ＡＩ制御ユニットパラメータを修正することによってＡＩ制御ユニットを再構成する工程と、停止基準が充足されるまで上記処理する工程を繰り返す工程と、を含んでもよい。

ある態様では、ＡＩ制御ユニットを訓練する方法は、（ａ）１以上の調整不可能なパラメータ、１以上の調整可能なパラメータおよびＡＩ制御ユニットパラメータを取得する工程と、（ｂ）ＡＩ制御ユニットパラメータを使用して、ＡＩ制御ユニットを構成する工程と、（ｃ）１以上の調整不可能なパラメータおよび１以上の調整可能なパラメータを使用して、コンピュータを構成する工程であって、ここで、１以上の調整可能なパラメータの値は、ＡＩ制御ユニットによって指示される工程と、（ｄ）コンピュータを使用して、計算を実行する工程と、（ｅ）計算の表現を取得するために１以上の計測を実行する工程と、（ｆ）計算を示すレポートを出力する工程と、（ｇ）レポートに基づいて、ＡＩ制御ユニットパラメータを修正することによってＡＩ制御ユニットを再構成する工程と、を含んでもよい。

ＡＩ制御ユニットおよびコンピュータは、計算の実行するためのシステムを含んでもよく、ここで、システムは、任意の態様または実施形態のシステムをさらに含む。計算のセグメントの表現を取得するために、１以上のレジスタの少なくとも１つの１以上の計測を実行する工程は、（ａ）セグメントが計算のため最後のセグメントではない場合、１以上の計測は、シンドロームデータを含み、（ｂ）セグメントが計算のための最後のセグメントである場合、１以上の計測は、計算データを含むこと、を含んでもよい。

図１４は、図１のシステム（１００）に関して本明細書に記載される任意のシステムなどの、本明細書に記載されるシステムを使用して、ＡＩ制御ユニットを訓練するための方法（１４００）の例のフローチャートを示す。

第１の操作（１４０２）では、方法（１４００）は、１以上の調整不可能なパラメータの１以上のインスタンスを取得する工程を含んでもよい。コンピュータは、図１のシステム（１００）に関して本明細書に記載される任意のコンピュータなどの、本明細書に開示される任意のコンピュータであってもよい。いくつかの実施形態では、コンピュータは非古典的コンピュータである。例えば、コンピュータは、本明細書に記載される任意の量子コンピュータであってもよい。コンピュータは、制御ユニットを含んでもよい。ＡＩ制御ユニットは、図１のシステム（１００）に関して本明細書に記載される任意のＡＩ制御ユニットなどの、本明細書に記載される任意のＡＩ制御ユニットであってもよい。ＡＩ制御ユニットは訓練される。ＡＩ手順は、図１のシステム（１００）に関して本明細書に記載される任意のＡＩ手順などの、本明細書に記載される任意のＡＩ手順であってもよい。例えば、ＡＩ手順は、図１４の方法（１４００）に関して本明細書に記載される訓練手順を含んでもよい。いくつかの実施形態では、ＡＩ手順は、図４の方法（４００）に関して本明細書に記載される訓練手順を含んでもよい。ＡＩ手順は、図５の方法（５００）に関して本明細書に記載される推論手順を含んでもよい。ＡＩ制御ユニットは、１以上の調整可能なパラメータをコンピュータに指示するように構成されてもよい。コンピュータは、１以上のレジスタおよび計測ユニットを含んでもよい。

計測ユニットは、１以上のレジスタの状態の表現を決定するために、１以上のレジスタの少なくとも１つの状態を計測するように構成されてもよく、これによって、計算の表現を決定する。計測ユニットは、図１のシステム（１００）に関して本明細書に記載される任意の計測ユニットなどの、本明細書に記載される任意の計測ユニットであってもよい。

第２の操作（１４０４）では、方法（１４００）は、調整可能なパラメータおよびＡＩ制御ユニットパラメータを取得する工程を含んでもよい。

第３の操作（１４０６）では、方法（１４００）は、ＡＩ制御ユニットパラメータを使用して、ＡＩユニットを構成する工程を含んでもよい。

第４の操作（１４０８）では、方法（１４００）は、１以上の調整不可能なパラメータの少なくとも１つのインスタンスを選択する工程を含んでもよい。

第５の操作（１４１０）では、方法（１４００）は、調整不可能なパラメータの少なくとも１つのインスタンス、および調整可能なパラメータを使用して、コンピュータを構成する工程を含んでもよく、ここで、調整可能なパラメータは、ＡＩ制御ユニットによって指示される。一実施形態では、ＡＩ制御ユニットはフィードフォワード・ニューラルネットワークを含む。本実施形態では、ＡＩ制御ユニットによって調整可能なパラメータを指示する工程は、ニューラルネットワーク上でフィードフォワード計算を実行することと、調整可能なパラメータの値を提供することと、を含む。

第６の操作（１４１２）では、方法（１４００）は、コンピュータを使用して、計算の次のセグメントを実行する工程を含んでもよい。

第７の操作（１４１４）では、方法（１４００）は、計算の表現を取得するために、レジスタの少なくとも１つの１以上の計測を実行する工程を含んでもよい。計測が最後のセグメント計算の後に実行された場合、計測は計算データを含む。計測が最後のセグメント計算の前に、かつコンピュータが量子コンピュータである実施形態で実行された場合、計測はシンドロームデータを含む。シンドロームデータは、計算の現在の状態について部分情報の表現であってもよい。

第８の操作（１４１６）では、方法（１４００）は、操作（１４０８）、（１４１０）、（１４１２）および（１４１４）を複数回繰り返す工程を含んでもよい。

第９の操作（１４１８）では、方法（１４００）は、前の操作で実行された計算を示すレポートを出力する工程を含んでもよい。

第１０の操作（１４２０）では、方法（１４００）は、レポートに基づいて、ＡＩ制御ユニットパラメータを修正することによってＡＩ制御ユニットを再構成する工程を含んでもよい。一実施形態では、ＡＩ制御ユニットは、ニューラルネットワークを含む。本実施形態では、ＡＩ制御ユニットパラメータは、ニューラルネットワークウェイトである。本明細書において、ＡＩ制御ユニットパラメータを修正することは、ニューラルネットワークウェイトを更新することを含む。レポートに基づいて、ＡＩ制御ユニットパラメータを修正ことは、教師あり機械学習などの任意の機械学習プロトコルに従ってもよい。レポートに基づいて、ＡＩ制御ユニットパラメータを修正することは、ニューラルネットワーク上で実行された逆伝搬計算を含んでもよい。

第１１の操作（１４２２）では、方法（１４００）は、停止基準が充足されるまで操作（１４０８）、（１４１０）、（１４１２）、（１４１４）、（１４１６）、（１４１８）および（１４２０）を繰り返す工程を含んでもよい。停止基準は、ＡＩ制御ユニットパラメータの収束であってもよい。停止基準は、１以上の調整不可能なパラメータのインスタンスのリストの終わりになり得る。

ＡＩ駆動計算の実施
訓練されたＡＩ制御ユニットで計算を実行するのために本明細書に記載されるシステムを使用する際、ＡＩ制御ユニットは、そのＡＩ制御ユニットパラメータを更新することなく、計算の各セグメントに対して調整可能なパラメータの値を提供する。結果として、調整可能なパラメータは、計算中に更新されない。ＡＩ制御ユニットは、計算を実行するために、計算の各セグメントのための調整可能なパラメータの最良選択をコンピュータに指示する。計算の過程は、計算の各セグメントのための、訓練されたＡＩ制御ユニットによって指示された調整可能なパラメータの値に基づいて変更される。

ある態様では、本開示は、本明細書に記載されるシステムを使用して、使用するための方法を提供し、該方法は、計算を実施するために少なくとも１つのコンピュータ、および計算を制御するために構成された少なくとも１つのＡＩ制御ユニットを含む。該方法は、１以上の調整不可能なパラメータを取得する工程と、訓練されたＡＩ制御ユニットによって指示された、取得された調整不可能なパラメータおよび調整可能なパラメータを使用して、コンピュータを構成する工程と、コンピュータを使用して、計算の次のセグメントを実行する工程と、計算の表現を取得するために１以上の計測を実行する工程と、コンピュータを使用して、計算の次のセグメントを実行することと、計算の表現を取得するために１以上の計測を実行することと、を繰り返す工程と、計算を示すレポートを出力する工程と、を含んでもよい。

図１３は、本明細書に記載されるように、コンピュータを使用して、計算を実行するための方法（１３００）の例のフローチャートを示す。

第１の操作（１３０２）では、方法（１３００）は、１以上の調整不可能なパラメータを取得する工程を含んでもよい。コンピュータは、図１のシステム（１００）に関して本明細書に記載される任意のコンピュータなどの、本明細書に開示される任意のコンピュータであってもよい。いくつかの実施形態では、コンピュータは非古典的コンピュータである。例えば、コンピュータは、本明細書に記載される任意の量子コンピュータであってもよい。コンピュータは、制御ユニットを含んでもよい。ＡＩ制御ユニットは、図１のシステム（１００）に関して本明細書に記載される任意のＡＩ制御ユニットなどの、本明細書に記載される任意のＡＩ制御ユニットであってもよい。ＡＩ制御ユニットは訓練される。ＡＩ手順は、図１のシステム（１００）に関して本明細書に記載される任意のＡＩ手順などの、本明細書に記載される任意のＡＩ手順であってもよい。例えば、ＡＩ手順は、図１７の方法（１７００）に関して本明細書に記載される訓練手順を含んでもよい。いくつかの実施形態では、ＡＩ手順は、図４の方法（４００）に関して本明細書に記載される訓練手順を含んでもよい。ＡＩ手順は、図５の方法（５００）に関して本明細書に記載される推論手順を含んでもよい。ＡＩ制御ユニットは、１以上の調整可能なパラメータをコンピュータに指示するように構成されてもよい。コンピュータは、１以上のレジスタおよび計測ユニットを含んでもよい。

計測ユニットは、１以上のレジスタの状態の表現を決定するために、少なくとも１つのまたは１以上のレジスタの状態を計測するように構成されてもよく、これによって計算の表現を決定する。計測ユニットは、図１のシステム（１００）に関して本明細書に記載される任意の計測ユニットなどの、本明細書に記載される任意の計測ユニットであってもよい。

第２の操作（１３０４）では、方法（１３００）は、調整不可能なパラメータ、および調整可能なパラメータを使用して、コンピュータを構成する工程を含んでもよく、ここで、調整可能なパラメータは、訓練されたＡＩ制御ユニットによって指示される。

第３の操作（１３０６）では、方法（１３００）は、コンピュータを使用して、計算の次のセグメントを実行する工程を含んでもよい。初期セグメントでは、次のセグメントは初期セグメントであってもよい。

第４の操作（１３０８）では、方法（１３００）は、計算の表現を取得するために、レジスタの１つの１以上の計測を実行する工程を含んでもよい。表現は、図１のシステム（１００）に関して本明細書に記載された任意の表現などの、本明細書に記載される任意の表現であってもよい。

第５の操作（１３１０）では、方法（１３００）は、停止基準が充足されているか否か、と決定する工程を含んでもよい。

第６の操作（１３１２）では、方法（１３００）は、計算の表現を示すレポートを電子的に出力することを含んでもよい。

ＲＬ駆動量子計算の訓練
訓練モードでは、ＡＩ制御ユニットは、最適方策のその認知を向上させ得る。（特定の量子計算、量子古典計算、または古典計算などの）特定の計算にＡＩ制御ユニットを訓練させるために、手順の入力の多くのインスタンスが計算サブシステムに（例えば、計算レジスタの様々な初期化、量子オラクルを再プログラムすることなどによって）提供されてもよい。アルゴリズムの各インスタンスの各実行では、シンドロームサブシステムの初期化、エンタングルメントおよび計測が、複数の状態行動エポックで実行されてもよい。ＡＩ制御ユニットは、実行された計測から即時報酬を受け取ってもよい。量子アルゴリズムの各インスタンスの各実行の終わりに、計算サブシステムは計測されてもよい。結果として生じた情報（古典的情報などの）は、手順またはヒューリスティックが望ましい問題をどれくらいよく解決したか、あるいは、それがどれくらいよく計算を実施したかを示す場合がある。したがって、ＡＩ制御ユニットの最も重要な状態行動エポックは、計算のインスタンスの実行の終わりにあってもよく、ここで、即時報酬は、計算の結果の有用性に関連して取得されてもよい。

ある態様では、本開示は、ハイブリッドコンピュータを訓練するための方法を提供し、該ハイブリッドコンピュータは、計算を実行するために少なくとも１つの古典的コンピュータおよび少なくとも１つの非古典的コンピュータを含む。該方法は、（ｉ）計算の複数のインスタンスを含む訓練セットを取得し、（ｉｉ）人工知能（ＡＩ）モジュールを取得して、初期化し、（ｉｉｉ）複数のインスタンスのインスタンス、複数の調整可能なパラメータを含むインスタンスを選択し、（ｉｖ）非古典的コンピュータを初期化し、（ｖ）複数の状態行動エポックを含む状態行動エポックスケジュールを初期化するために古典的コンピュータを使用する工程を含んでもよい。非古典的コンピュータは、（１）１以上の計算量子ビットを含む少なくとも１つの計算レジスタであって、ここで、計算レジスタは、１以上の計算量子ビットを使用して、計算を実行するように構成される、計算レジスタと、（２）１以上の計算量子ビットとは異なる１以上のシンドローム量子ビットを含む少なくとも１つのシンドロームレジスタであって、ここで、１以上のシンドローム量子ビットは、１以上の計算量子ビットと量子学的にもつれており、および１以上のシンドローム量子ビットが計算の実行のためのものではない、少なくとも１つのシンドロームレジスタと、（３）１以上の計算量子ビットの１以上の状態の表現を決定するために、１以上のシンドローム量子ビットの１以上の状態を計測するように構成された少なくとも１つの計測ユニットであって、これによって計算の表現を決定する少なくとも１つの計測ユニットと、を含んでもよい。次に、該方法は、（ｉ）複数の状態行動エポックの次の状態行動エポックまでの例インスタンスを実行し、（ｉｉ）選択されたインスタンスに対応する即時報酬を取得するためにシンドロームレジスタの１以上の計測を実行し、（ｉｉｉ）古典的コンピュータに即時報酬の表示を提供し、これによって、即時報酬に基づいてＡＩモジュールを訓練するために非古典的コンピュータを使用する工程を含んでもよい。次に、ＡＩモジュールは、複数の調整可能なパラメータから調整可能なパラメータのセットを提供するために使用されてもよい。その後、非古典的コンピュータの操作は、第１の停止基準が充足されるまで、繰り返されてもよい。最後に、古典的および非古典的コンピュータの操作は、第２の停止基準が充足されるまで、繰り返されてもよい。

ある態様では、計算を実行するために少なくとも１つの人工知能（ＡＩ）制御ユニットおよび少なくとも１つの非古典的コンピュータを含むハイブリッドコンピュータを訓練するための方法は、（ａ）ＡＩ制御ユニットを、（ｉ）計算の複数のインスタンスを含む訓練セットを取得する、（ｉｉ）ＡＩ制御ユニットパラメータおよび調整可能なパラメータを取得して、初期化する、（ｉｉｉ）複数のインスタンスのインスタンスを選択する、（ｉｖ）少なくとも１つの非古典的コンピュータを初期化する、（ｖ）複数の状態行動エポックを含む状態行動エポックスケジュールを取得して初期化するために使用する工程と、（ｂ）少なくとも１つの非古典的コンピュータを、（ｉ）複数の状態行動エポックの次の状態行動エポックまでのインスタンスを実行し、（ｉｉ）選択されたインスタンスに対応する即時報酬を取得するためにシンドロームレジスタの１以上の計測を実行し、（ｉｉｉ）古典的コンピュータに即時報酬の指示を提供し、これによって、即時報酬に基づいてＡＩ制御ユニットパラメータを更新するために使用する工程と、（ｃ）複数の調整可能なパラメータから調整可能なパラメータのセットを提供するためにＡＩ制御ユニットを使用する工程と、（ｄ）第１の停止基準が充足されるまで、（ｂ）を繰り返す工程と、（ｅ）第２の停止基準が充足されるまで、（ａ）（ｉｉｉ）～（ｄ）を繰り返す工程と、を含んでもよい。

図４は、計算の実施するためのＡＩモジュールを訓練するための方法（４００）の例のフローチャートを示す。

第１の操作（４０２）では、方法（４００）は、計算のインスタンスの訓練セットを取得する工程を含んでもよい。計算は、量子計算、量子古典的計算、または古典的計算などの、本明細書に記載される任意の計算であってもよい。訓練セットでの計算の各インスタンスは、計算を表す調整可能なおよび調整不可能な（または静的な）命令のセット、ならびに中間および終端の状態行動エポックを表す報酬関数を含んでもよい。

第２の操作（４０４）では、方法（４００）は、訓練可能な方策および状態行動エポックスケジュールを含むＡＩモジュールを取得して初期化する工程を含んでもよい。ＡＩモジュールは、ＭＬモジュールまたはＲＬモジュールなどの、本明細書に記載される任意のＡＩモジュールを含んでもよい。

第３の操作（４０６）では、方法（４００）は訓練セットから新しい計算インスタンスを選択する工程を含んでもよい。新しい計算インスタンスは、新しい量子計算インスタンス、量子古典的計算例、または古典的計算インスタンスを含んでもよい。

第４の操作（４０８）では、方法（４００）は、非古典的デバイスを初期化する工程を含んでもよい。非古典的デバイスは、シンドロームサブシステムおよび計算サブシステムを含んでもよい。非古典的デバイスは、（例えば、図１のシステム（１００）に関して）本明細書に記載される任意の量子デバイスを含んでもよい。シンドロームサブシステムは、（例えば、図１のシステム（１００）に関して）本明細書に記載される任意のシンドロームサブシステムを含んでもよい。計算サブシステムは、（例えば、図１のシステム（１００）に関して）本明細書に記載される任意の計算サブシステムを含んでもよい。

第５の操作（４１０）では、方法（４００）は、状態行動エポックスケジュールを初期化する工程を含んでもよい。

第６の操作（４１２）では、方法（４００）は、次の状態行動エポックまでの計算インスタンスの命令のセグメントを実行する工程を含んでもよい。

第７の操作（４１４）では、方法（４００）は、シンドロームサブシステム計測を実行する工程、および即時報酬を取得する工程を含んでもよい。第７の操作（４１４）は、第６の操作（４１２）の次の状態行動エポックに至り次第、実施されてもよい。

第８の操作（４１６）では、方法（４００）は、ＡＩモジュールをさらに訓練する工程を含んでもよい。ＡＩモジュールは、シンドロームサブシステムの計測結果、即時報酬、およびＡＩモジュールの現在の方策に基づいて訓練されてもよい。

計算の現在のインスタンスの次の状態行動エポックが、終端状態行動エポックではない限り、第６の、第７の、および第８の操作（４１２）、（４１４）および（４１６）のいずれか、少なくともサブセット、または全ては、少なくとも１、２、３、４、５、６、７、８、９、１０、１００またはそれ以上の回数繰り返されてもよい。

第９の操作（４１８）では、方法（４００）は、計算のための調整可能なパラメータの新しいセットを提供するために、ＡＩモジュールを使用する工程を含んでもよい。

第１０の操作（４２０）では、方法（４００）は、調整可能な命令の新しいセットを提供するために、調整可能なパラメータの新しいセットを使用する工程を含んでもよい。

第１１の操作（４２２）では、方法（４００）は、計算の現在のインスタンスの停止基準が充足されたか否か、と決定する工程を含んでもよい。停止基準が充足されていない場合、計算の現在のインスタンスの停止基準が充足されるまで、第６の、第７の、第８の、第９の、および第１０の操作（４１２）、（４１４）、（４１６）、（４１８）および（４２０）のいずれか、少なくともサブセット、または全ては、少なくとも１、２、３、４、５、６、７、８、９、１０、１００またはそれ以上の回数それぞれ繰り返されてもよい。停止基準が充足されている場合、方法（４００）は、第１２の操作（４２４）に進んでもよい。

第１２の操作（４２４）では、方法（４００）は、（古典的情報などの）情報および計算の現在のインスタンスの終端状態行動エポックの報酬を取得するために、計算サブシステムの計測を実行する工程を含んでもよい。

第１３の操作（４２６）では、方法（４００）は、終端状態行動エポックでＡＩモジュールを訓練する工程を含んでもよい。

第１４の操作（４２８）では、方法（４００）は、ＡＩモジュールの訓練の停止基準が充足されているか否か、を決定する工程を含んでもよい。停止基準が充足されていない場合、停止基準が充足されるまで、第３の、第４の、第５の、第６の、第７の、第８の、第９の、第１０の、第１１の、第１２の、および第１３の操作（４０６）、（４０８）、（４１０）、（４１２）、（４１４）、（４１６）、（４１８）、（４２０）、（４２２）、（４２４）および（４２６）のいずれか、少なくともサブセット、または全ては、少なくとも１、２、３、４、５、６、７、８、９、１０、１００またはそれ以上の回数それぞれ繰り返されてもよい。停止基準が充足されている場合、ＡＩモジュールの訓練のための方法は終了してもよい。

ＲＬ駆動量子計算の実施
推定モードでは、エージェントは、それが発見した方策における改善を追求するように義務づけられなくてもよい。代わりに、それは、単にシンドロームサブシステムの計測の関数としてアークションの最良選択を提供してもよい。いくつかの実施形態では、１以上の古典的ニューラルネットワークは、最適方策を保存するために関数アプロキシメータとして使用されてもよい。その後、推定は、ニューラルネットワーク上でフィードフォワード計算を実行する、およびニューラルネットワークの出力層のアクティベーションによって示唆された最良アークションを提供することを含んでもよい。

ある態様では、本開示は、ハイブリッドコンピュータを使用して計算を実行する方法を提供し、該ハイブリッドコンピュータは、少なくとも１つの古典的コンピュータおよび少なくとも１つの非古典的コンピュータを含む。該方法は、古典的コンピュータを、（ｉ）計算を表す命令セットであって、命令が、複数の調整可能な命令、および少なくとも１つの調整不可能な命令セットを含む調整可能な命令セットを含み、命令セットを取得し、（ｉｉ）訓練された方策、および複数の状態行動エポックを含む状態行動エポックスケジュールを含む訓練された人工知能（ＡＩ）モジュールを取得し、（ｉｉｉ）非古典的コンピュータを初期化し、（ｉｖ）複数の状態行動エポックおよび調整可能な命令セットを初期化するために利用する工程を含んでもよい。

ある態様では、少なくとも１つの人工知能（ＡＩ）制御ユニットおよび少なくとも１つの非古典的コンピュータを含むハイブリッドコンピュータを使用して計算を実行するための方法は、（ａ）ＡＩ制御ユニットを、（ｉ）計算を表す命令セットであって、命令が、複数の調整可能な命令を含む調整可能な命令セットを含み、命令セットを取得し、（ｉｉ）訓練された方策、および複数の状態行動エポックを含む状態行動エポックスケジュールを取得し、（ｉｉｉ）少なくとも１つの非古典的コンピュータを初期化し、（ｉｖ）複数の状態行動エポックおよび調整可能な命令セットを初期化するために使用する工程と、（ｂ）少なくとも１つの量子コンピュータを、（ｉ）複数の状態行動エポックの次の状態行動エポックまでの計算を実行し、（ｉｉ）計算の表現を取得するために１以上のレジスタの１以上の計測を実行し、（ｉｉｉ）次の複数の調整可能な命令を取得するために使用する工程と、（ｃ）停止基準が充足されるまで、（ａ）～（ｂ）を繰り返す工程と、を含んでもよい。

図５は、計算を実施するためにＡＩモジュールから推定を提供するための方法（５００）の例のフローチャートを示す。

第１の操作（５０２）では、方法（５００）は、計算を表す命令セットを取得する工程を含んでもよい。計算は、量子計算、量子古典的計算、または古典的計算などの、本明細書に記載される任意の計算であってもよい。計算は、調整可能な、および調整不可能な（または静的な）命令セットを含んでもよい。

第２の操作（５０４）では、方法（５００）は、訓練されたＡＩモジュールを取得する工程を含んでもよい。訓練されたＡＩモジュールは、ＭＬモジュールまたはＲＬモジュールなどの、本明細書に記載される任意のＡＩモジュールを含んでもよい。例えば、訓練されたＡＩモジュールは、図４に関して本明細書に記載される方法（４００）から取得されたＡＩモジュールを含んでもよい。訓練されたＡＩモジュールは、訓練された方策、および（図４の方法（４００）に関して本明細書に記載される、訓練された方策および行動エポックスケジュールなどの）行動エポックスケジュールを含んでもよい。

第３の操作（５０６）では、方法（５００）は、非古典的デバイスを初期化することを含んでもよい。非古典的デバイスは、シンドロームサブシステムおよび計算サブシステムを含んでもよい。非古典的デバイスは、（例えば、図１のシステム（１００）に関して）本明細書に記載される任意の量子デバイスを含んでもよい。シンドロームサブシステムは、（例えば、図１のシステム（１００）に関して）本明細書に記載される任意のシンドロームサブシステムを含んでもよい。計算サブシステムは、（例えば、図１のシステム（１００）に関して）本明細書に記載される任意の計算サブシステムを含んでもよい。

第４の操作（５０８）では、方法（５００）は、状態行動エポックスケジュールの状態行動エポックおよび調整可能なパラメータを初期化する工程を含んでもよい。

第５の操作（５１０）では、方法（５００）は、現在の状態行動エポックから次の状態行動エポックまでの計算命令のセグメントを実行する工程を含んでもよい。計算命令は、調整可能な、および調整不可能な（または静的な）命令を含んでもよい。調整可能な命令は、調整可能なパラメータから取得されてもよい。

第６の操作（５１２）では、方法（５００）は、１以上のレジスタの計測を実行する工程を含んでもよい。１以上のレジスタは、シンドロームサブシステム計測を含んでもよい。

第７の操作（５１４）では、方法（５００）は、調整可能なパラメータの新しいシーケンスを提供するために、計測および訓練されたＡＩモジュールの訓練された方策を使用する工程を含んでもよい。

第８の操作（５１６）では、方法（５００）は、計算のために調整可能な命令の新しいシーケンスを取得する工程を含んでもよい。

第９の操作（５１８）では、方法（５００）は、停止基準が充足されているか、と判定することを含んでもよい。停止基準が充足されていない場合、停止基準が充足されるまで、第５の、第６の、第７の、および第８の操作（５１０）、（５１２）、（５１４）および（５１６）のいずれか、少なくともサブセット、または全ては、少なくとも１、２、３、４、５、６、７、８、９、１０、１００またはそれ以上の回数繰り返されてもよい。停止基準が充足されている場合、第１０の操作（５２０）が実施されてもよい。

第１０の操作（５２０）では、方法（５００）は、（古典的情報などの）情報を取得するために計測を実行する工程、および計算を終了する工程を含んでもよい。

本明細書に提供される方法（２００）、（３００）、（４００）、（５００）、（１３００）および（１４００）に基づく多数の変化形体、変更および適合が可能である。例えば、方法（１００）、（２００）、（３００）、（４００）、（５００）、（１３００）および（１４００）の操作の順序は、変更さてもよく、いくつかの操作が削除され、いくつかの操作が複製され、および必要に応じて追加の操作が追加されてもよい。操作のうちのいくつかは、連続して実行されてもよい。操作のうちのいくつかは、平行して実行されてもよい。操作のうちのいくつかは、一度実行されてもよい。操作のうちのいくつかは、二度以上実行されてもよい。操作のうちのいくつかは、サブ操作を含んでもよい。操作のうちのいくつかは、自動化されてもよく、操作のうちのいくつかは、手動であってもよい。

コンピュータシステム
本開示は、本開示の方法を実施するようにプログラムされるコンピュータシステムを提供する。 図６は、本開示の方法を実施するようにプログラム又は構成される、コンピュータシステム（６０１）を示す。コンピュータシステム（６０１）は、本開示の方法およびシステムの様々な態様を調節することができる。

コンピュータシステム（６０１）は、ユーザーまたはコンピュータシステムの電子デバイスであり、ユーザーまたはコンピュータシステムは電子デバイスに対して遠隔に位置付けられる。電子デバイスはモバイル電子デバイスであり得る。コンピュータシステム（６０１）は、単一コアまたはマルチコアプロセッサ、または並列処理のための複数のプロセッサとすることができる中央処理ユニット（ＣＰＵ、本明細書では「プロセッサ」および「コンピュータプロセッサ」）（６０５）を含む。コンピュータシステム（６０１）は、メモリまたは記憶場所（６１０）（例えば、ランダムアクセスメモリ、読み取り専用メモリ、フラッシュメモリ）、電子記憶デバイス（６１５）（例えば、ハードディスク）、１以上の他のシステムと通信するための通信インターフェース（６２０）（例えば、ネットワークアダプタ）、および周辺機器（６２５）、例えば、キャッシュ、他のメモリ、データ記憶デバイス、および／または電子ディスプレイアダプターも含む。メモリ（６１０）、記憶デバイス（６１５）、インターフェース（６２０）、および周辺機器（６２５）は、マザーボードなどの通信バス（実線）を介してＣＰＵ（６０５）と通信する。記憶デバイス（６１５）は、データを保存するためのデータ記憶デバイス（またはデータレポジトリ）であり得る。コンピュータシステム（６０１）は、通信インターフェース（６２０）の助けによってコンピュータネットワーク（「ネットワーク」）（６３０）に操作可能に接続され得る。ネットワーク（６３０）は、インターネットおよび／またはエクストラネット、インターネットと通信状態にあるイントラネットおよび／またはエクストラネットであり得る。

場合によっては、ネットワーク（６３０）は、電気通信および／またはデータのネットワークである。ネットワーク（６３０）は、１以上のコンピュータサーバを含むことができ、これはクラウドコンピューティングなどの分散コンピューティングを可能にすることができる。例えば、１以上のコンピュータサーバは、本の開示の分析、計算および生成の様々な態様を実行するために、ネットワーク（６３０）（「クラウド」）上のクラウドコンピューティングを可能にし得る。そのようなクラウドコンピューティングは、例えば、Ａｍａｚｏｎ（登録商標）ウェブサービス（ＡＷＳ）、Ｍｉｃｒｏｓｏｆｔ Ａｚｕｒｅ、Ｇｏｏｇｌｅ（登録商標）クラウドプラットフォームおよびＩＢＭクラウドなどのクラウド・コンピューティング・プラットフォームによって提供され得る。ネットワーク（６３０）は、場合によってはコンピュータシステム（６０１）の助けにより、ピアツーピア・ネットワークを実施することができ、これは、コンピュータシステム（６０１）に連結されたデバイスが、クライアントまたはサーバーとして動くことを可能にし得る。「クラウド」サービス（上記のクラウドプラットフォームの１以上を含み）は、データ保存を提供するためにも利用されてもよい。

ＣＰＵ（６０５）は、プログラムまたはソフトウェア中で具体化され得る、マシン読み取り可能な命令のシーケンスを実行できる。この命令は、メモリ（６１０）などのメモリ位置に保存され得る。この命令は、ＣＰＵ（６０５）に向けることができ、これは後に、本開示の方法を実施するようにＣＰＵ（６０５）をプログラムまたは構成することができる。ＣＰＵ（６０５）により実行される操作の例は、フェッチ、デコード、実行、およびライトバックを含み得る。

ＣＰＵ（６０５）は、集積回路などの回路の一部であり得る。システム（６０１）の１以上の他のコンポーネントを回路に含めることができる。場合によっては、その回路は特定用途向け集積回路（ＡＳＩＣ）である。ＣＰＵ（６０５）は、１以上の汎用プロセッサ、１以上のグラフィックスプロセッシングユニット（ＧＰＵ）、またはそれらの組み合わせを含んでもよい。

記憶デバイス（６１５）は、ドライバー、ライブラリ、および保存されたプログラムなどのファイルを記憶できる。記憶デバイス（６１５）はユーザーデータを保存することができる。コンピュータシステム（６０１）は、場合によっては、イントラネットまたはインターネットを通じてコンピュータシステム（６０１）と通信状態にあるリモートサーバー上に位置付けられるなどした、コンピュータシステム（６０１）の外側にある１以上の追加のデータ記憶デバイスを含み得る。

コンピュータシステム（６０１）は、ネットワーク（６３０）を介して１以上の遠隔コンピュータシステムと通信できる。例えば、コンピュータシステム（６０１）はユーザーのリモートコンピュータシステムと通信できる。リモートコンピュータシステムの例は、パーソナルコンピュータ（例えば、持ち運び可能なＰＣ）、スレートまたはタブレットＰＣ（例えば、Ａｐｐｌｅ（登録商標）ｉＰａｄ（登録商標）、Ｓａｍｓｕｎｇ（登録商標）Ｇａｌａｘｙ Ｔａｂ）、電話、スマートフォン（例えば、Ａｐｐｌｅ（登録商標）ｉＰｈｏｎｅ（登録商標）、Ａｎｄｒｏｉｄ－ｅｎａｂｌｅｄデバイス、Ｂｌａｃｋｂｅｒｒｙ（登録商標））、または携帯情報端末を含む。ユーザーは、ネットワーク（６３０）を介してコンピュータシステム（６０１）にアクセスすることができる。ユーザーは、本開示の方法およびシステムの様々な態様を制御または調節することができる。

本明細書に記載されるような方法は、コンピュータシステム（６０１）の電子記憶場所上に、例えば、メモリ（６１０）または電子記憶デバイス（６１５）などに記憶されたマシン（例えば、コンピュータプロセッサ）実行可能なコードとして実行され得る。いくつかの実施形態では、マシン実行可能なまたはマシン読み取り可能なコードは、ソフトウェアの形で提供され得る。使用中、コードはプロセッサ（６０５）により実行され得る。場合によっては、コードは、記憶デバイス（６１５）から検索され、かつプロセッサ（６０５）による即時のアクセスのためにメモリ（６１０）に保存することができる。いくつかの状況において、電子記憶デバイス（６１５）は除外することができ、機械実行可能命令がメモリ（６１０）に保存される。

コードは、コードを実行するように適合されたプロセッサを有するマシンと共に使用するために予めコンパイルかつ構成されることができるか、または実行時にコンパイルされることもできる。コードは、予めコンパイルされた様式、またはコンパイルされたままの様式で、コードを実行可能なように選択できる、プログラミング言語で提供され得る。

コンピュータシステム（６０１）などの本明細書中に提供されるシステムおよび方法の態様は、プログラミングにおいて具体化され得る。この技術の様々な態様は、典型的に一種の機械可読媒体上で運ばれるまたはそれに埋め込まれる機械（またはプロセッサ）実行可能コードおよび／または関連データの形で、「製品」または「製造用品」として考慮され得る。マシン実行可能コードは、メモリ（例えば、リードオンリーメモリ、ランダムアクセスメモリ、フラッシュメモリソリッドステートメモリ）またはハードディスクなどの電子記憶デバイスに記憶することができる。「記憶」型の媒体は、様々な半導体メモリ、テープドライブ、ディスクドライブなどの、コンピュータやプロセッサの有形メモリ、あるいはその関連するモジュールのいずれかまたは全てを含むことができ、これらは、ソフトウェアのプログラミングのためにいかなる時も非一時的な記憶を提供し得る。ソフトウェアの全てまたは一部は、インターネットまたは様々な他の電気通信ネットワークを介して時々通信される。そのような通信は、例えば、１つのコンピュータまたはプロセッサから別のものへの、例えば、管理サーバーまたはホストコンピュータからアプリケーションサーバーのコンピュータプラットフォームへのソフトウェアのローディングを可能にし得る。したがって、ソフトウェア要素を保持し得る別のタイプの媒体には、ローカルデバイス間の有線および光陸上通信線ネットワーク、および様々なエアリンクを介して使用されるような、光、電気、および電磁波が含まれる。有線または無線リンク、光リンクなどの、このような波を運ぶ物理的要素もまた、ソフトウェアを保持する媒体とみなしてもよい。本明細書に使用されるように、非一時的な有形「記憶」媒体に限定されない限り、コンピュータまたはマシンの「可読媒体」などの用語は、実行のためのプロセッサに命令を提供する際に関与する任意の媒体を指す。

従って、コンピュータ実行可能コードなどのマシン可読媒体は、有形ストレージ媒体、搬送波媒体または物理的伝送媒体を含むが、これに限定されない、多くの形態をとってもよい。不揮発性ストレージ媒体は、例えば、図面に示されるデータベースなどを実施するために使用されることもあるような、任意のコンピュータ（複数可）などにおける、記憶デバイスのいずれかなどの光学ディスクまたは磁気ディスクを含む。揮発性ストレージ媒体は、そのようなコンピュータプラットフォームのメインメモリのような動的メモリを含む。有形送信媒体は、同軸ケーブル；コンピュータシステム内のバスを含むワイヤーを含む、銅線および光ファイバーを含んでいる。搬送波送信媒体は、無線周波（ＲＦ）および赤外線（ＩＲ）データ通信中に生成されたものなどの、電気信号または電磁気信号、あるいは音波または光波の形態をとり得る。したがって、コンピュータ可読媒体の共通の形式は、例えば：フロッピーディスク、フレキシブルディスク、ハードディスク、磁気テープ、他の磁気媒体、ＣＤ－ＲＯＭ、ＤＶＤもしくはＤＶＤ－ＲＯＭ、他の光学媒体、パンチカード、紙テープ、穴のパターンを有する他の物理的な記憶媒体、ＲＡＭ、ＲＯＭ、ＰＲＯＭおよびＥＰＲＯＭ、ＦＬＡＳＨ－ＥＰＲＯＭ、他のメモリチップもしくはカートリッジ、データもしくは命令を運ぶ搬送波、そのような搬送波を伝達するケーブルもしくはリンク、またはコンピュータがプログラミングのコードおよび／またはデータを読み取り得る他の媒体を含む。コンピュータ可読媒体のこれらの形態の多くは、実行のためにプロセッサに１以上の命令の１以上のシーケンスを運ぶことに関与することがある。

コンピュータシステム（６０１）は、ユーザーインターフェース（ＵＩ）（６４０）を含む電子ディスプレイ（６３５）を含む、またはそれと通信することができる。ＵＩの例は、限定されないが、グラフィカルユーザーインターフェース（ＧＵＩ）およびウェブベースのユーザーインターフェースを含む。

コンピュータシステム（６０１）は、例えば、量子アルゴリズム（例えば、量子機械エネルギーおよび／または電子構造計算）を実行するための非古典的コンピュータ（例えば、量子コンピュータ）（６４５）を含む、またはそれと通信することができる。非古典的コンピュータ（１０４５）は、中央処理ユニット（６０５）および／またはネットワーク（６３０）（例えば、クラウド）と操作可能に結合されてもよい。

本開示のコンピュータシステムは、例えば、国際出願ＰＣＴ／ＣＡ２０１７／０５０７０９、米国出願第１５／４８６，９６０号、米国特許第９，５３７，９５３号および米国特許第９，６６０，８５９号に記載された通りであってもよく、それらの各々は、参照によって本明細書に全体として組み込まれる。

本開示の方法およびシステムは、１以上のアルゴリズムによって実施することができる。アルゴリズムは、中央処理ユニット（６０５）により実行されると、ソフトウェアによって実施され得る。

ハイブリッドまたは量子古典的計算、あるいは計算ハードウェアなどの特定のシステムに関して本明細書に記載されるが、本開示の問題は、例えば、１以上の古典的コンピュータ、（１以上の量子コンピュータなどの）１以上の非古典的コンピュータ、または１以上の古典的コンピュータおよび１以上の非古典的コンピュータの１つの組み合わせなどの、様々なタイプのシステムあるいはシステムの組み合わせを含む計算システムを使用して解決されてもよい。

実施例１：ＡＩ駆動ＱＡＯＡ
ＱＡＯＡを使用して、本明細書に記載される手順が組み合せ最適化問題を解決する場合、組み合せ最適化問題の各インスタンスは、目的関数を計算するオラクルによって提供されてもよい。目的関数のハミルトニアンの表現は、量子オラクル内にプログラムされ、計算を介してオラクルに対する任意のクエリーによってコヒーレントに計算されてもよい。いくつかの実施形態では、２つの状態行動エポックのみがあり得る：一つはＱＡＯＡ計算中のものであり（それは中間状態行動エポックと呼ばれてもよい）、および一つはＱＡＯＡ計算の一回の実行の終わりにあるものである（それは終端状態行動エポックと呼ばれてもよい）。

各状態行動エポックでは、回転角度βおよびγは、その後、いくつかの計算レジスタ上でｅｘｐ（－ｉｙＨ）を実行し、そしてその後、計算レジスタの各量子ビット上でｅｘｐ（－ｉβX）を実行するために使用されてもよい、と確認される場合がある。いくつかの実施形態では、即時報酬は、中間状態行動エポックでＡＩモジュールに提供されないが、報酬は、計算レジスタの計測に応じて、終端状態行動エポックで提供される。いくつかの実施形態では、この報酬は、エージェントが受けた報酬のサイズが、目的関数の読み出しの増加値に対応するように、〈γ、β｜Ｈ｜γ、β〉、例えば、エネルギー、固有値等、に比例する。

実施例２：ＡＩ駆動変分量子固有値ソルバー
実施例では、上記に紹介された変分量子固有値ソルバー（ＶＱＥ）は、量子ハミルトニアンの低エネルギー状態（例えば、基底状態）を見つけるために量子デバイスを使用するための方法である。量子化学用途では、ハミルトニアンは、それの分子または一種の材料から構築され、その後、様々な方法（例えば、Ｊｏｒｄａｎ－Ｗｉｇｎｅｒ変換またはＢｒａｖｙｉ－Ｋｉｔａｅｖ変換）で複数の量子ビットの観点から書かれたハミルトニアンに変換されてもよい。いくつかの例では、ＶＱＥは、高度にもつれた量子状態を調製するために量子コンピュータ（小さくても）のパワーを使用することを使用する場合がある。一方では、ＶＱＥは、計算の終了までにより望ましい量子状態を達成するためにＶＱＥによって実行されたゲートセットを変動する古典的最適化モジュールを使用してもよい。ＶＱＥは、古典的最適化問題を解決するのが簡単であると仮定してもよい；しかしながら、量子状態（例えば、エネルギー）の観察に単一およびマルチ量子ビットゲートの角度および振幅を指定する目的関数の最適化のランドスケープは、非常に複雑であり得る。いくつかの態様では、本明細書に開示される方法は、ＶＱＥのゴール（例えば、量子状態の観察に結びつく、単一およびマルチ量子ビットゲートの角度および振幅を見つけること）を達成できる近似力学プログラムスキームを訓練するために、ＡＩモジュール（例えば、強化学習）を使用する方法を提供する。

いくつかの例では、ＡＩ駆動量子計算（ＱＡＯＡおよびＶＱＥにおける使用事例を含む）の適用は、量子シミュレーションプロセスを誘導するための技術と見なされることができる。量子シミュレーションの１つのゴールは、ハード計算についての情報を含む量子状態を調整することであってもよい。ＱＡＯＡでは、調整される最終状態は、最適化問題の最適または次に最適な解決のうちの１つまたは多数を表わしてもよい。ＶＱＥでは、調整される最終状態は、分子ハミルトニアンの基底または低エネルギー状態を表わしてもよい。例えば、量子シミュレーションは、解決された問題のためのよい推測と考えられる状態、または例えば、調整するのに扱いやすい、あるいは十分に理解され得るハミルトニアンの基底状態のいずれかから開始してもよい。初期状態から最終状態までの遷移は、いくつかの量子ゲートを含む量子アルゴリズムを通って量子デバイスによって実行される。初期状態から最終状態に量子アルゴリズムによってとられる経路は、最終状態が、どれくらいよく遂行される計算課題に解決を近づかせているかことに影響を与える。しかしながら、経路の選択は、些細な問題ではない。本明細書に開示される、ＡＩ駆動量子計算方法は、この課題を克服する方法を提供する。

勾配ベースの最適化などの方法と比較すると、ＱＡＯＡおよびＶＱＥのための本明細書に開示された方法は、（例えば、調整された状態のエネルギー）観察可能なものの偏導関数の計算またはその近似値を必ずしも必要としないという長所を有してもよい。このランドスケープのための勾配の計算は、リソースを要求し、および様々な同様の量子回路の広範囲な反復を要求することもあり、ノイズの多い計測に悩まされ得る。

実施例３：ＡＩ駆動断熱量子計算
断熱量子計算は、万能の量子計算であり、その計算目的が、あるターゲット計算サブシステムハミルトニアンの基底状態を取得することである。これを達成するために、断熱量子計算は、その基底状態を調製するのが簡単である初期の計算サブシステムハミルトニアンで開始してもよく、その後、計算サブシステムハミルトニアンを、終期の計算サブシステムハミルトニアンに断熱的に変更してもよい。

正解を効率的に取得するために、計算中に広く開く、瞬間の基底状態と励起状態との間のエネルギーギャップを維持することは重要であり得る。エネルギーギャップは、量子状態を、非断熱遷移からも、熱励起からも妨げる場合があり、それらの各々は、計算上のエラーを引き起こす場合がある。エネルギーギャップは、計算サブシステムハミルトニアンが、計算中に初期のハミルトニアンから終期のものまでそれを介して変更される経路に依存する場合がある。

したがって、エネルギーギャップが計算中に可能な限り開いた状態であり続ける経路を確認することは望ましいかもしれない。場合によっては、非確率的な経路、または不均一横磁場の使用は、エネルギーギャップが計算レジスタのサイズに関連して指数関数的に速く閉じることを妨げる場合がある。計算サブシステムハミルトニアンは、調整可能なパラメータを含み、それらはＡＩモジュールによって規定される。

いくつかの実施形態では、計算サブシステムおよびシンドロームサブシステムは、制御ーＸのゲートなどの２ー量子ビットカップリングを介してもつれてもよい。各状態行動エポックでは、シンドロームサブシステムは計測されてもよい。計測の結果を使用ことによって、ＡＩモジュールの方策は、次の状態行動エポックまでの計算サブシステムの調整可能なパラメータのためのスケジュールの次の反復を提供してもよい。

実施例４：シミュレーションされたアニーリング温度スケジュールの強化学習
シミュレーションされたアニーリングなどの計算の最適化手順は、（温度スケジュールなどの）パラメータの注意深い選別および微調整を典型的に要求する場合があり、および最適化手順が解決に集束するまで多数の繰り返された実行が、要求される場合がある。パラメータの限られた選択は、最適化手順の速い実行ただし不正確な解決、正確な解決ただし最適化手順の遅い実行、または不正確な解決と最適化手順の遅い実行を引き起こす場合がある。本明細書に開示されるのは、正確な解決と最適化手順の速い実行を取得するために、パラメータを選択するためにＡＩ手順を利用するシステムおよび方法である。

強化学習（ＲＬ）は、基底状態を常に確認するために、シミュレーションされたアニーリングの温度スケジュールを学習するために適用された。弱強クラスターモデルが適用された。弱強クラスターモデルは、２つの完全に接続された８－ノードのグラフを含む小さな１６－ノードの２部グラフである。負バイアスは、第１のグラフ（ｈ＝－０．４４）に適用され、より強い正バイアスは、第２のグラフ（ｈ＝１．０）に適用された。１つのクラスターの４つの最外のノードは、強磁性体（Ｊ＝１）カップリングによって第２のクラスターの４つの最外のノードにカップリングされた。各グラフのノード間のクラスター内カップリング、および第１と第２のクラスター間のクラスター間カップリングを含む全てのカップリングは、ユニット強度（Ｊ＝１）にセットされた。この構成で、大域的最小値は、両方のクラスタースピン値が、クラスター間カップリングを満たして、整列した時に達成された。

図７は、弱強クラスターモデルの事例を示す。図７に示されるように、グラフは、構成（７００）での２つの完全に接続された８－ノードのグラフを含む。第１のグラフは、ノード（７０１ａ）、（７０１ｂ）、（７０１ｃ）、（７０１ｄ）、（７０１ｅ）、（７０１ｆ）、（７０１ｇ）、および（７０１ｈ）を含んでもよい。第２のグラフは、ノード（７０２ａ）、（７０２ｂ）、（７０２ｃ）、（７０２ｄ）、（７０２ｅ）、（７０２ｆ）、（７０２ｇ）、および（７０２ｈ）を含んでもよい。負バイアスは、第１のグラフ（ｈ＝－０．４４）に適用され、より強い正バイアスは、第２のグラフ（ｈ＝１．０）に適用された。図７は、各グラフ（７０３）内で相互作用するノードを示す。図７は、グラフ（７０４）間で相互作用するノードを示す。図７に示されるモデルは、例えば、スピン、原子、電子等を表わすノードを含んでもよい。

図８は、エネルギーの１６－スピン分布の例を示す。示されるように、弱強クラスターモデルは、構成（８１０）によって表わされる－２．４７の局所的最小値を含む。局所的最小値は、第１の８－ノードグラフでノードを整列させ、およびーノードグラフで、第１の８－ノードグラフに整列されないノードを整列させた。大域的最小値は、１６のノード全てが整列した状態で確認された、構成（７００）を参照。大域的最大値は、各８－ノードグラフでスピンの半分が整列した状態で確認された、構成（８４０）および（８４５）を参照。構成（８２０）および（８３０）は、他の中間のエネルギー構成である。

図９は、弱強クラスターモデルに関連付けられるエネルギーランドスケープの例を示す。８のスピンフリップが、局所的最小値および大域的最小値からランドスケープに沿って移動するように要求される。示されるように、ソルバーは、大域的最小値を確認するために、エネルギーランドスケープの大きなアップヒル（ｕｐｈｉｌｌ）セクションを横断しなければならない。アニーラーが大域的最小値を確認するためには、アニーラーは、全体なエネルギーランドスケープをサンプリングするためにより高い初期温度で開始される必要があるであろう。その後、温度は、最小値を確認するために下げられる。システムの温度は、時間外に変更されてもよい。温度スケジュールは、方策の代表的な事例であり、それは強化学習アルゴリズムによって学習されてもよい。

図１０は、弱強クラスターモデルの発展中に観察の例を示す。ここで、Ｎ_ｓｐｉｎは、グラフでの整列されたノード（またはスピン）の数を指し、Ｎ_{ｓｔｅｐｓ}は、１つのエピソード当たりのステップの数を指し、Ｎ_{ｓｗｅｅｐｓ}は、エピソード当たりのスイープの数を指し、Ｎ_ｒｅａｄとＮ_ｒｅｐは、同時アニールの数を指し、Ｎ_{ｂｕｆｆｅｒ}は、バッファのサイズ（または、更新間で幾つのステップを行うべきであるか）を指し、ｏは、弱強クラスターモデルの観察を指す。

ニューラルネットワークは、最適方策を学習するために実施された。（５１２）カーネルの１つのセットは、Ｒｅｐ次元に沿ってスライドした一方、５１２）カーネルの別のセットは、スピン次元に沿ってスライドした。これらのカーネルは、スピン値上で並行して動作した。その出力は、平坦にされ、連結させられ、および緻密層へと送られた。

ニューラルネットワークは、システムの状態を観察し、かつシステム温度に変更を示唆することを学習するために実施された。

図１１は、様々な初期温度および終期温度が仮定して、シミュレーションされたアニーリングの優れた収束の可能性の例を示す。示されるように、より高い初期温度（より低いベタ）には、より低い初期温度（より高いベタ）より高い成功確率があった。

報酬は、エネルギーを最小化するようにニューラルネットワークを訓練するために実施された。希薄な報酬は、エピソードの負の平均の最終エネルギーをエージェントに与えるために実施された。高密度な報酬は、前の状態と新しい状態の間の負の平均エネルギー差を、プロセスの各ステップ中にエージェントに与えるために実施された。図１２は、各例にＮ_{ｓｔｅｐｓ}を増加させる温度スケジュールを示す。挿入図（１２１０）、（１２２０）および（１２３０）は、温度スケジュールに沿っての温度スケジュール（上部）およびエネルギー発展（下部）を示す。

図１２は、無作為な初期温度および終期温度を仮定して、シミュレーションされたアニーリングの優れた収束の可能性の例を示す。（１２１０）から（１２２０）へ、そして（１２３０）へ移動すると、温度スイープ（方策）でのステップ数Ｎ_{ｓｔｅｐｓ}は増加した。エネルギーランドスケープでの上方のステップの数は、増加しており、したがって、大域的最小値を確認する可能性を有する。示されるように、学習アルゴリズムは、大域的最小値を確認することのより高い可能性を有する温度スイープを学習した。特に、エネルギーランドスケープで上方のステップを行う方策は、大域的最小値を発見する可能性が高い方策であると確認されている。

本発明の好ましい実施形態が本明細書で示され、記載されてきたが、こうした実施形態がほんの一例として提供されているに過ぎないということは当業者にとって明白である。本発明が本明細書内で提供された特定の実施例により限定されることは、意図されていない。本発明は前述の明細書を参照して記載されている一方、本明細書における実施形態の記載および例示は限定的な意味で解釈されることは意図されていない。当業者であれば、多くの変更、変化、および置換が、本発明から逸脱することなく思いつくだろう。さらに、本発明のすべての態様は、様々な条件および変数に依存する、本明細書で説明された特定の描写、構成、または相対的な比率に限定されないことが理解されよう。本明細書に記載される本発明の実施形態の様々な代替案が、本発明の実施に際して利用され得ることを理解されたい。それゆえ、本発明は、任意のそのような代替物、修正物、変形物、または同等物にも及ぶものと企図される。以下の請求項は本発明の範囲を定義するものであり、この請求項とその均等物の範囲内の方法、および構造体がそれによって包含されるものであるということが意図されている。

Claims (47)

1. 人工知能（ＡＩ）を使用して計算を実行するためのシステムであって、前記システムは、
   （ａ）１以上の調整可能なパラメータと１以上の調整不可能なパラメータとを含む計算を実行し、かつ前記計算を示すレポートを出力するように構成された、少なくとも１つのコンピュータであって、前記コンピュータは、
   （ｉ）１以上のレジスタであって、ここで前記１以上のレジスタは、前記計算を実行するように構成されている、１以上のレジスタと、
   （ｉｉ）前記１以上のレジスタの少なくとも１つの状態を計測して、前記１以上のレジスタの前記状態の表現を決定するように構成された、計測ユニットであって、これによって、前記計算の表現を決定する、計測ユニットと、を含むコンピュータと、
   （ｂ）少なくとも１つの人工知能（ＡＩ）制御ユニットであって、前記少なくとも１つの人工知能（ＡＩ）制御ユニットは、（１）前記計算を制御し、（２）前記計算に対応する１以上の調整可能なパラメータを決定するために、少なくとも１つのＡＩ手順を実行し、そして、（３）前記コンピュータに前記調整可能なパラメータを指示する、ように構成され、ここで、前記少なくとも１つの人工知能（ＡＩ）制御ユニットは、１以上のＡＩ制御ユニットパラメータを含む、少なくとも１つの人工知能（ＡＩ）制御ユニットと、を含む、システム。
2. 前記コンピュータが、ハイブリッド計算システムを含み、前記ハイブリッド計算システムは、
   （ａ）前記計算を実行するように構成された少なくとも１つの非古典的コンピュータであって、
   （ｉ）前記１以上のレジスタと、
   （ｉｉ）前記計測ユニットと、を含む、少なくとも１つの非古典的コンピュータと、
   （ｂ）前記ＡＩ制御ユニットと、を含む、請求項１に記載のシステム。
3. 前記少なくとも１つの非古典的コンピュータが、少なくとも１つの量子コンピュータを含み、ここで、前記１以上のレジスタは、１以上の量子ビットを含み、前記１以上の量子ビットは、前記計算を実行するように構成され、ここで、前記計測ユニットは、前記１以上の量子ビットの少なくとも１つの状態を計測して、前記１以上の量子ビットの前記少なくとも１つの前記状態の表現を決定するように構成され、これによって、前記計算の表現を決定し、ここで、前記計測ユニットは、前記ＡＩ制御ユニットに前記計算の前記表現を提供するようにさらに構成される、請求項２に記載のシステム。
4. 前記計測ユニットが、前記１以上の量子ビットの少なくとも１つの前記状態を計測して、前記計算の現在の状態に関する部分的な情報を表すシンドロームデータを取得して、かつ前記ＡＩ制御ユニットに前記シンドロームデータを提供するように構成される、請求項３に記載のシステム。
5. 前記１以上のレジスタが、計算レジスタとシンドロームレジスタを含み、ここで、前記計算レジスタは、１以上の計算量子ビットを含み、前記１以上の計算量子ビットは、前記計算を実行するように構成されて、ここで、前記シンドロームレジスタは、前記１以上の計算量子ビットと異なる１以上のシンドローム量子ビットを含み、ここで、前記１以上のシンドローム量子ビットは、前記１以上の計算量子ビットと量子学的にもつれており、および、ここで、前記１以上のシンドローム量子ビットは、前記計算を実行するためのものではなく、そして、ここで、前記計測ユニットは、前記１以上のシンドローム量子ビットの状態を計測して、前記１以上の計算量子ビットの状態の表現を決定するように構成され、これによって、前記計算の前記表現を決定する、請求項３に記載のシステム。
6. 前記計算が量子計算を含む、請求項１に記載のシステム。
7. 前記量子計算が断熱量子計算を含む、請求項６に記載のシステム。
8. 前記量子計算が量子近似最適化アルゴリズム（ＱＡＯＡ）を含む、請求項６に記載のシステム。
9. 前記量子計算が変分量子アルゴリズムを含む、請求項６に記載のシステム。
10. 前記量子計算が量子レジスタ上の誤り訂正を含む、請求項６に記載のシステム。
11. 前記量子計算がフォールトトレラント量子計算ガジェットを含む、請求項６に記載のシステム。
12. 前記計算が古典的計算を含む、請求項１に記載のシステム。
13. 前記計算が、シミュレーションされたアニーリング、シミュレーションされた量子アニーリング、パラレルテンパリング、等エネルギークラスター移動を伴うパラレルテンパリング、拡散モンテカルロ法、ポピュレーションアニーリング、および量子モンテカルロ法、からなる群から選択される、少なくとも１つのメンバーを含む、請求項１に記載のシステム。
14. 前記少なくとも１つの量子コンピュータが、前記１以上の量子ビットの初期状態の調製と、前記１以上の量子ビット上の１以上の単一量子ビット量子ゲートの実施と、前記１以上の量子ビット上の１以上のマルチ量子ビット量子ゲートの実施と、１以上の量子ビットを使用する、初期ハミルトニアンから最終ハミルトニアンまでの断熱的発展と、からなる群から選択される、少なくとも１つのメンバーを含む、１以上の量子操作を実行するように構成される、請求項３に記載のシステム。
15. 前記１以上の計算量子ビットの前記状態の前記表現が、前記１以上のシンドローム量子ビットの前記状態と、数学的に相関がある、請求項５に記載のシステム。
16. 前記計測ユニットが、前記計算中の前記１以上の計算量子ビットの発展中に、前記１以上のシンドローム量子ビットの前記状態を計測するように構成される、請求項５に記載のシステム。
17. 前記少なくとも１つの非古典的コンピュータが、統合型フォトニックコヒーレントイジングマシンコンピュータを含む、請求項２に記載のシステム。
18. 前記少なくとも１つの非古典的コンピュータが、光学パラメトリックパルスのネットワークを含む、請求項２に記載のシステム。
19. 前記少なくとも１つのＡＩ手順が、少なくとも１つの機械学習（ＭＬ）手順を含む、請求項１に記載のシステム。
20. 前記少なくとも１つのＭＬ手順が、少なくとも１つのＭＬ訓練手順を含む、請求項１９に記載のシステム。
21. 前記少なくとも１つのＭＬ手順が、少なくとも１つのＭＬ推論手順を含む、請求項１９に記載のシステム。
22. 前記少なくとも１つのＡＩ手順が、少なくとも１つの強化学習（ＲＬ）手順を含む、請求項１に記載のシステム。
23. 前記少なくとも１つのＡＩ手順が、前記計算中に前記調整可能なパラメータを修正するように構成され、これによって、１以上の修正された調整可能なパラメータを提供する、請求項１に記載のシステム。
24. 前記１以上の修正された調整可能なパラメータが、前記計算の過程中に前記計算を修正するように構成される、請求項１に記載のシステム。
25. 前記少なくとも１つのＡＩ制御ユニットが、テンソル処理ユニット（ＴＰＵ）、グラフィックス処理ユニット（ＧＰＵ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、および特定用途向け集積回路（ＡＳＩＣ）、からなる群から選択される、少なくとも１つのメンバーを含む、請求項１に記載のシステム。
26. 前記少なくとも１つのコンピュータが、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、および特定用途向け集積回路（ＡＳＩＣ）、からなる群から選択される、少なくとも１つのメンバーを含む、請求項１に記載のシステム。
27. 前記少なくとも１つのＡＩ制御ユニットが、ネットワーク上の前記少なくとも１つのコンピュータと通信している、請求項１に記載のシステム。
28. 前記少なくとも１つのＡＩ制御ユニットが、クラウドネットワーク上の前記少なくとも１つのコンピュータと通信している、請求項１に記載のシステム。
29. 前記少なくとも１つのＡＩ制御ユニットが、冷凍機システム内の極低温度で作動する古典的処理システムとして統合される、請求項１に記載のシステム。
30. 前記１以上の調整可能なパラメータと１以上の調整不可能なパラメータとが、前記計算の現在の表現からの命令セットを含む前記計算の次のセグメントを定義する、請求項１に記載のシステム。
31. 前記１以上の調整可能なパラメータが、前記計算の初期温度を含む、請求項１に記載のシステム。
32. １以上の調整可能なパラメータが、前記計算の温度スケジュールを含む、請求項１に記載のシステム。
33. 前記１以上の調整可能なパラメータが、前記計算の最終温度を含む、請求項１に記載のシステム。
34. 前記１以上の調整可能なパラメータが、前記ネットワークのポンピングエネルギーのスケジュールを含む、請求項１に記載のシステム。
35. 前記１以上の調整可能なパラメータが、前記量子計算のセグメントのための量子ゲートの指示を含む、請求項３－５のいずれか１項に記載のシステム。
36. 前記１以上の調整可能なパラメータが、前記量子計算のセグメントのための、局所操作と古典的通信（ＬＯＣＣ）チャネルの指示を含む、請求項３－５のいずれか１項に記載のシステム。
37. 前記ＡＩ制御ユニットが、ニューラルネットワークを含み、そして、ここで、前記１以上のＡＩ制御ユニットパラメータが、前記ニューラルネットワークに対応するニューラルネットワークウェイトを含む、請求項１に記載のシステム。
38. 人工知能（ＡＩ）制御ユニットを訓練するための方法であって、前記方法は、
    （ａ）（１）１以上の調整不可能なパラメータの１以上のインスタンスと、（２）１以上の調整可能なパラメータとＡＩ制御ユニットパラメータと、を取得する工程と、
    （ｂ）前記ＡＩ制御ユニットパラメータを使用して、前記ＡＩ制御ユニットを構成する工程と、
    （ｃ）前記１以上の調整不可能なパラメータの少なくとも１つのインスタンスを選択する工程と、
    （ｄ）前記１以上の調整不可能なパラメータの前記少なくとも１つのインスタンスと、前記１以上の調整可能なパラメータとを使用して、コンピュータを構成する工程であって、ここで、前記１以上の調整可能なパラメータの値は、前記ＡＩ制御ユニットによって指示され、ここで、前記コンピュータは１以上のレジスタを含む、工程と、
    （ｅ）前記コンピュータの前記１以上のレジスタを使用して、計算のセグメントを実行する工程と、
    （ｆ）前記１以上のレジスタの少なくとも１つの１以上の計測を実行する工程であって、それにより、前記計算の前記セグメントの表現を取得する、工程と、
    （ｇ）（ｃ）－（ｆ）を複数回繰り返す工程と、
    （ｈ）前記複数回実行された各々の前記計算を示すレポートを出力する工程と、
    （ｉ）前記レポートに基づいて、前記ＡＩ制御ユニットパラメータを修正することによって、前記ＡＩ制御ユニットを再構成する工程と、
    （ｊ）停止基準が充足されるまで（ｃ）－（ｉ）を繰り返す工程と、を含む、方法。
39. 前記ＡＩ制御ユニットと前記コンピュータが、前記計算を実行するためのシステムを含み、ここで、前記システムが、請求項１－３７のいずれか１項に記載のシステムを含む、請求項３８に記載の方法。
40. 前記１以上のレジスタの前記少なくとも１つの１以上の計測を実行する工程であって、それにより、前記計算の前記セグメントの前記表現を取得する、工程が、
    （ａ）前記セグメントが前記計算のための最後のセグメントでない場合、前記１以上の計測はシンドロームデータを含み、
    （ｂ）前記セグメントが前記計算のための前記最後のセグメントである場合、前記１以上の計測は計算データを含む、請求項３８または３９に記載の方法。
41. コンピュータと人工知能（ＡＩ）制御ユニットを含むシステムを使用して、計算を実行するための方法であって、前記方法は、
    （ａ）１以上の調整不可能なパラメータを取得する工程と、
    （ｂ）前記１以上の調整不可能なパラメータを使用して、前記コンピュータを構成する工程と、
    （ｃ）前記１以上の調整可能なパラメータを使用して、前記コンピュータを構成する工程であって、ここで、前記１以上の調整可能なパラメータは、前記ＡＩ制御ユニットによって指示される、工程と、
    （ｄ）前記コンピュータの１以上のレジスタを使用して、前記計算のセグメントを実行する工程と、
    （ｅ）前記１以上のレジスタの少なくとも１つの１以上の計測を実行する工程であって、それにより、前記計算の前記セグメントの表現を取得する、工程と、
    （ｆ）停止基準が充足されるまで、（ｃ）、（ｄ）、および（ｅ）を繰り返す工程と、
    （ｇ）前記計算を示すレポートを出力する工程と、を含む、方法。
42. 前記ＡＩ制御ユニットと前記コンピュータが、前記計算を実行するためのシステムを含み、ここで、前記システムが、請求項１－３７のいずれか１項に記載のシステムをさらに含む、請求項４１に記載の方法。
43. 計算を実行するための方法であって、前記方法は、
    （ａ）ユーザーから１以上の調整不可能なパラメータを取得する工程と、
    （ｂ）人工知能（ＡＩ）制御ユニットを使用して、コンピュータに１以上の調整可能なパラメータの値を指示する工程であって、ここで、前記コンピュータは１以上のレジスタを含む、工程と、
    （ｃ）前記計算を実行するために、前記１以上のレジスタを使用する工程であって、計算が、前記１以上の調整不可能なパラメータと前記１以上の調整可能なパラメータとを使用することを含む、工程と、
    （ｄ）前記計算の表現を取得するために、前記１以上のレジスタの１以上の計測を実行する工程と、
    （ｅ）前記計算を示すレポートを出力する工程と、を含む、方法。
44. 前記ＡＩ制御ユニットと前記コンピュータが、前記計算を実行するためのシステムを含み、ここで、前記システムが、請求項１－３７のいずれか１項に記載のシステムをさらに含む、請求項４３に記載の方法。
45. 計算を実行するために、少なくとも１つの人工知能（ＡＩ）制御ユニットと少なくとも１つの非古典的コンピュータとを含むハイブリッドコンピュータを訓練するための方法であって、前記方法は、
    （ａ）前記ＡＩ制御ユニットを使用する工程であって、それにより、
    （ｉ）前記計算の複数のインスタンスを含む訓練セットを取得し、
    （ｉｉ）ＡＩ制御ユニットパラメータと１以上の調整可能なパラメータを取得、かつ初期化し、
    （ｉｉｉ）前記複数のインスタンスの１つのインスタンスを選択し、
    （ｉｖ）前記少なくとも１つの非古典的コンピュータを初期化し、そして、
    （ｖ）複数の状態行動エポックを含む状態行動エポックスケジュールを取得、かつ初期化する、工程と、
    （ｂ）前記少なくとも１つの非古典的コンピュータを使用する工程であって、それにより、
    （ｉ）前記複数の状態行動エポックの次の状態行動エポックまで前記インスタンスを実行し、
    （ｉｉ）前記選択されたインスタンスに対応する即時報酬を取得するために、前記シンドロームレジスタの１以上の計測を実行し、そして、
    （ｉｉｉ）前記ＡＩ制御ユニットに前記即時報酬の指示を提供し、
    これによって、前記即時報酬に基づいて前記ＡＩ制御ユニットパラメータを更新する、工程と、
    （ｃ）前記１以上の調整可能なパラメータから調整可能なパラメータのセットを提供するために、前記ＡＩ制御ユニットを使用する工程と、
    （ｄ）第１の停止基準が充足されるまで、（ｂ）を繰り返す工程と、
    （ｅ）第２の停止基準が充足されるまで、（ａ）（ｉｉｉ）－（ｄ）を繰り返す工程と、を含む、方法。
46. 少なくとも１つの人工知能（ＡＩ）制御ユニットと少なくとも１つの非古典的コンピュータとを含むハイブリッドコンピュータを使用して、計算を実行するための方法であって、前記方法は、
    （ａ）前記ＡＩ制御ユニットを使用する工程であって、それにより、
    （ｉ）前記計算を表す命令のセットを取得し、前記命令は、複数の調整可能な命令を含む、調整可能な命令セットを含み、
    （ｉｉ）訓練された方策と、複数の状態行動エポックを含む状態行動エポックスケジュールを取得し、
    （ｉｉｉ）前記少なくとも１つの非古典的コンピュータを初期化し、そして、
    （ｉｖ）前記複数の状態行動エポックと前記調整可能な命令セットを初期化する、工程と、
    （ｂ）前記少なくとも１つの量子コンピュータを使用する工程であって、それにより、
    （ｉ）前記複数の状態行動エポックの次の状態行動エポックまで前記計算を実行し、
    （ｉｉ）前記計算の表現を取得するために、前記１以上のレジスタの１以上の計測を実行し、そして、
    （ｉｉｉ）次の複数の調整可能な命令を取得する、工程と、
    （ｃ）停止基準が充足されるまで（ａ）－（ｂ）を繰り返す工程と、を含む、方法。
47. ＡＩ制御ユニットを訓練するための方法であって、前記方法は、
    （ａ）１以上の調整不可能なパラメータ、１以上の調整可能なパラメータ、およびＡＩ制御ユニットパラメータを取得する工程と、
    （ｂ）前記ＡＩ制御ユニットパラメータを使用して、前記ＡＩ制御ユニットを構成する工程と、
    （ｃ）前記１以上の調整不可能なパラメータと前記１以上の調整可能なパラメータとを使用して、コンピュータを構成する工程であって、ここで、前記１以上の調整可能なパラメータの値は、前記ＡＩ制御ユニットによって指示される、工程と、
    （ｄ）前記コンピュータを使用して、計算を実行する工程と、
    （ｅ）前記計算の表現を取得するために、１以上の計測を実行する工程と、
    （ｆ）前記計算を示すレポートを出力する工程と、
    （ｇ）前記レポートに基づいて、前記ＡＩ制御ユニットパラメータを修正することによって、前記ＡＩ制御ユニットを再構成する工程と、を含む、方法。

Images