JP2024512443A - 古典的機械学習のための量子強化特徴 - Google Patents
古典的機械学習のための量子強化特徴 Download PDFInfo
- Publication number
- JP2024512443A JP2024512443A JP2023556533A JP2023556533A JP2024512443A JP 2024512443 A JP2024512443 A JP 2024512443A JP 2023556533 A JP2023556533 A JP 2023556533A JP 2023556533 A JP2023556533 A JP 2023556533A JP 2024512443 A JP2024512443 A JP 2024512443A
- Authority
- JP
- Japan
- Prior art keywords
- quantum
- classical
- computer
- component
- machine learning
- 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
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 80
- 230000002787 reinforcement Effects 0.000 title claims description 28
- 238000000034 method Methods 0.000 claims abstract description 70
- 230000009466 transformation Effects 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims description 48
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012800 visualization Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000009877 rendering Methods 0.000 claims description 2
- 239000002131 composite material Substances 0.000 description 62
- 238000003860 storage Methods 0.000 description 58
- 238000010586 diagram Methods 0.000 description 38
- 238000012545 processing Methods 0.000 description 24
- 238000009826 distribution Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 16
- 239000002096 quantum dot Substances 0.000 description 15
- 239000002609 medium Substances 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 11
- 230000001131 transforming effect Effects 0.000 description 8
- 230000006872 improvement Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000000844 transformation Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000007620 mathematical function Methods 0.000 description 5
- 230000006855 networking Effects 0.000 description 5
- 239000007787 solid Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000001902 propagating effect Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000473391 Archosargus rhomboidalis Species 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 239000006163 transport media Substances 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000009012 visual motion Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, 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
- G06N10/60—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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Complex Calculations (AREA)
- Semiconductor Lasers (AREA)
- Led Devices (AREA)
Abstract
古典的機械学習のための量子強化特徴を容易にするシステムおよび技術が、提供される。様々な実施形態において、システムは、古典的データセットにアクセスすることができる受信機コンポーネントを含むことができる。様々な態様において、システムは、古典的データセットの量子変形に基づいて、1つまたは複数の機械学習入力特徴を生成することができる特徴コンポーネントをさらに含むことができる。様々な事例において、システムは、古典的機械学習モデルを、1つまたは複数の機械学習入力特徴に対して実行することができる実行コンポーネントをさらに含むことができる。
Description
主題となる開示は、機械学習に関し、より詳細には、古典的機械学習のための量子強化特徴に関する。
量子コンピューティングは、古典的には扱いにくい計算課題に対処することにおいて、有望性を示してきた。現在、先行技術の量子コンピューティング・デバイスは、Noisy Intermediate-Scale Quantum(NISQ)デバイス(ノイズにさらされる中規模の量子デバイス)と考えられる。このような量子コンピューティング・デバイスは、誤りが生じやすい少数の量子ビットを実装しており、物理的な量子ビットの現在の誤り率を考えると、単一の論理量子ビットの誤り訂正を実装するために必要と考えられる数百または数千よりも少ないものである。残念ながら、障害耐性、誤り訂正のある量子コンピュータの完全な実現には、数千または数百万もの物理的な量子ビットを実装するデバイスが必要とされる。そのため、先行技術の量子コンピューティング・デバイスは、多くの古典的には扱いにくい、対象の計算課題を解決するために十分な量子ビットをまだサポートすることができない。実際、量子コンピューティングは、まだ初期段階にあるため、よく確立された古典的コンピューティング技術が、様々な技術分野において未だに広く使用されている。これまで、量子コンピューティング研究は、多数の量子ビットを実装することができる量子コンピューティング・デバイスを物理的に構築することにかなり重点を置いている。それとは対照的に、既存の量子コンピューティング・デバイスを、古典的コンピューティング技術のパフォーマンスを改善するために、どのように活用することができるかに重点を置いた量子コンピューティング研究は、限定されていた。故に、本発明者らは、この技術的課題に対処することができるシステムまたは技術あるいはその両方が望ましい場合があることに気付いた。
本発明の1つまたは複数の実施形態の基本的な理解を与えるために、以下に概要を提示する。この概要は主要もしくは重要な要素を特定すること、または特定の実施形態のいかなる範囲もしくは特許請求の範囲のいかなる範囲をも詳述することを意図されていない。概要の唯一の目的は、後に提示されるより詳細な説明への導入部として、簡素化された形式で概念を提示することである。本明細書において説明される1つまたは複数の実施形態において、古典的機械学習のための量子強化特徴を容易にすることができる、デバイス、システム、コンピュータ実装方法、装置、またはコンピュータ・プログラム製品あるいはその組合せが、説明される。
1つまたは複数の実施形態による、システムが提供される。システムは、コンピュータ実行可能コンポーネントを記憶することができるメモリを含むことができる。システムは、メモリに動作可能に連結することができ、メモリに記憶されたコンピュータ実行可能コンポーネントを実行することができるプロセッサをさらに含むことができる。様々な実施形態において、コンピュータ実行可能コンポーネントは、古典的データセットにアクセスすることができる受信機コンポーネントを含むことができる。様々な態様において、コンピュータ実行可能コンポーネントは、古典的データセットの量子変形に基づいて、1つまたは複数の機械学習入力特徴を生成することができる特徴コンポーネントをさらに含むことができる。様々な実施形態において、コンピュータ実行可能コンポーネントは、古典的データセットを、量子確率振幅の集合に変換することができる変換コンポーネントをさらに含むことができる。様々な事例において、コンピュータ実行可能コンポーネントは、量子回路を量子確率振幅の集合に対して実行し、それによって古典的データセットの量子変形を与えることができる量子コンポーネントをさらに含むことができる。様々な場合において、コンピュータ実行可能コンポーネントは、古典的機械学習モデルを、1つまたは複数の機械学習入力特徴に対して実行することができる実行コンポーネントをさらに含むことができる。
1つまたは複数の実施形態によると、上述のシステムは、コンピュータ実装方法またはコンピュータ・プログラム製品あるいはその両方として実装することができる。
1つまたは複数の実施形態による、システムが提供される。システムは、コンピュータ実行可能コンポーネントを記憶することができるメモリを含むことができる。システムは、メモリに動作可能に連結することができ、メモリに記憶されたコンピュータ実行可能コンポーネントを実行することができるプロセッサをさらに含むことができる。様々な実施形態において、コンピュータ実行可能コンポーネントは、オペレータ・デバイスから古典的時系列データセットを受信することができる受信機コンポーネントを含むことができる。様々な態様において、コンピュータ実行可能コンポーネントは、古典的時系列データセットの量子変形に基づいて、1つまたは複数の量子強化機械学習入力特徴を生成することができる特徴コンポーネントをさらに含むことができる。様々な実施形態において、コンピュータ実行可能コンポーネントは、古典的時系列データセットに基づいて量子確率振幅を生成することができる変換コンポーネントをさらに含むことができる。様々な事例において、コンピュータ実行可能コンポーネントは、量子アルゴリズムを量子確率振幅に対して実行し、それによって古典的時系列データセットの量子変形を与えることができる量子コンポーネントをさらに含むことができる。様々な場合において、コンピュータ実行可能コンポーネントは、1つまたは複数の量子強化機械学習入力特徴を、オペレータ・デバイスに送信することができる実行コンポーネントをさらに含むことができる。
1つまたは複数の実施形態によると、上述のシステムは、コンピュータ実装方法またはコンピュータ・プログラム製品あるいはその両方として実装することができる。
以下の詳細な説明は例示に過ぎず、実施形態、または実施形態の適用もしくは使用、あるいはその両方を限定するよう意図されていない。さらには、先の「背景技術」もしくは「発明の概要」セクション、または「発明を実施するための形態」セクションにおいて提示される、いかなる明記されたまたは示唆された情報によっても拘束されるような意図もない。
次に1つまたは複数の実施形態を、図面を参照して説明するが、一貫して同一の参照符号は同一の要素を参照するために使用される。以下の説明では、説明目的のため、1つまたは複数の実施形態の徹底した理解を与えるために、多くの具体的な詳細が説明される。しかしながら、様々な場合において、1つまたは複数の実施形態はこれらの具体的な詳細無しに実践され得ることが明白である。
上述の通り、量子コンピューティングは、計算化学、最適化、および機械学習などの様々な技術分野において、古典的には扱いにくい計算課題に対処することにおいて、有望性を示してきた。現在、先行技術の量子コンピューティング・デバイスは、Noisy Intermediate-Scale Quantum(NISQ)デバイスと呼ばれる。NISQデバイスが物理的に実装することができるのは、物理的な量子ビットの誤り率を考えると、誤り訂正に必要とされる数よりも少ない量子ビットである。残念ながら、誤り訂正のある量子コンピュータの完全な実現には、数千、数百万、またはそれよりも多くの量子ビットを実装するデバイスが必要とされ、これは、近い将来システムによってサポートすることができる量子ビットの数を数桁上回るものである。そのため、先行技術の量子コンピューティング・デバイスは、多くの古典的には扱いにくい、対象の計算課題を解決するために十分な量子ビットをまだ物理的にサポートすることができない。量子コンピューティングは、まだ初期段階にあるため(例えば、NISQデバイスによってサポートすることができる量子ビットの数が、まだ限定されているため)、よく確立された古典的コンピューティング技術が、様々な技術分野において広く使用されている状態である。
特に、古典的な計算技術に未だに大きく依存している一技術分野として、機械学習(例えば、人工知能)がある。様々な業界にデータのロギングが伴うが、このような業界は、このようなロギングされたデータを分析するために古典的機械学習技術(例えば、人工ニューラル・ネットワーク、サポート・ベクタ・マシン、回帰モデル、ナイーブ・ベイズ)を利用することが多い。このような場合、古典的データの集合は、あらゆる好適な様式で、記録または生成あるいはその両方が可能であり、古典的データの集合は、入力として機械学習(「ML」)モデルに与えることができ、MLモデルは、古典的データの集合に基づいて、ラベル、分類、または予測あるいはその組合せを、出力として生成することができる。例えば、古典的データの集合は、時系列データ(例えば、時間に対して記録された製品/サービス販売、時間に対して記録されたリソース消費、時間に対して記録されたあらゆる他の測定される所望の数量)であってもよく、時系列データに基づいて、将来的なデータ点を予想することが望まれる場合がある。このような場合、時系列データは、入力として好適に設定されたMLモデルに与えることができ、MLモデルは、時系列データに基づいて、出力として1つまたは複数の予想されたデータ点を生み出すことができる(例えば、時系列データが、将来的な時間ステップにおいて、どのように継続するか、またはどのように変化するか、あるいはその両方を、予測することができる)。
これまで、多数の量子ビットを物理的にサポートすることができる量子コンピューティング・デバイスを構築することに対して、多くの研究が行なわれてきた。それとは対照的に、既存の量子コンピューティング・デバイスによって、一般的に古典的コンピューティング技術のパフォーマンスまたは能力あるいはその両方が、特に古典的なML技術が、どのように改善され得るかという研究は、限定的に行なわれてきた。故に、この技術的課題に対処することができるシステムまたは技術あるいはその両方が望ましい場合がある。
本発明の様々な実施形態は、これらの技術的課題の1つまたは複数に対処することができる。具体的には、本発明の様々な実施形態は、古典的機械学習のための量子強化特徴を容易にすることができる、システムまたは技術あるいはその両方を提供することができる。様々な態様において、本発明の実施形態は、入力として古典的データの集合を電子的に受信することができ、古典的データの集合の量子変形に基づいて、出力としてML入力特徴の集合を電子的に生成することができる、コンピュータ化されたツール(例えば、コンピュータ・ハードウェアまたはコンピュータ・ソフトウェアあるいはその両方の組合せ)として考えることができる。これらのML入力特徴は、量子強化入力特徴、または量子強化独立変数あるいはその両方と称される場合がある。換言すれば、本明細書で説明されるようなコンピュータ化されたツールは、古典的データの集合を、量子回路または量子アルゴリズムあるいはその両方を介して変形することができ、このような量子変形の結果は(古典的データの元の集合も同様に)、入力として古典的MLモデルに与えることができる。本明細書で説明するように、入力として古典的データの集合と古典的データの集合の量子変形との両方を受信するように構成された古典的MLモデルは、古典的データの集合のみを受信するように構成された古典的MLモデルと比較して、正確さの高い予測/ラベル付けを示すことができる。
上で言及したように、古典的MLモデルは、入力として古典的データの集合を受信するように、また古典的データの集合に基づいて、出力として判断を生み出すように構成することができる。例えば、古典的データの集合が画像である場合、判断が、画像の分類またはセグメント化あるいはその両方を行なうラベルとなるように、古典的MLモデルを構成することができる。別の例として、古典的データの集合が音声記録である場合、判断が、音声記録の分類またはセグメント化あるいはその両方を行なうラベルとなるように、古典的MLモデルを構成することができる。さらに別の例として、古典的データの集合が時系列である場合、判断が、時系列で辿る可能性がある1つまたは複数の予想されるデータ点となるように、古典的MLモデルを構成することができる。したがって、高次では、古典的MLモデルは、古典的データの集合によって明らかにされるパターン、傾向、または分布あるいはその組合せを検出するものとして考えることができ、この場合、古典的MLモデルによって生成される判断は、検出されるパターン、傾向、または分布あるいはその組合せに依存する。
本発明の様々な実施形態の発明者らは、様々な場合において、古典的データの集合を量子ヒルベルト空間(例えば、量子コンピューティングにネイティブな、複素数値数学的空間)にインポートすること、または量子ヒルベルト空間内で古典的データの集合に対して様々な量子変形を行なうこと、あるいはその両方は、古典的データの集合において追加的なパターン、傾向、または分布あるいはその組合せを、明らかにすることができると認識した。これらの追加的なパターン、傾向、または分布あるいはその組合せは、古典的MLモデルでは以前は隠れていた、または検出不可能だった、あるいはその両方であった。換言すれば、本発明の様々な実施形態の発明者らは、古典的データの集合は、古典的データの集合を量子状態情報に変換することによって、またはそのような量子状態情報を量子回路/アルゴリズムを用いて変形することによって、あるいはその両方によって、エンリッチ/強化することが可能であることを認識した。そのため、古典的MLモデルが、古典的データの集合のみを受信するように構成される場合、古典的MLモデルは、古典的データの集合に隠れている追加的なパターン、傾向、または分布あるいはその組合せにアクセスすることができない。他方では、古典的MLモデルが、古典的データの集合と古典的データの集合の量子変形との両方を受信するように構成される場合、古典的MLモデルは、古典的データの集合に隠れている追加的なパターン、傾向、または分布あるいはその組合せにアクセスすることができ、このことは、古典的MLモデルによって生成される判断の正確さ/精度を高めることを助けることができる。
したがって、本明細書で説明されるようなコンピュータ化されたツールは、様々な態様において、古典的データに基づいて、古典的MLモデルのための量子強化入力特徴を生成することができる。具体的には、様々な実施形態において、このようなコンピュータ化されたツールは、受信機コンポーネント、変換コンポーネント、量子コンポーネント、特徴コンポーネント、および実行コンポーネントを含むことができる。
様々な実施形態において、受信機コンポーネントは、古典的MLモデルによって分析されることが望ましい古典的データセットを、電子的に受信することができる、またはそれに電子的にアクセスすることができる、あるいはその両方である。様々な場合において、受信機コンポーネントは、古典的データセットを、受信機コンポーネントに対してリモートまたはローカルあるいはその両方のいずれかに関わらず、あらゆる好適な中央集権的なまたは非中央集権的なあるいはその両方のデータ構造(例えば、グラフ・データ構造、リレーショナル・データ構造、ハイブリッドなデータ構造)から電子的に取り出すことができる。当業者であれば諒解するように、古典的データセットは、あらゆる好適な様式でフォーマットすることができる(例えば、古典的なビットとしてフォーマットされる、古典的な整数としてフォーマットされる、古典的な浮動小数点数としてフォーマットされる)。
様々な実施形態において、変換コンポーネントは、古典的データセットを、量子ヒルベルト空間に電子的にインポートすることができる。より具体的には、変換コンポーネントは、あらゆる好適な振幅埋め込みまたは振幅エンコーディング技術あるいはその両方を介して、古典的データセットを量子確率振幅の集合に電子的に変換することができ、この場合、量子確率振幅の集合は量子状態ベクトルを集合的に表現し、このような量子状態ベクトルは、量子回路上での演算、または量子回路による操作、あるいはその両方が可能である。
例えば、古典的データセットが、あらゆる好適な正の整数xについて、xデータ点を含むと仮定する。このような場合、xデータ点のそれぞれが対応する量子確率振幅に変換されて、x量子確率振幅を与えるように、振幅埋め込み/エンコーディングを適用することができる。
当業者であれば諒解するように、量子確率振幅は、量子状態に関連付けられる複素数(例えば、実部または虚部あるいはその両方を有する)であることができ、この場合、量子確率振幅の二乗は、関連付けられる量子状態の発生の確率を表現する。したがって、量子確率振幅は、量子確率振幅の二乗の和が1に等しくなるように正規化することができる(例えば、量子確率振幅それぞれは、1つの量子状態に対応し、二乗した量子確率振幅それぞれは、その対応する量子状態が発生する確率を表す。そのため、あるシステムのすべての可能な状態に対してこのような確率を加算すると、単位元に等しくなる)。
特に、変換コンポーネントは、古典的データセットをx要素ベクトルと考えることによって、このx要素ベクトルのノルム(例えば、大きさ、長さ)を計算することによって(例えば、xデータ点のそれぞれの二乗の和の二乗根)、xデータ点のそれぞれを計算したノルムで除算することによって、古典的データセットを量子確率振幅に変換することができる。様々な態様において、結果は、xデータ点が、その二乗の和が単位元に等しくなるように正規化されることであり得、そのため、正規化されたxデータ点のそれぞれを、量子確率振幅として考えることができる。様々な態様において、量子確率振幅の集合は、古典的データセットの量子バージョンまたは量子フォーマットあるいはその両方として考えることができる。
様々な事例において、量子コンポーネントは、量子回路を量子確率振幅の集合に電子的に適用することができる、または量子回路の量子確率振幅の集合への適用を電子的に容易にすることができる、あるいはその両方である。具体的には、量子回路は、直列(例えば、行列乗算による)または並列(例えば、テンソル積またはクロネッカー積あるいはその両方による)あるいはその両方で結合された量子ゲートのシーケンス(例えば、量子ビットの状態を変形/回転させるユニタリ行列演算子)であることができる。量子回路は、物理的な量子ビットを含む量子コンピューティング・デバイス上で実行することができる。様々な態様において、量子コンポーネントは、量子コンピューティング・デバイスと電子的に統合することができ、そのため、量子コンピューティング・デバイスに互換性のある、あらゆる好適な量子ゲートまたは量子回路あるいはその両方を実行することができる。
様々な場合において、量子コンポーネントは、量子コンピューティング・デバイスを、変換コンポーネントによって生成された量子確率振幅で初期化することができる。つまり、量子確率振幅の集合は、量子状態ベクトルを集合的に表現することができ、量子コンピューティング・デバイスの量子ビットの状態を量子状態ベクトルに従わせるように、量子コンポーネントは、あらゆる好適な初期化回路を量子コンピューティング・デバイス上で実行することができる。当業者であれば諒解するように、このような初期化回路の構成は、量子確率振幅の集合の特定の値に依存することができる。
様々な事例において、量子コンピューティング・デバイスの量子ビットが、量子確率振幅の集合で初期化されてしまうと、量子コンポーネントは、量子回路を量子コンピューティング・デバイス上で実行することができ、それによって、量子確率振幅の集合を、合成量子確率振幅の集合に変形する。様々な場合において、合成量子確率振幅の集合は、量子コンピューティング・デバイスの量子ビットの合成量子状態ベクトルを表現することができる。様々な態様において、合成量子確率振幅の集合(例えば、合成量子状態ベクトル)は、古典的データセットの量子変形バージョンまたは量子変形フォーマットあるいはその両方として考えることができる。
再度、古典的データセットがxデータ点を含み、変換コンポーネントがxデータ点に基づいてx量子確率振幅を生成する、上の例を検討する。当業者であれば諒解するように、x量子確率振幅の集合は、log2x量子ビットの量子状態の重ね合わせを記述するx要素量子状態ベクトルと考えることができる。そのため、量子コンポーネントによって利用される量子コンピューティング・デバイスは、log2x量子ビットを含むことができる。log2xが整数でない場合、次に大きい整数に切り上げることができる。
様々な場合において、log2x量子ビットは、既知の量子状態ベクトルを有することによって開始することができる。例えば、log2x量子ビットは、すべてが|0>状態にあることで開始することができる。既知の開始量子状態ベクトルが与えられると、量子コンポーネントは、log2x量子ビットの状態が既知の開始量子状態ベクトルからx量子確率振幅によって表現される量子状態ベクトルに変形されるように、量子コンピューティング・デバイス上で初期化回路を実行することができる。当業者であれば諒解するように、初期化回路の構成(例えば、初期化回路における量子ゲートの特定の組合せまたは配置あるいはその両方)は、既知の開始量子状態ベクトルに基づいて、またx量子確率振幅の集合によって表現される量子状態ベクトルに基づいて、量子コンポーネントによって選ぶこと、または選択すること、あるいはその両方が可能である。換言すれば、始めの量子状態ベクトルおよび所望の量子状態ベクトルが与えられれば、当業者であれば、始めの量子状態ベクトルから所望の量子状態ベクトルに変形するように、どの量子ゲートをどのように組み合わせるかを理解するであろう。
量子コンピューティング・デバイスのlog2x量子ビットが、変換コンポーネントによって生成されたx量子確率振幅によって表現される量子状態ベクトルで初期化されてしまうと、量子コンポーネントは、あらゆる好適な量子回路を量子コンピューティング・デバイス上で実行することができる。場合によっては、量子回路は、量子フーリエ変換であってもよい。どのような場合でも、量子回路は、x量子確率振幅によって表現される量子状態ベクトルを、x合成量子確率振幅によって表現される何らかの合成量子状態ベクトルに、変形する、または回転させる、あるいはその両方が可能である。
様々な実施形態において、特徴コンポーネントは、量子コンポーネントによって生成された合成量子確率振幅の集合に基づいて、量子強化ML入力特徴を電子的に生成することができる。具体的には、合成量子確率振幅の集合は、複素数の集合と考えることができ、特徴コンポーネントは、あらゆる好適な数学関数を複素数の集合に電子的に適用することができる。様々な場合において、そのような数学関数の適用の結果は、量子強化ML入力特徴と考えることができる。例えば、いくつかの事例では、特徴コンポーネントは、スケーリングされる振幅が量子強化ML入力特徴と考えることができるように、合成量子確率振幅の集合を乗法的にスケーリングする(例えば、スケール・アップまたはスケール・ダウンあるいはその両方)ことができる。他の事例では、特徴コンポーネントは、オフセットされる振幅が量子強化ML入力特徴と考えることができるように、合成量子確率振幅の集合を加法的にオフセットする(例えば、バイアス・アップまたはバイアス・ダウンあるいはその両方)ことができる。さらに他の事例では、合成量子確率振幅が複素数であることができるため、特徴コンポーネントは合成量子確率振幅の大きさを計算することができ、それによって、その大きさを量子強化ML入力特徴として考えることができる。様々な実施形態において、特徴コンポーネントは、合成量子確率振幅の集合自身を量子強化ML入力特徴として考えることができるように、合成量子確率振幅をどのようにも数学的に変更することを避けることができる。
上の例を続けると、特徴コンポーネントは、量子コンポーネントによって生成されたx合成量子確率振幅を(例えば、数学的操作を用いて、または用いずに、あるいはその両方で)抽出することができ、それによってx量子強化ML入力特徴を与える。例えば、いくつかの事例では、x量子強化ML入力特徴は、x合成量子確率振幅に等しい場合がある。他の事例では、x量子強化ML入力特徴は、x合成量子確率振幅のあらゆる好適な関数であることができる。
様々な実施形態において、実行コンポーネントは、古典的データセットに対して、または特徴コンポーネントによって生成された量子強化ML入力特徴に対して、あるいはその両方に対して、古典的MLモデルを電子的に実行することができる、または古典的MLモデルの実行を電子的に容易にすることができる、あるいはその両方である。換言すれば、特徴コンポーネントが量子強化ML入力特徴を生成した後、実行コンポーネントは、古典的データセットまたは量子強化ML入力特徴あるいはその両方を、古典的MLモデルに電子的に与えることができる。上で説明したように、量子強化ML入力特徴は、古典的データセットを量子ヒルベルト空間にインポートすることによって(例えば、具体的には、古典的データセットを量子確率振幅に変換することによって)、または量子ヒルベルト空間内で古典的データセットを変形することによって(例えば、具体的には、量子コンピュータを量子確率振幅で初期化して、その量子コンピュータ上で量子回路を実行することによって)、あるいはその両方によって、作成することができる。そのため、量子強化ML入力特徴は、古典的データセットを特性付けるが以前は古典的データセット中に隠れていたパターン、傾向、または分布あるいはその組合せを、明らかにすることができる。したがって、古典的MLモデルは、入力として量子強化ML入力特徴を受信するように構成することができるため、古典的MLモデルは、その出力する判断を、そのような以前は隠れていたパターン、傾向、または分布あるいはその組合せに基づいたものにすることができる。したがって、古典的MLモデルは、量子強化ML入力特徴がない場合よりも正確な判断を生成することができる。
本明細書で説明されるコンピュータ化されたツールは、様々な態様において、入力として古典的データセットを電子的に受信することができ、古典的データセットに基づいて、出力として量子強化ML入力特徴を電子的に生み出すことができ、この場合、量子強化ML入力特徴を、古典的データセットのエンリッチなバージョンと考えることができる。本明細書で説明されるように、コンピュータ化されたツールは、古典的データセットを(例えば、振幅埋め込み/エンコーディングを介して)量子確率振幅に電子的に変換することによって、量子コンピュータをそのような量子確率振幅で初期化することによって、またはそのような量子確率振幅の回転および/もしくは変形を行なうように量子コンピュータ上で量子回路(例えば、量子フーリエ変換)を実行することによって、あるいはその組合せによって、この機能性を容易にすることが可能である。いくつかの事例では、回転/変形された量子確率振幅は、量子強化ML入力特徴と考えることができる。他の事例では、回転/変形された量子確率振幅は、量子強化ML入力特徴を与えるように、あらゆる好適な数学関数(例えば、スケーリング、オフセット、ノルム計算)を介してさらに操作することができる。様々な場合において、コンピュータ化されたツールは、古典的MLモデルを量子強化ML入力特徴に対して電子的に実行することができる、または量子強化ML入力特徴の電子的な記憶および/もしくは送信あるいはその両方が可能である。
本発明の様々な実施形態は、性質として高度に技術的であり(例えば、古典的機械学習のための量子強化特徴を容易にすること)、抽象的ではなく、人間による精神的な行為のセットとして実行することができない問題を解決するように、ハードウェアまたはソフトウェアあるいはその両方を使用するために採用することができる。さらには、実施されるプロセスの一部は、特殊化されたコンピュータ(例えば、振幅埋め込み器、量子コンピュータ、古典的機械学習モデル)によって実施することができる。様々な態様において、本発明の様々な実施形態に関連するいくつかの定義されたタスクとして、以下を挙げることができる:プロセッサに動作可能に連結されたデバイスによって、古典的データセットにアクセスすること;デバイスによって、古典的データセットの量子変形に基づいて、1つまたは複数の機械学習入力特徴を生成すること;デバイスによって、1つまたは複数の機械学習入力特徴に対して古典的機械学習モデルを実行すること。本発明の様々な実施形態に関するさらに定義されたタスクとして、以下を挙げることができる:デバイスによって、古典的データセットを量子確率振幅の集合に変換すること;デバイスによって、量子回路を量子確率振幅の集合に対して実行し、それによって古典的データセットの量子変形を与えること。このような定義されたタスクは、典型的には人間によって手作業で実施されない。その上、人間の思考もペンと紙を持った人間も、古典的データセットに電子的にアクセスすること、古典的データセットを量子確率振幅に電子的に変換すること、量子回路を量子確率振幅に対して電子的に実行して、量子強化入力特徴を生成すること、または古典的MLモデルを量子強化入力特徴に対して電子的に実行すること、あるいはその組合せを行なうことはできない。代わりに、本発明の様々な実施形態は、本質的かつ密接にコンピュータ技術と結びついており、コンピューティング環境の外部では実施することができない(例えば、量子回路と古典的MLモデルは、本質的にコンピュータ化された物体であり、コンピューティング・システムの外部には存在することができない。同様に、量子回路を活用して古典的MLモデルのためのエンリッチな入力特量を作成するコンピュータ化されたツールもまた、本質的にコンピュータ化されたデバイスであり、コンピュータなしにはどのような賢明なやり方でも実用上は実施することができない)。
様々な事例において、本発明の様々な実施形態は、古典的機械学習のための量子強化特徴に関して開示される教示を、実用的な用途に統合することができる。実際、本明細書で説明されるように、システムまたはコンピュータ実装方法あるいはその両方の形態を取り得る本発明の様々な実施形態は、古典的データセットの量子状態表現を生成すること、または量子回路を介して量子状態表現を変形すること、あるいはその両方によって、古典的データセットのエンリッチメントを容易にする、コンピュータ化されたツールとして考えることができる。上で説明したように、多くの量子研究が、NISQデバイスよりも多くの物理的な量子ビットをサポートすることができる量子コンピューティング・デバイスの設計または構築あるいはその両方に貢献してきたが、古典的機械学習技術のパフォーマンスを改善するために、NISQデバイスをどのように活用することができるかを調査することに専念した研究はない。それとは全く対照的に、本発明の様々な実施形態の発明者らは、量子変形を古典的データセットに適用することによって、古典的データセットの強化された/エンリッチなバージョンを与えることができることを認識した。さらには、本発明の様々な実施形態の発明者らは、入力として古典的データセットのみを受信するように構成された古典的MLモデルと比較した場合に、入力として古典的データセットと古典的データセットの強化された/エンリッチなバージョンとの両方を受信するように構成された古典的MLモデルが、より高いパフォーマンス・メトリクス(例えば、予測の正確さの向上)を達成できることを実験的に検証した。本明細書で説明されるように、パフォーマンス・メトリクスにおける、この改善は、古典的データセットの強化された/エンリッチなバージョンが、古典的データセットでは隠れるまたは検出できないあるいはその両方の、データ・パターン、データ傾向、またはデータ分布あるいはその組合せを明らかにすることができるという事実によるものであり得る。したがって、入力として古典的データセットの強化された/エンリッチなバージョンを受信するように構成された古典的MLモデルは、その出力する判断を、このような以前は隠れていたデータ・パターン、データ傾向、またはデータ分布あるいはその組合せに基づいたものにすることができる。古典的MLモデルなどのコンピューティング・デバイスのパフォーマンスそのものを改善することができるシステムまたは技術あるいはその両方は、機械学習の分野において、具体的で有形な技術的改善を明確に確立する。
さらには、本発明の様々な実施形態は、開示される教示に基づいて、有形の、ハードウェアベース、またはソフトウェアベース、あるいはその組合せのデバイスを制御することができる。例えば、本発明の実施形態は、古典的データを強化する/エンリッチにするように、有形の量子ハードウェアで量子回路を実際に実行すること、または強化された/エンリッチな古典的データに対する有形のMLハードウェアの実行を実際に容易にすること、あるいはその両方が可能である。
図面および本明細書の開示は、本発明の様々な実施形態の非限定的な例を説明することを諒解されたい。
図1は、本明細書において説明される1つまたは複数の実施形態による、古典的機械学習のための量子強化特徴を容易にすることができる、例示の、非限定的なシステム100のブロック図である。示されるように、量子強化特徴システム102は、あらゆる好適な有線または無線あるいはその両方の電子的な接続を介して、古典的データ104と、古典的機械学習モデル106(「古典的MLモデル106」)と、または量子コンピュータ122あるいはその両方と、電子的に統合することができる。
様々な態様において、古典的データ104は、あらゆる好適な古典的データ値を含むことができる(例えば、古典的なビット、古典的な整数、古典的な浮動小数点数)。いくつかの事例では、古典的データ104は、時系列データであってもよい。つまり、古典的データ104のデータ値は、時間によって照合することができる(例えば、古典的データ104は、第1の時間ステップに関連付けられる1つまたは複数の第1のデータ値を含むことができ、古典的データ104は、第2の時間ステップに関連付けられる1つまたは複数の第2のデータ値を含むことができる)。様々な事例において、古典的データ104は、あらゆる好適なサイズを有することができる(例えば、あらゆる好適な数のデータ要素/値を有することができる;時間で照合される場合、あらゆる好適な数の時間ステップを有することができる)。様々な場合において、古典的データ104は、時間をかけて記録されたか、所与の時間的な瞬間に記録された、いずれかの、あらゆる好適な数量の所望の測定された値を表現することができる(例えば、時間をかけて記録されたトランザクションの数、時間のスナップショット中に発生したトランザクションを特性付けるデータ、時間に対して消費されたリソースの量、時間のスナップショット中に消費されたリソースを特性付けるデータ)。本明細書のいくつかの例は、時系列データに関して本発明の様々な実施形態を説明するが、当業者であれば、これは単なる非限定的な例であることを諒解されよう。様々な態様において、古典的データのあらゆる好適な集合は、古典的データの集合が時系列として編成されるかどうかに関わらず、本発明の様々な実施形態において実装することができる(例えば、古典的データの集合が、位置、場所、または時間ではない何らかの他のインデックス/識別子あるいはその組合せによって、照合される場合であっても)。
様々な事例において、古典的MLモデル106は、あらゆる好適なタイプの古典的機械学習アルゴリズム、技術、またはアーキテクチャあるいはその組合せを実装することができる。例えば、古典的MLモデル106は、1つもしくは複数のサポート・ベクタ・マシン、1つもしくは複数の人工ニューラル・ネットワーク、1つもしくは複数のエキスパート・システム、1つもしくは複数のベイジアン信念ネットワーク、1つもしくは複数のファジー論理モデル、1つもしくは複数のデータ・フュージョン・エンジン、1つもしくは複数の線形回帰モデル、1つもしくは複数の多項式回帰モデル、1つもしくは複数のロジスティック回帰モデル、1つもしくは複数の自己回帰和分移動平均モデル、および/または1つもしくは複数の決定木であってもよい、ならびに/あるいはそれらを含むことができる。様々な場合において、古典的MLモデル106は、あらゆる好適なタイプまたは次元あるいはその両方の入力データを受信し、入力データに基づいてあらゆる好適なタイプまたは次元あるいはその両方の出力を生成するように構成することができる。様々な態様において、出力データは、入力データに基づいた判断、推論、分類、セグメント化、または予測あるいはその組合せであることができる。
様々な場合において、量子コンピュータ122は、あらゆる好適なタイプの量子コンピューティング・デバイスまたは量子シミュレータあるいはその両方であることができる。つまり、量子コンピュータ122は、あらゆる好適な量子コンピューティング・アーキテクチャを示すことができる。
様々な事例において、古典的データ104のエンリッチな/強化されたバージョンを生成することが望ましい場合があり、また古典的MLモデル106を古典的データ104に対して、または古典的データ104のエンリッチな/強化されたバージョンに対して、あるいはその両方に対して実行することが望ましい場合がある。様々な実施形態において、これは、以下で説明するように、量子強化特徴システム102によって容易にすることができる。より具体的には、量子強化特徴システム102は、古典的データ104のエンリッチな/強化されたバージョンを作成するように、量子コンピュータ122を活用することができる。
様々な実施形態において、量子強化特徴システム102は、プロセッサ108(例えば、コンピュータ処理ユニット、マイクロプロセッサ)、およびプロセッサ108に動作可能に連結されたコンピュータ可読メモリ110を含むことができる。メモリ110は、プロセッサ108によって実行されると、プロセッサ108または量子強化特徴システム102の他のコンポーネント(例えば、受信機コンポーネント112、変換コンポーネント114、量子コンポーネント116、特徴コンポーネント118、実行コンポーネント120)あるいはその両方に、1つまたは複数の動作を実行させる、コンピュータ実行可能命令を記憶することができる。様々な実施形態において、メモリ110は、コンピュータ実行可能コンポーネント(例えば、受信機コンポーネント112、変換コンポーネント114、量子コンポーネント116、特徴コンポーネント118、実行コンポーネント120)を記憶することができ、プロセッサ108は、コンピュータ実行可能コンポーネントを実行することができる。
様々な実施形態において、量子強化特徴システム102は、受信機コンポーネント112を含むことができる。様々な態様において、受信機コンポーネント112は、古典的データ104を、受信機コンポーネント112に対してリモートまたはローカルあるいはその両方のいずれかに関わらず、あらゆる好適な中央集権的なまたは非中央集権的なあるいはその両方のデータ構造(図示せず)から、電子的に取り出すこと、またはそれに電子的にアクセスすること、あるいはその両方が可能である。したがって、様々な態様において、量子強化特徴システム102の他のコンポーネントは、古典的データ104を操作すること、またはそれと対話すること(例えば、読取り、書込み、複製、編集)、あるいはその両方が可能である。
様々な実施形態において、量子強化特徴システム102は、変換コンポーネント114を含むことができる。様々な態様において、変換コンポーネント114は、古典的データ104を量子フォーマットに電子的に変換することができる(例えば、古典的データ104の電子的な複製を変換することができる)。換言すれば、古典的データ104は、古典的なフォーマットのままである場合があり、古典的データ104が量子コンピューティング・デバイスによる処理に耐えられない可能性があることを意味する。そのため、変換コンポーネント114は、量子コンピューティング・デバイスによって処理可能な、古典的データ104のバージョンを電子的に生成することができる。
具体的には、様々な態様において、変換コンポーネント114は、あらゆる好適な振幅埋め込みまたは振幅エンコーディングあるいはその両方の技術を介して、古典的データ104に基づいて、確率振幅の集合を生成することができる。様々な場合において、確率振幅の集合は、集合的に古典的データ104を表現する量子状態ベクトルとして考えることができる。換言すれば、確率振幅の集合は、量子コンピューティング・デバイスによって処理可能な、古典的データ104のフォーマットまたはバージョンあるいはその両方として考えることができる。様々な事例において、確率振幅の集合は、それぞれ古典的データ104に相当することができる。つまり、変換コンポーネント114は、古典的データ104中のデータ要素のそれぞれに、1つの確率振幅を生成することができる(例えば、古典的データ104が時系列である場合、一部の事例において変換コンポーネント114は、古典的データ104中で表現される時間ステップのそれぞれに、1つの確率振幅を生成することができる)。特に、変換コンポーネント114は、様々な態様において、古典的データ104をデータ要素のベクトルとして扱うことができ、そのようなベクトルの大きさを計算することができ、各データ要素を、その計算された大きさで除算することができ、それによって、データ要素の正規化されたベクトルが得られる。様々な場合において、データ要素の正規化されたベクトルは、確率振幅の集合として考えることができる。
本明細書では図面および開示は、古典的データ104を量子処理可能フォーマットにエンコードするために、変換コンポーネント114が振幅埋め込みを実装する本発明の様々な実施形態を説明するが、これは単なる非限定的な例である。様々な態様において、あらゆる他の好適な量子埋め込み技術を実施して、古典的データ104を量子計算に従う形態に変換することができる(例えば、変換コンポーネント114は、基底埋め込み(basis embedding)を実装することができる)。
様々な実施形態において、量子強化特徴システム102は、量子コンポーネント116を含むことができる。様々な態様では、量子コンポーネント116は、量子回路を確率振幅の集合に電子的に適用することができ、合成確率振幅の集合を生成する。より具体的には、様々な実施形態において、量子コンポーネント116は、あらゆる好適な量子コンピューティング・デバイスまたはシミュレータあるいはその両方であり得る、量子コンピュータ122と(例えば、あらゆる好適な有線または無線あるいはその両方の電子的な接続を介して)電子的に統合することができる。様々な場合において、示されるように、量子コンピュータ122は、量子コンポーネント116からリモートにあってもよい。しかしながら、他の事例では、量子コンピュータ122は、量子コンポーネント116のローカルにあってもよい。様々な事例において、量子コンピュータ122は、量子コンピュータ122が量子計算を実施することができるように、物理的な量子ビットを含むこと、または量子ビットの挙動をシミュレートすること、あるいはその両方が可能である。様々な場合において、量子コンポーネント116は、量子コンピュータ122を、確率振幅の集合で初期化することができ、次いで、量子コンピュータ122上であらゆる好適な量子回路(例えば、量子フーリエ変換)を実行することができ、それによって、確率振幅の集合の変形または回転あるいはその両方を行なって、合成確率振幅の集合にする。
換言すれば、確率振幅の集合は、古典的データ104を表現する量子状態ベクトルとして考えることができる。様々な態様において、量子コンポーネント116は、量子コンピュータ122を、そのような量子状態ベクトルで初期化することができる。すなわち、量子コンポーネント116は、量子ビットの初期状態が確率振幅に従うように、量子コンピュータ122の量子ビットを(例えば、あらゆる好適な量子ゲートを介して)操作することができる。様々な事例において、次いで量子コンポーネント116は、量子回路を量子コンピュータ122上で実行することによって、その量子状態ベクトル(例えば、確率振幅)を変形/回転することができる。結果は、合成量子状態ベクトル(例えば、合成確率振幅)であることができる。
様々な場合において、変換コンポーネント114は、古典的データ104を量子ヒルベルト空間にインポートすることと考えることができ(例えば、古典的データ104を量子処理可能フォーマットに変換することができる)、量子コンポーネント116は、量子ヒルベルト空間内で古典的データ104を操作することと考えることができる(例えば、古典的データ104の量子処理可能フォーマットを、量子ゲートの実行を介して、変形または回転あるいはその両方を行なうことができる)。
様々な実施形態において、量子強化特徴システム102は、特徴コンポーネント118を含むことができる。様々な態様において、特徴コンポーネント118は、量子コンポーネント116によって生成された合成確率振幅に基づいて、強化ML入力特徴の集合を、電子的に生成することができる。様々な事例において、特徴コンポーネント118は、あらゆる好適な数学関数を合成確率振幅に適用することができ、強化ML入力特徴を与える。例えば、いくつかの事例では、特徴コンポーネント118は、合成確率振幅を上向きに(例えば、1より大きい乗算係数により)、または下向きに(例えば、1より小さい乗算係数により)あるいはその両方で、乗法的にスケーリングすることができ、そのようにスケーリングされた確率振幅は、強化ML入力特徴と考えることができる。別の例として、いくつかの事例では、特徴コンポーネント118は、合成確率振幅を上向きに(例えば、バイアス値の加算により)、または下向きに(例えば、バイアス値の減算により)あるいはその両方で、加法的にオフセットすることができ、そのようにオフセットされた確率振幅は、強化ML入力特徴と考えることができる。さらに別の例として、合成確率振幅は、複素数であることができ、そのため特徴コンポーネント118は、各合成確率振幅のノルムを計算することができ、それによって、計算される大きさを強化ML入力特徴として考えることができる。なおさらなる例として、特徴コンポーネント118は、合成確率振幅自身を強化ML入力特徴として考えることができるように、合成確率振幅を変更することを避けることができる。
様々な実施形態において、量子強化特徴システム102は、実行コンポーネント120を含むことができる。様々な態様において、実行コンポーネント120は、特徴コンポーネント118によって生成された強化ML入力特徴に対して、古典的MLモデル106を電子的に実行することができる、または古典的MLモデル106の実行を電子的に容易にすることができる、あるいはその両方である。つまり、実行コンポーネント120は、強化ML入力特徴を古典的MLモデル106に電子的に与えること、または古典的MLモデル106に強化ML入力特徴を分析するように電子的に指示すること、あるいはその両方が可能である。いくつかの事例では、実行コンポーネント120は、古典的MLモデル106を強化ML入力特徴に対して(例えば、教師あり訓練、教師なし訓練、強化学習を介して)電子的に訓練すること、または古典的MLモデル106の強化ML入力特徴に対する訓練を電子的に容易にすること、あるいはその両方が可能である。
図2~図3は、本明細書において説明される1つまたは複数の実施形態による、古典的機械学習のための量子強化特徴を容易にする量子確率振幅を含む、例示の、非限定的なシステム200および300のブロック図である。示されるように、システム200は、様々な実施形態において、システム100と同一のコンポーネントを含むことができ、確率振幅202をさらに含むことができる。
様々な態様において、変換コンポーネント114は、古典的データ104に基づいて、確率振幅202を電子的に生成することができる。具体的には、様々な事例において、変換コンポーネント114は、あらゆる好適な振幅埋め込み技術または振幅エンコーディング技術あるいはその両方を古典的データ104に電子的に適用することができ、確率振幅202を与える。振幅埋め込みまたは振幅エンコーディングあるいはその両方は、古典的データを量子状態ベクトルの確率振幅に埋め込む、またはエンコードする、あるいはその両方を行なう数学的な技術であることができる。換言すれば、確率振幅202は、その値が古典的データ104を集合的に表現する複素数の集合であることができ、その二乗は、様々な量子状態の発生の確率または可能性あるいはその両方を表現する。換言すれば、確率振幅202は、集合的に、量子処理可能なバージョンまたは量子処理可能フォーマットあるいはその両方である、古典的データ104と考えることができる(例えば、古典的データ104は、量子コンピュータによって処理することができない方法でフォーマットされている可能性があるが、確率振幅202は、量子コンピュータによって処理することができる方法でフォーマットすることができる)。
より具体的には、変換コンポーネント114は、様々な態様において、古典的データ104を正規化することによって、確率振幅202を電子的に生成することができる。つまり、様々な事例において、変換コンポーネント114は、古典的データ104を、要素のベクトルとして扱うことができる。そのような事例では、変換コンポーネント114は、そのベクトルを正規化することができる。換言すれば、変換コンポーネント114は、そのベクトルのノルム(例えば、大きさ、長さ)を計算することができ、ベクトル中の要素のそれぞれを、計算したノルムで除算することができる。様々な事例において、その結果は、正規化されたベクトルであることができる。様々な場合において、正規化されたベクトルの要素は、確率振幅202と考えることができる。
図3は、変換コンポーネント114が、古典的データ104に基づいて、確率振幅202をどのように生成することができるか、非限定的で例示的な方法で、図示する。図3に示されるように、古典的データ104は、いくつかの事例では、あらゆる好適な正の整数nについて、nデータ点を含むことができる(例えば、データ点1~データ点nを含むことができる)。様々な態様において、古典的データ104が時系列である場合、これは古典的データ104が、n時間ステップを含むことを示す可能性がある(例えば、古典的データ104は、時間1で1つのデータ点を含むことができ、古典的データ104は、時間nで1つのデータ点を含むことができる)。しかしながら、これは、単なる非限定的な例である。いくつかの事例では、古典的データ104が時系列である場合、古典的データ104は、1時間ステップ当たり2つ以上のデータ点を含んでもよい。例えば、古典的データ104が合計でnデータ点を含むことができる場合、かつ古典的データ104が1時間ステップ当たり2データ点を有する時系列である場合、古典的データ104は、n/2時間ステップを含むことが可能である。いずれの場合も、古典的データ104は、合計でnデータ点を含むことができる。
様々な事例において、示されるように、古典的データ104は、それぞれ確率振幅202に対応することができる。つまり、古典的データ104はnデータ点を含むため、確率振幅202は、同様にn振幅を含むことができる(例えば、振幅1~振幅nを含むことができる)。様々な場合において、確率振幅202の各振幅は、古典的データ104中の対応するデータ点に基づくこと、またはそのようなデータ点から生成すること、あるいはその両方が可能である。例えば、振幅1は、データ点1に基づくこと、またはデータ点1から生成すること、あるいはその両方が可能であり、振幅nは、データ点nに基づくこと、またはデータ点nから生成すること、あるいはその両方が可能である。
上で言及したように、変換コンポーネント114は、あらゆる好適な振幅埋め込み/エンコーディング技術を適用して、確率振幅202を作成することができる。いくつかの事例では、そのような技術は、正規化であり得る。例えば、古典的データ104を、変数yによって表現されるベクトル(または集合あるいはその両方)として考える。そのような事例では、データ点1はy1で表現することができ、データ点nはynで表現することができる。様々な事例において、変換コンポーネント114は、yのノルムを
として計算することができる。したがって、変換コンポーネント114は、yの各要素を計算したノルムで除算することによってyを正規化することができる。すなわち、ynormが確率振幅202を表現するベクトル(または集合あるいはその両方)であることができる場合、
である。換言すれば、振幅1は、データ点1と古典的データ104のノルムの商(例えば、
)に等しくなり得、振幅nは、データ点nと古典的データ104のノルムの商(例えば、
)に等しくなり得る。
として計算することができる。したがって、変換コンポーネント114は、yの各要素を計算したノルムで除算することによってyを正規化することができる。すなわち、ynormが確率振幅202を表現するベクトル(または集合あるいはその両方)であることができる場合、
である。換言すれば、振幅1は、データ点1と古典的データ104のノルムの商(例えば、
)に等しくなり得、振幅nは、データ点nと古典的データ104のノルムの商(例えば、
)に等しくなり得る。
様々な態様において、確率振幅202は、集合的にn要素の量子状態ベクトルを表現していると考えることができる。当業者であれば諒解するように、n要素の量子状態ベクトルは、log2n量子ビットによって実装することができる。様々な場合において、log2nが整数でない場合、次に大きい整数に切り上げることができる(例えば、量子ビットの端数は実装することができないため)。log2nを次に大きい整数に切り上げる場合、当業者であれば、確率振幅202の末尾に(および/または先頭に、および/またはどこにでも)、1つまたは複数のダミー値を連結してもよいことを諒解されよう。例えば、n=5と仮定する。このような事例では、古典的データ104は、5つのデータ点を有することができ、上述のように5つの確率振幅を計算することができる。しかしながら、log25は整数ではなく、次に大きい整数に切り上げられたlog25は3である。このことは、確率振幅202が、3量子ビットを有する量子コンピュータによって処理できることを意味する。しかしながら、3量子ビットシステム用の量子状態ベクトルは、5つの確率振幅ではなく、8つの確率振幅(例えば、23=8)によって定義される。したがって、確率振幅202は、合計で8つの振幅を有することができ、その最初の5つは上述のように生成することができ、後ろ3つは対象としないダミー値であることができる。
図4~図5は、本明細書において説明される1つまたは複数の実施形態による、古典的機械学習のための量子強化特徴を容易にすることができる、量子回路および合成量子確率振幅を含む、例示の、非限定的なシステム400および500のブロック図である。示されるように、システム400は、場合によっては、システム200と同一のコンポーネントを含むことができ、量子回路402および合成確率振幅404をさらに含むことができる。
様々な態様において、量子コンポーネント116は、量子回路402を確率振幅202に電子的に適用することができ、合成確率振幅404を与える。より具体的には、量子コンポーネント116は、量子コンピュータ122と電子的に統合することができる、または量子コンピュータ122への電子的なアクセスおよび/もしくはその電子的な制御を有することができる、あるいはその両方が可能である。様々な態様において、量子コンピュータ122は、log2nの物理的な量子ビットを実装すること、またはlog2nの量子ビットの挙動をシミュレートすること、あるいはその両方が可能である(例えば、やはり、log2nは整数でない場合、切り上げることができる)。したがって、量子コンピュータ122は、n要素の量子状態ベクトルの量子計算を容易にすることができる。様々な場合において、量子コンポーネント116は、量子コンピュータ122を、確率振幅202で電子的に初期化することができる。すなわち、量子コンポーネント116は、量子コンピュータ122の量子ビットを、確率振幅202によって与えられる、または確率振幅202に従う、あるいはその両方の、量子状態の重ね合わせにすることができる。初期化の後、量子コンポーネント116は、量子コンピュータ122上で、量子回路402を電子的に実行させることができる。量子コンピュータ122は、確率振幅202で初期化することができるため、量子回路402の実行は、確率振幅202の回転、または変形あるいはその両方を生じさせることができ、合成確率振幅404を与える。
様々な態様において、量子回路402は、量子ゲートのあらゆる好適な組合せまたは配置あるいはその両方を含むことができる。場合によっては、量子回路402は、量子フーリエ変換であってもよい。
図5は、量子コンポーネント116が、確率振幅202に基づいて、合成確率振幅404をどのように生成することができるか、非限定的で例示的な方法で、図示する。図5に示されるように、確率振幅202はn振幅値(例えば、振幅1~振幅n)を有することができるので、合成確率振幅404は、同様にn振幅値(例えば、合成振幅1~合成振幅n)を有することができる。ちょうど確率振幅202が、log2n量子ビットについてn要素の量子状態ベクトルを集合的に表現することができるように、合成確率振幅404は、同様にlog2n量子ビットについて得られるn要素の量子状態ベクトルを、集合的に表現することができる。様々な態様において、量子回路402が確率振幅202に適用されると(例えば、量子コンピュータ122が確率振幅202で初期化された後、量子回路402が量子コンピュータ122上で実施される場合)、量子回路402は、確率振幅202を改変(例えば、回転、変形)することができ、そのような改変の結果を、合成確率振幅404と考えることができる。換言すれば、量子コンピュータ122は、初期量子状態(例えば、確率振幅202)で初期化することができ、量子コンピュータ122上での量子回路402の実行は、初期量子状態(例えば、確率振幅202)を得られる量子状態(例えば、合成確率振幅404)に変換することができる。
これは、図6でさらに説明される。図6は、本明細書において説明される1つまたは複数の実施形態による、例示の、非限定的な量子回路図600である。量子回路図600は、量子コンポーネント116によって利用される量子コンピュータ122が、どのように動作するかを図示することができる。
示されるように、量子コンピュータ122は、log2n量子ビット(例えば、量子ビット1、量子ビット2、…、量子ビットlog2n)を含むことができる。やはり、log2nは整数でない場合、切り上げることができる。様々な場合において、log2n量子ビットは、あらゆる好適な開始量子状態で開始することができる。示される非限定的な例では、log2n量子ビットのすべては、数字604で示されるように、|0>状態を取ることで開始することができる。しかしながら、これは、単なる非限定的な例である。様々な他の事例では、log2n量子ビットは、あらゆる好適な既知の量子状態を取ることによって開始することができる(例えば、log2n量子ビットのすべては|1>状態を取ることができる、log2n量子ビットの一部が|0>状態を取ることができる一方でlog2n量子ビットのその他は|1>状態を取ることができる)。いずれの場合も、量子コンピュータ122のlog2n量子ビットは、何らかの既知の量子状態を取ることによって、数字604で開始することができる(例えば、何らかの既知の量子状態ベクトルを有することができる)。
様々な事例において、量子コンポーネント116は、量子コンピュータ122上で初期化回路606を実行することができる。様々な態様において、初期化回路606の実行は、log2n量子ビットの量子状態を、数字604における既知の開始量子状態から、数字608の確率振幅202によって定義される量子状態に、回転すること、または変形すること、あるいはその両方が可能である。換言すれば、初期化回路606は、log2n量子ビットを確率振幅202によって定義される量子状態にするように、量子ゲートのあらゆる好適な組合せまたは配置あるいはその両方を含むことができる(例えば、アダマール・ゲート、フェーズ、ゲート、パウリXゲート、パウリYゲート、パウリZゲート、CNOTゲート、SWAPゲート、トフォリ・ゲート)。当業者であれば諒解するように、初期化回路606の特定の構成は、数字604での既知の開始量子状態、および数字608での所望の初期量子状態(例えば、確率振幅202)に依存する可能性がある。換言すれば、既知の量子状態および所望の量子状態が与えられれば、当業者であれば、所与の既知の量子状態を所望の量子状態に変換するように、どの量子ゲートをどの配置または順序あるいはその両方で組み合わせるかを理解するであろう。そのため、数字604で既知の開始量子状態および数字608で所望の初期量子状態(例えば、確率振幅202)が与えられると、量子コンポーネント116は、数字604で既知の開始量子状態を数字608での所望の初期量子状態(例えば、確率振幅202)に回転/変形するように、初期化回路606をどのように構造化するかを判断することができる。log2n量子ビットが、確率振幅202に従う量子状態を示してしまうと(例えば、数字608において、初期化回路606の実行後)、量子コンピュータ122は、確率振幅202で初期化されていると考えることができる。
様々な態様において、量子コンピュータ122が確率振幅202で初期化されてしまうと、量子コンポーネント116は、量子コンピュータ122上で量子回路402を実行することができる。様々な事例において、量子回路402の実行は、log2n量子ビットの量子状態を、数字608における確率振幅202によって定義される量子状態から、数字610で示される何らかの合成量子状態に、回転する、または変形すること、あるいはその両方が可能である。様々な態様において、数字610における合成量子状態は、合成確率振幅404に相当することができる。換言すれば、量子回路402は、(例えば、数字608においてlog2n量子ビットの量子状態を定義する)確率振幅202を、(例えば、数字610においてlog2n量子ビットの量子状態を定義する)合成確率振幅404に回転/変形することができる。そのため、様々な場合において、合成確率振幅404は、確率振幅202の、および量子回路402の関数として考えることができる。
当業者であれば、量子コンピュータ122は、あらゆる好適な量子状態測定技術を実装できることを諒解するであろう。
図7~図8は、本明細書において説明される1つまたは複数の実施形態による、古典的機械学習のための量子強化特徴を容易にすることができる強化された機械学習入力特徴を含む、例示の、非限定的なシステム700および800のブロック図である。示されるように、システム700は、場合によっては、システム400と同一のコンポーネントを含むことができ、強化ML入力特徴702をさらに含むことができる。
様々な態様において、特徴コンポーネント118は、合成確率振幅404に基づいて、強化ML入力特徴702を、電子的に生成することができる。換言すれば、特徴コンポーネント118は、あらゆる好適な数学関数を合成確率振幅404に適用することができ、強化ML入力特徴702を与える。
これは、図8において非限定的で例示的な方法で示される。図8に示されるように、合成確率振幅404はn振幅を含むことができるので(例えば、合成振幅1~合成振幅n)、強化ML入力特徴702は、同様にn量子強化入力特徴を含むことができる(例えば、量子強化入力特徴1~量子強化入力特徴n)。様々な場合において、強化ML入力特徴702は、それぞれ合成確率振幅404に対応することができる。すなわち、量子強化特徴1は、合成振幅1に対応すること、または合成振幅1に基づいて生成すること、あるいはその両方が可能であり、量子強化特徴nは、合成振幅nに対応すること、または合成振幅nに基づいて生成すること、あるいはその両方が可能である。
様々な場合において、強化ML入力特徴702は、合成確率振幅404のあらゆる好適な関数であることができる。例えば、いくつかの事例では、特徴コンポーネント118は、合成確率振幅404を乗法的にスケーリングして、強化ML入力特徴702を生成することができる。このような場合、量子強化特徴1は、合成振幅1とあらゆる好適な乗算係数との積に等しくなり得、量子強化特徴nは同様に、合成振幅nとあらゆる好適な乗算係数との積に等しくなり得る。別の例として、いくつかの態様では、特徴コンポーネント118は、合成確率振幅404を加法的にオフセットして、強化ML入力特徴702を生成することができる。このような場合、量子強化特徴1は、合成振幅1とあらゆる好適なバイアス値との和に等しくなり得、量子強化特徴nは同様に、合成振幅nとあらゆる好適なバイアス値との和に等しくなり得る。なお別の例として、正弦である合成確率振幅404は、複素数である可能性があり、特徴コンポーネント118は、強化ML入力特徴702を生成するために合成確率振幅404の大きさを計算することができる。このような場合、量子強化特徴1は、合成振幅1の大きさに等しくなり得、量子強化特徴nは同様に、合成振幅nの大きさに等しくなり得る。さらに別の例では、特徴コンポーネント118は、合成確率振幅を改変することを避けることができる。このような場合、量子強化特徴1は、合成振幅1に等しくなり得、量子強化特徴nは同様に、合成振幅nに等しくなり得る。
様々な事例において、強化ML入力特徴702は、古典的データ104の量子変形または量子エンリッチバージョンあるいはその両方と考えることができる。様々な場合において、強化ML入力特徴702は、古典的データ104では以前は隠れていたまたは検出できなかったあるいはその両方の、データ・パターン、データ傾向、またはデータ分布あるいはその組合せを明らかにすることができるため、「強化された」という用語または「エンリッチな」という用語あるいはその両方は、強化ML入力特徴702を記述するために使用することができる。上で説明したように、本発明の様々な実施形態の発明者らは、古典的データセットを量子ヒルベルト空間にインポートすること、次いで量子ヒルベルト空間内で古典的データセットを変形することは、古典的データセットを特性付ける、それ以外の方法では隠されるパターン、傾向、または分布あるいはその組合せを明らかにできることを認識した。本明細書で説明されるように、変換コンポーネント114のアクションは、古典的データ104を量子ヒルベルト空間にインポートすることとして考えることができ(例えば、変換コンポーネント114は、古典的データ104を量子処理可能フォーマット、すなわち確率振幅202に変換することができる)、量子コンポーネント116のアクションは、量子ヒルベルト空間内で古典的データ104を変形することとして考えることができる(例えば、量子コンポーネント116は、量子回路を確率振幅202に適用することができる)。したがって、強化ML入力特徴702は、古典的データ104内では識別することができないパターン、傾向、または分布あるいはその組合せを含むことができる。
様々な実施形態において、上で言及したように、実行コンポーネント120は、強化ML入力特徴702に対して、古典的MLモデル106を電子的に実行することができる、または古典的MLモデル106の実行を電子的に容易にすることができる、あるいはその両方である。これは、図9において非限定的で例示的な方法で図示される。図9は、本明細書において説明される1つまたは複数の実施形態による、古典的機械学習のための量子強化特徴を、どのように実用的に利用することができるかを示す、例示の、非限定的なブロック図である。
示されるように、図9は、シナリオ902、およびシナリオ904という2つのシナリオを描いている。シナリオ902では、古典的MLモデル106は、入力として古典的データ104のみを受信し、出力として予測906を生み出すように構成することができる。一方、シナリオ904では、古典的MLモデル106は、入力として古典的データ104と強化ML入力特徴702との両方を受信し、出力として予測908を生み出すように構成することができる。上で言及したように、古典的MLモデル106は、その入力データ中のパターン、傾向、または分布あるいはその組合せ認識することによって、予測/判断を生成することができる。シナリオ902では、古典的MLモデル106は、入力として強化ML入力特徴702を受信するように構成されていないため、古典的MLモデル106は、強化ML入力特徴702によって明らかにされるが古典的データ104に隠れているパターン、傾向、または分布あるいはその組合せへのアクセスを有していない。それとは対照的に、シナリオ904では、古典的MLモデル106は、入力として強化ML入力特徴702を受信するように構成されているため、古典的MLモデル106は、強化ML入力特徴702によって明らかにされるが古典的データ104に隠れているパターン、傾向、または分布あるいはその組合せへのアクセスを有する。古典的MLモデル106は、シナリオ904では、その入力データ中の追加的なパターン、傾向、または分布あるいはその組合せへのアクセスを有することができるため、予測908は予測906よりも正確であることができる。換言すれば、古典的MLモデル106のパフォーマンスは、古典的MLモデル106が入力として強化ML入力特徴702を受信するように構成される場合に、改善することができる。このようなパフォーマンスの向上(例えば、予測/検出の正確さの向上)は、具体的で有形な技術上の利点である。
実際、本発明の様々な実施形態の発明者らは、このような利点を実験的に検証した。具体的には、発明者らは、様々なボラティリティ・インデックス・データを使用して様々な実験を行なった。このような実験では、発明者らは、様々な株式に対して(例えば、時系列データと考えることができる)ボラティリティ・インデックス・データを編集し、そのようなデータを、将来的なボラティリティ・インデックス値を予想した様々な古典的MLモデル(例えば、自己回帰和分移動平均モデル)に与えた。発明者らは、予想を、予想された時間ステップにおいて実際に発生した既知のボラティリティ・インデックス値と比較することによって、そのような予想の正確さを計算した。加えて、発明者らは、編集したボラティリティ・インデックス・データを、本明細書で説明されるように量子フーリエ変換(例えば、このような実験では、量子回路402が、量子フーリエ変換であった)を用いて、強化/エンリッチし、ボラティリティ・インデックス・データとボラティリティ・インデックス・データのQFTバージョンとの両方を、やはり将来的なボラティリティ・インデックス値を予想した古典的MLモデルに与えた。上と同様に、発明者らは、予想を、予想された時間ステップにおいて実際に発生した既知のボラティリティ・インデックス値と比較することによって、そのような予想の正確さを計算した。最後に、発明者らは、編集したボラティリティ・インデックス・データのみに基づいた予想の正確さを、編集したボラティリティ・インデックス・データとボラティリティ・インデックス・データのQFTバージョンとの両方に基づいた予想の正確さと比較した。
ある実験では、一部の第1の株式用に編集したボラティリティ・インデックス・データと、その第1のストック用のボラティリティ・インデックス・データのQFTバージョンとの両方に基づいた予想は、その第1の株式用に編集したボラティリティ・インデックス・データのみに基づいた予想よりも17.90%高い正確さを達成した。2つ目の実験では、一部の第2の株式用に編集したボラティリティ・インデックス・データと、その第2の株式用のボラティリティ・インデックス・データのQFTバージョンとの両方に基づいた予想は、その第2の株式用に編集したボラティリティ・インデックス・データのみに基づいた予想よりも19.61%高い正確さを達成した。これは、このような古典的MLモデルのパフォーマンスにおける著しい改善である。
一部の他の実験では、発明者らは、様々な株式に対して編集したボラティリティ・インデックス・データの高速フーリエ変換(FFT)をさらに計算した。そのような事例では、発明者らは、編集したボラティリティ・インデックス・データ、ボラティリティ・インデックス・データのQFTバージョン、およびボラティリティ・インデックス・データのFFTバージョンを、古典的MLモデルに与えた。そのような事例のうちの1つでは、古典的MLモデルは、編集したボラティリティ・インデックス・データのみに基づいた予想と比較して、20.01%高い正確さの予想を達成した。そのような別の事例では、古典的MLモデルは、編集したボラティリティ・インデックス・データのみに基づいた予想と比較して、66.91%高い正確さの予想を達成した。やはり、これは、このような古典的MLモデルのパフォーマンスにおける著しい改善である。
様々な態様において、本発明の様々な実施形態の発明者らは、本明細書で説明されるように、古典的データを強化する/エンリッチすることは、古典的データに対する平滑化またはノイズ低減あるいはその両方の効果を有することができることに気付いた(例えば、少なくとも古典的データを量子フーリエ変換で変形する場合)。
図10は、本明細書において説明される1つまたは複数の実施形態による、古典的機械学習のための量子強化特徴を容易にすることができる、例示の、非限定的なコンピュータ実装方法1000のフロー図である。場合によっては、コンピュータ実装方法1000は、量子強化特徴システム102によって実施することができる。
様々な実施形態において、動作1002は、プロセッサに動作可能に連結されたデバイス(例えば、112)によって、古典的データセット(例えば、104)を受信することを含むことができる。
様々な態様において、動作1004は、デバイス(例えば、114)によって、古典的データセットを確率振幅(例えば、202)に変換することを含むことができる。
様々な事例において、動作1006は、デバイス(例えば、116)によって、量子コンピューティング・デバイスまたはシミュレータあるいはその両方(例えば、122)を、確率振幅で初期化することを含むことができる。
様々な場合において、動作1008は、デバイス(例えば、116)によって、および量子コンピューティング・デバイスまたはシミュレータあるいはその両方を介して、量子回路(例えば、402)を、確率振幅に適用して、合成確率振幅(例えば、404)を与えることを含むことができる。
様々な態様において、動作1010は、デバイス(例えば、118)によって、合成確率振幅の値をあらゆる好適な様式で調節して、量子強化特徴(例えば、702)を与えることを含むことができる。上で言及したように、時に、合成確率振幅に対して調節が行なわれないことがあり、このような事例では、量子強化特徴が合成確率振幅と等しくなる。
様々な事例において、動作1012は、デバイス(例えば、120)によって、古典的機械学習モデル(例えば、106)を、古典的データセットと量子強化特徴との両方に対して実行することを含むことができる。
図11は、本明細書において説明される1つまたは複数の実施形態による、古典的機械学習のための量子強化特徴を容易にすることができる可視化コンポーネントを含む、例示の、非限定的なシステム1100のブロック図である。示されるように、システム1100は、場合によっては、システム700と同一のコンポーネントを含むことができ、可視化コンポーネント1102をさらに含むことができる。
様々な態様において、可視化コンポーネント1102は、強化ML入力特徴702を、電子的にレンダリングする、表示する、グラフ化する、またはプロットする、あるいはその組合せを行なうことができる。例えば、様々な場合において、可視化コンポーネント1102は、(例えば、あらゆる好適な有線または無線あるいはその両方の電子的な接続を介して)コンピュータ・モニタ/スクリーン(図示せず)と電子的に統合することができる。そのような事例では、可視化コンポーネント1102は、コンピュータ・モニタ/スクリーンに、強化ML入力特徴702のグラフ/プロットを電子的に表示することができる。一部の事例では、可視化コンポーネント1102は、コンピュータ・モニタ/スクリーンに、古典的データ104のグラフ/プロットも同様に電子的に表示することができ、それによって古典的データ104を、強化ML入力特徴702と視覚的に比較することができる。当業者であれば、あらゆる好適なグラフまたはプロットあるいはその両方は、可視化コンポーネント1102によって実装できることを諒解されよう(例えば、ヒストグラム、棒グラフ、ブロッホ球、2Dまたは3Dあるいはその両方のプロット)。
図12は、本明細書において説明される1つまたは複数の実施形態による、古典的機械学習のための量子強化特徴を容易にすることができるオペレータ・デバイスを含む、例示の、非限定的なシステム1200のブロック図である。示されるように、システム1200は、場合によっては、システム1100と同一のコンポーネントを含むことができ、オペレータ・デバイス1202をさらに含むことができる。
様々な態様において、量子強化特徴システム102は、あらゆる好適な有線または無線あるいはその両方の電子的な接続を介して、オペレータ・デバイス1202と電子的に統合することができる。様々な事例において、オペレータ・デバイス1202は、量子強化特徴システム102によって提供される機能性を利用したいと思うエンティティ(例えば、クライアント)に関連付けることができる。例えば、そのようなエンティティは、古典的データ104を所有または保守あるいはその両方を行なうことができ、そのようなエンティティは、古典的データ104を量子エンリッチさせたいと思う可能性がある。そのような事例では、オペレータ・デバイス1202は、古典的データ104を量子強化特徴システム102に提供することができる(例えば、古典的データ104のコピーを、受信機コンポーネント112に電子的に送信することができる)。様々な態様において、オペレータ・デバイス1202は、量子回路402をさらに識別することができる。換言すれば、オペレータ・デバイス1202に関連付けられるエンティティは、古典的データ104の変形または強化あるいはその両方を、特定の量子回路によって行なわせたい場合があり、オペレータ・デバイス1202は、受信機コンポーネント112に、その特定の量子回路の識別子を電子的に送信することができる。したがって、変換コンポーネント114が古典的データ104を確率振幅202に変換した後、また量子コンポーネント116が量子コンピュータ122を確率振幅202で初期化した後、量子コンポーネント116は、量子コンピュータ122上で、オペレータ・デバイス1202によって指示された量子回路を実行することができる。いくつかの事例では、量子コンポーネント116は、利用可能な量子回路(図示せず)の一覧をオペレータ・デバイス1202に提供することができ、オペレータ・デバイス1202は、そのような一覧から、オペレータ・デバイス1202が関連付けられたエンティティが実行したい量子回路を選択することができる。様々な事例において、強化ML入力特徴702が生成されてしまうと、実行コンポーネント120は、強化ML入力特徴702(または可視化コンポーネント1102によって生成されたあらゆるグラフ/プロットあるいはその両方)をオペレータ・デバイス1202に電子的に送信することができる。
図13~図14は、本明細書において説明される1つまたは複数の実施形態による、古典的機械学習のための量子強化特徴を容易にすることができる、例示の、非限定的なコンピュータ実装方法1300および1400のフロー図である。
まず、コンピュータ実装方法1300を検討する。様々な実施形態において、動作1302は、プロセッサに動作可能に連結されたデバイス(例えば、112)によって、古典的データセット(例えば、104)にアクセスすることを含むことができる。
様々な態様において、動作1304は、デバイス(例えば、118)によって、古典的データセットの量子変形(例えば、総じて202、402、または404あるいはその組合せが関与する)に基づいて、1つまたは複数の機械学習入力特徴(例えば、702)を生成することを含むことができる。
様々な事例において、動作1306は、デバイス(例えば、120)によって、古典的機械学習モデル(例えば、106)を、1つまたは複数の機械学習入力特徴に対して実行することを含むことができる。
図13には明示的に示されていないが、コンピュータ実装方法1300は、以下をさらに含むことができる:デバイス(例えば、114)によって、古典的データセットを量子確率振幅の集合(例えば、202)に変換すること;デバイス(例えば、116)によって、量子回路(例えば、402)を量子確率振幅の集合に対して実行し、それによって古典的データセットの量子変形を与えること。
図13には明示的に示されていないが、コンピュータ実装方法1300は、以下をさらに含むことができる:デバイス(例えば、1102)によって、古典的データセットと、1つまたは複数の機械学習入力特徴との両方を、視覚的にレンダリングすること。
次に、コンピュータ実装方法1400を検討する。様々な実施形態において、動作1402は、プロセッサに動作可能に連結されたデバイス(例えば、112)によって、オペレータ・デバイス(例えば、1202)から古典的時系列データセット(例えば、104)を受信することを含むことができる。
様々な態様において、動作1404は、デバイス(例えば、118)によって、古典的時系列データセットの量子変形(例えば、総じて202、402、または404あるいはその組合せが関与する)に基づいて、1つまたは複数の量子強化機械学習入力特徴(例えば、702)を生成することを含むことができる。
様々な事例において、動作1406は、デバイス(例えば、120)によって、1つまたは複数の量子強化機械学習入力特徴をオペレータ・デバイスに送信することを含むことができる。
図14には明示的に示されていないが、コンピュータ実装方法1400は、以下をさらに含むことができる:デバイス(例えば、114)によって、古典的時系列データセットに基づいて、量子確率振幅(例えば、202)を生成すること;デバイス(例えば、116)によって、オペレータ・デバイスによって選択された量子アルゴリズム(例えば、402)を量子確率振幅に対して実行し、それによって古典的時系列データセットの量子変形を与えること。
図14には明示的に示されていないが、コンピュータ実装方法1400は、以下をさらに含むことができる:デバイス(例えば、1102)によって、古典的時系列データセット、または1つもしくは複数の量子強化機械学習入力特徴をグラフ化すること。
本発明の様々な実施形態は、量子コンピューティングを活用することによって、古典的データセットの強化、エンリッチ、または増強あるいはその組合せを行なうことができる。具体的には、本発明の様々な実施形態は、入力として古典的データセットを受信することができ、古典的データセットを量子確率振幅に変換することができ(例えば、それによって古典的データセットを量子ヒルベルト空間にインポートする)、量子コンピュータを量子確率振幅で初期化することができ、量子回路を量子コンピュータ上で実行することができる(例えば、それによって、量子ヒルベルト空間内で古典的データセットを変形する)、コンピュータ化されたツールと考えることができる。様々な事例において、得られる量子確率振幅は、強化ML入力特徴を生成するために使用することができる。実際、様々な場合において、得られる量子確率振幅自身を強化ML入力特徴と考えることができる。本明細書で説明されるように、強化ML入力特徴は、古典的データセットでは以前は隠れていた、より微妙なデータ・パターン、傾向、または分布あるいその組合せを明らかにすることができる。したがって、強化ML入力特徴は、入力として古典的MLモデルに与えることができ、それによって古典的MLモデルのパフォーマンス(例えば、正確さ)を改善することができる。
様々な態様において、このようなコンピュータ化されたツールは、あらゆる好適なタイプの古典的データ(例えば、時系列データ、非時系列データ、金融データ、地理空間データ、画像データ、音声データ、映像データ、圧力データ、電圧/電流データ、販売データ、リソース・データ)を強化するために実装することができる。例えば、いくつかの事例では、そのようなコンピュータ化されたツールは、サプライ・チェーン分析の分野で実装することができる(例えば、コンピュータ化されたツールは、時間に対してリソース消費を示す時系列を強化することができ、将来的なリソース消費をより正確に予想するために、そのような強化されたデータを古典的MLモデルに与えることができる)。別の例として、いくつかの事例では、そのようなコンピュータ化されたツールは、マーケティング・サイエンスの分野で実装することができる(例えば、コンピュータ化されたツールは、時間に対してオンライン・ウェブサイトへの来訪者数を示す時系列を強化することができ、将来的なオンライン来訪者数をより正確に予想するために、そのような強化されたデータを古典的MLモデルに与えることができる)。様々な事例において、あらゆる他の好適なタイプの古典的データを、本発明の様々な実施形態によって強化することができる。
本明細書で説明される様々な例は、量子フーリエ変換をそのような古典的データに適用することによって古典的データを強化することを考察したが、これは非限定的な例である。様々な場合において、当業者であれば、あらゆる好適な量子回路または量子アルゴリズムあるいはその両方を使用して、古典的データの強化またはエンリッチあるいはその両方を行なうことができることを諒解されよう。
本明細書で説明される様々な実施形態についてさらなるコンテキストを与えるために、図15および以下の考察は、本明細書で説明される実施形態の様々な実施形態が実装され得る好適なコンピューティング環境1500の、簡単で、一般的な説明を与えるよう意図されている。実施形態は、1つまたは複数のコンピュータで実行することができるコンピュータ実行可能命令の一般的なコンテキストにおいて説明されているが、当業者であれば、実施形態はまた、他のプログラム・モジュールと組み合わせて、またはハードウェアとソフトウェアとの組合せとして、あるいはその両方で実装できることを諒解されよう。
一般的に、プログラム・モジュールは、特定のタスクを実施する、または特定の抽象的なデータ・タイプを実装する、ルーチン、プログラム、コンポーネント、データ構造などを含む。その上、当業者であれば、本発明の方法は、シングルプロセッサまたはマルチプロセッサのコンピュータ・システム、ミニコンピュータ、メインフレーム・コンピュータ、モノのインターネット(IoT)デバイス、分散コンピューティング・システム、ならびにパーソナル・コンピュータ、ハンドヘルド・コンピューティング・デバイス、マイクロプロセッサベースまたはプログラマブルな家電製品などを含む、他のコンピュータ・システム構成で実用化できること、そのそれぞれは1つまたは複数の関連デバイスに動作可能に連結することが可能であることを諒解されよう。
本明細書の実施形態の図示される実施形態はまた、一定のタスクが通信ネットワークを通じてリンクされたリモートの処理デバイスによって実行される分散コンピューティング環境でも実用化することが可能である。分散コンピューティング環境では、プログラム・モジュールは、ローカルおよびリモートの両方のメモリ・ストレージ・デバイスに配置することができる。
コンピューティング・デバイスは、典型的には、コンピュータ可読記憶媒体、機械可読記憶媒体、または通信媒体あるいはその組合せを含み得る多様な媒体を含み、これらの2つの用語は、本明細書では次のように互いに異なるように使用される。コンピュータ可読記憶媒体または機械可読記憶媒体は、コンピュータによってアクセスすることができるあらゆる利用可能な記憶媒体であることができ、揮発性および非揮発性の媒体、リムーバブルおよび非リムーバブルの媒体を両方含む。例として、限定ではなく、コンピュータ可読記憶媒体または機械可読記憶媒体は、コンピュータ可読または機械可読命令、プログラム・モジュール、構造化データまたは非構造化データなどの情報の記憶のための、あらゆる方法または技術と併せて実装することができる。
コンピュータ可読記憶媒体としては、限定はしないが、ランダム・アクセス・メモリ(RAM)、読み取り専用メモリ(ROM)、電気的消去可能プログラマブル読み取り専用メモリ(EEPROM)、フラッシュ・メモリまたは他のメモリ技術、コンパクト・ディスク読み取り専用メモリ(CD-ROM)、デジタル・バーサタイル・ディスク(DVD)、ブルーレイ・ディスク(BD)または他の光学ディスク記憶装置、磁気カセット、磁気テープ、磁気ディスク記憶装置もしくは他の磁気ストレージ・デバイス、ソリッド・ステート・ドライブまたは他のソリッド・ステート・ストレージ・デバイス、あるいは所望の情報を記憶するために使用することができる他の有形および/または非一時的な媒体を挙げることができる。この点で、「有形」または「非一時的」という用語は、本明細書で記憶装置、メモリ、またはコンピュータ可読媒体に適用される場合、修飾子として、伝播する一時的な信号そのもののみを除外するものであり、伝播する一時的な信号そのものだけではないすべての標準的な記憶装置、メモリ、またはコンピュータ可読媒体に対する権利を放棄するものではないと理解されたい。
コンピュータ可読記憶媒体は、1つまたは複数のローカルまたはリモートのコンピューティング・デバイスによって、媒体によって記憶された情報に関する多様な動作のための、例えば、アクセス要求、クエリ、または他のデータ検索プロトコルを介して、アクセスすることができる。
通信媒体は、典型的には、コンピュータ可読命令、データ構造、プログラム・モジュール、または他の構造化もしくは未構造化データを、変調されたデータ信号などのデータ信号、例えば、搬送波または他の移送メカニズムとして具体化し、あらゆる情報伝達または移送媒体を含む。「変調されたデータ信号」または信号という用語は、情報を1つまたは複数の信号にエンコードするようなやり方でセットまたは変更された、信号の特性のうちの1つまたは複数を有する信号を指す。限定ではなく、例として、通信媒体としては、有線ネットワークまたは直接有線接続のような有線媒体、ならびにアコースティック、RF、赤外および他の無線媒体などの無線媒体が挙げられる。
再度図15を参照すると、本明細書で説明される態様の様々な実施形態を実装するための例示の環境1500は、コンピュータ1502を含み、コンピュータ1502は、処理ユニット1504、システム・メモリ1506、およびシステム・バス1508を含む。システム・バス1508は、システム・メモリ1506を含むがそれに限定されないシステム・コンポーネントを処理ユニット1504に結合する。処理ユニット1504は、様々な市販のプロセッサのうちの任意のものであることができる。デュアル・マイクロプロセッサおよび他のマルチプロセッサ・アーキテクチャもまた、処理ユニット1504として採用され得る。
システム・バス1508は、多様な市販のバス・アーキテクチャのいずれかを使用して、メモリ・バス(メモリ・コントローラを有する、または有していない)、周辺バス、およびローカル・バスにさらに内部接続することができる、いくつかのタイプのバス構造のうち、いずれであってもよい。システム・メモリ1506は、ROM1510およびRAM1512を含む。基本入出力システム(BIOS)は、ROM、消去可能プログラマブル読み取り専用メモリ(EPROM)、EEPROMなどの非揮発性メモリに記憶することができ、このようなBIOSは、起動の間などコンピュータ1502内の要素間で情報の移送を助ける基本的なルーチンを含む。RAM1512はまた、データをキャッシュするための静的RAMなど、高速RAMを含むことができる。
コンピュータ1502は、内部ハードディスク・ドライブ(HDD)1514(例えば、EIDE、SATA)、1つまたは複数の外部ストレージ・デバイス1516(例えば、磁気フロッピー(R)ディスク・ドライブ(FDD)1516、メモリ・スティックまたはフラッシュドライブ・リーダ、メモリ・カード・リーダなど)、およびCD-ROMディスク、DVD、BDなどのディスク1522との間で読み書きすることができるソリッド・ステート・ドライブ、光学ディスク・ドライブなどのドライブ1520をさらに含む。あるいは、ソリッド・ステート・ドライブが含まれる場合、ディスク1522は、別個でない限り含まれない。内部HDD1514は、コンピュータ1502内に配置されるものとして図示されているが、内部HDD1514はまた、好適なシャーシ(図示せず)内での外部使用のために構成することもできる。加えて、環境1500には示していないが、ソリッド・ステート・ドライブ(SSD)は、HDD1514に加えて、またはその代わりに使用することができる。HDD1514、外部ストレージ・デバイス1516、およびドライブ1520は、それぞれHDDインターフェース1524、外部記憶インターフェース1526、およびドライブ・インターフェース1528によってシステム・バス1508に接続することができる。外部ドライブ実装形態用のインターフェース1524は、ユニバーサル・シリアル・バス(USB)およびInstitute of Electrical and Electronics Engineers(IEEE)1394インターフェース技術のうちの少なくとも一方または両方を含むことができる。他の外部ドライブ接続技術が、本明細書で説明される実施形態の企図範囲内である。
ドライブおよびその関連コンピュータ可読記憶媒体は、データ、データ構造、コンピュータ実行可能命令などの非揮発性の記憶を実現する。コンピュータ1502のために、ドライブおよび記憶媒体は、あらゆるデータの記憶を好適なデジタル・フォーマットで受け入れる。上記のコンピュータ可読記憶媒体の説明は、ストレージ・デバイスの個々のタイプに言及したが、当業者であれば、現存するか後世で開発されるかに関わらず、コンピュータによって可読な他のタイプの記憶媒体もまた、例示の動作環境で使用することができること、さらにはあらゆるそのような記憶媒体は、本明細書で説明される方法を実行するためのコンピュータ実行可能命令を含むことができることを諒解されたい。
オペレーティング・システム1530、1つまたは複数のアプリケーション・プログラム1532、他のプログラム・モジュール1534およびプログラム・データ1536を含め、複数のプログラム・モジュールを、ドライブおよびRAM1512に記憶することができる。オペレーティング・システム、アプリケーション、モジュール、またはデータあるいはその組合せのすべてまたは一部もまた、RAM1512にキャッシュすることができる。本明細書で説明されるシステムおよび方法は、多様な市販のオペレーティング・システムまたはオペレーティング・システムの組合せを利用して実装することができる。
コンピュータ1502は、任意選択で、エミュレーション技術を含むことができる。例えば、ハイパバイザ(図示せず)または他の中間物は、オペレーティング・システム1530のためのハードウェア環境をエミュレートすることができ、エミュレートされたハードウェアは任意選択で、図15で図示されるハードウェアとは異なっていてもよい。そのような実施形態では、オペレーティング・システム1530は、コンピュータ1502でホストされる複数の仮想機械(VM)のうちの1つのVMを含むことができる。さらには、オペレーティング・システム1530は、アプリケーション1532用に、Java(R)ランタイム環境、または.NETフレームワークなどのランタイム環境を提供することができる。ランタイム環境は、このランタイム環境を含むあらゆるオペレーティング・システム上でアプリケーション1532が実行できるようにする、一貫した実行環境である。同様に、オペレーティング・システム1530は、コンテナをサポートすることができ、アプリケーション1532はコンテナの形態であることができ、このコンテナは、例えばコード、ランタイム、システム・ツール、システム・ライブラリ、およびアプリケーション用のセッティングを含む、ソフトウェアの軽量で、スタンドアロンの、実行可能なパッケージである。
さらには、コンピュータ1502は、トラステッド処理モジュール(TPM)などのセキュリティ・モジュールを用いて有効であることができる。例えば、TPMを用いると、ブート・コンポーネントは時間的に次のブート・コンポーネントをハッシュ化し、結果がセキュアな値とマッチするのを待機してから、次のブート・コンポーネントをローディングする。このプロセスは、コンピュータ1502のコード実行スタック中、どのレイヤでも行なうことができ、例えば、アプリケーション実行レベル、またはオペレーティング・システム(OS)カーネル・レベルに適用され、それによってあらゆるレベルのコード実行においてセキュリティを有効にすることができる。
ユーザは、1つまたは複数の有線/無線入力デバイス、例えば、キーボード1538、タッチ・スクリーン1540、およびマウス1542などのポインティング・デバイスを通じて、コマンドおよび情報をコンピュータ1502に入力することができる。他の入力デバイス(図示せず)としては、マイクロフォン、赤外(IR)リモート・コントロール、高周波(RF)リモート・コントロール、または他のリモート・コントロール、ジョイスティック、仮想現実コントローラもしくは仮想現実ヘッドセットまたはその両方、ゲーム用パッド、スタイラス・ペン、カメラなどの画像入力デバイス、ジェスチャ・センサ入力デバイス、視覚動作センサ入力デバイス、エモーションまたは顔検出デバイス、指紋または虹彩スキャナなどのバイオメトリック入力デバイスを挙げることができる。これらの、および他の入力デバイスは、システム・バス1508に結合することができる入力デバイス・インターフェース1544を通じて、しばしば処理ユニット1504に接続されるが、パラレル・ポート、IEEE1394シリアル・ポート、ゲーム用ポート、USBポート、IRインターフェース、BLUETOOTH(R)インターフェースなど、他のインターフェースによっては接続することはできない。
モニタ1546または他のタイプのディスプレイ・デバイスもまた、ビデオ・アダプタ1548などのインターフェースを介してシステム・バス1508に接続することができる。モニタ1546に加え、コンピュータは、典型的にはスピーカ、プリンタなどの他の周辺出力デバイス(図示せず)を含む。
コンピュータ1502は、リモート・コンピュータ1550など、1つまたは複数のリモート・コンピュータへの有線または無線あるいはその両方の通信を介する論理接続を使用して、ネットワーク化された環境で動作することができる。リモート・コンピュータ1550は、ワークステーション、サーバ・コンピュータ、ルータ、パーソナル・コンピュータ、ポータブル・コンピュータ、マイクロプロセッサベースの娯楽用機器、ピアデバイスまたは他の共用ネットワーク・ノードであってもよく、典型的にはコンピュータ1502に関して説明される要素の多くのまたはすべてを含むが、簡潔のため、メモリ/ストレージ・デバイス1552のみを図示している。描かれる論理接続には、ローカル・エリア・ネットワーク(LAN)1554またはワイド・エリア・ネットワーク(WAN)1556などの広域ネットワークあるいはその両方への有線/無線接続が含まれる。そのようなLANおよびWANネットワーキング環境は、事務所および会社で一般的なものであり、企業全体での、イントラネットなどのコンピュータ・ネットワークを容易にしており、これらのすべては、インターネットなどのグローバルな通信ネットワークへ接続することができる。
LANネットワーキング環境で使用される場合、コンピュータ1502は、有線または無線あるいはその両方の通信ネットワーク・インターフェースまたはアダプタ1558を通じて、ローカル・ネットワーク1554に接続することができる。アダプタ1558は、LAN1554への有線または無線通信を容易にし、このLAN1554はまた、無線モードでアダプタ1558と通信するための無線アクセス・ポイント(AP)を配置されて含むことができる。
WANネットワーキング環境で使用される場合、コンピュータ1502はモデム1560を含むことができる、またはインターネットを用いるなど、WAN1556上の通信を確立するための他の手段を介してWAN1556上の通信サーバに接続することができる。内部または外部デバイスであってもよく、有線または無線デバイスであってもよいモデム1560は、入力デバイス・インターフェース1544を介してシステム・バス1508に接続することができる。ネットワーク化された環境では、コンピュータ1502またはその一部に関して描かれるプログラム・モジュールは、リモートのメモリ/ストレージ・デバイス1552に記憶することができる。示されるネットワーク接続は例示的であり、コンピュータ間に通信リンクを確立する他の手段を使用することができることを諒解されたい。
LANまたはWANのネットワーキング環境のいずれかで使用される場合、コンピュータ1502は、上述の外部ストレージ・デバイス1516に加えて、またはその代わりに、限定はしないが情報の記憶または処理の1つまたは複数の態様を実現するネットワーク仮想機械などの、クラウド・ストレージ・システムまたは他のネットワークベースのストレージ・システムにアクセスすることができる。一般的に、コンピュータ1502とクラウド・ストレージ・システムとの間の接続は、例えばアダプタ1558またはモデム1560によって、それぞれLAN1554またはWAN1556上で確立することができる。コンピュータ1502が関連するクラウド・ストレージ・システムに接続されると、外部のストレージ・インターフェース1526は、アダプタ1558またはモデム1560あるいはその両方に支援されて、クラウド・ストレージ・システムによって提供されるストレージを、他のタイプの外部ストレージのように管理することができる。例えば、外部ストレージ・インターフェース1526は、クラウド・ストレージ・ソースへのアクセスを、これらのソースが物理的にコンピュータ1502に接続されているかのように、提供するように構成することができる。
コンピュータ1502は、例えばプリンタ、スキャナ、デスクトップまたはポータブル・コンピュータあるいはその両方、ポータブル・データ・アシスタント、通信衛星、無線検出可能タグに関連付けられた備品または場所(例えば、キオスク、ニューススタンド、店舗の棚など)、および電話機など、無線通信内に動作可能に配置されたあらゆる無線デバイスまたはエンティティと通信するように動作可能である。これには、Wireless Fidelity(Wi-Fi)およびBLUETOOTH(R)無線技術が含まれる。そのため、通信は、従来型のネットワークと同様に所定の構造であることができる、または単に少なくとも2つのデバイス間のアドホックの通信であることができる。
次に図16を参照すると、例示的なクラウド・コンピューティング環境1600が描かれている。示されるように、クラウド・コンピューティング環境1600は、例えば、携帯情報端末(PDA)または携帯電話1604、デスクトップ・コンピュータ1606、ラップトップ・コンピュータ1608、または自動車コンピュータ・システム1610あるいはその組合せなど、クラウドの消費者によって使用されるローカルのコンピューティング・デバイスと通信することができる1つまたは複数のクラウド・コンピューティング・ノード1602を含む。ノード1602は互いに通信することができる。これらは、本明細書において上述したようなプライベート、コミュニティ、パブリック、もしくはハイブリッドのクラウド、またはそれらの組合せなど、1つまたは複数のネットワークにおいて、物理的または仮想的にグループ化することができる(図示せず)。これにより、クラウド・コンピューティング環境1600は、クラウドの消費者がローカルのコンピューティング・デバイスでリソースを維持する必要のない、インフラストラクチャ、プラットフォーム、またはソフトウェアあるいはその組合せをサービスとして提供することができる。図16に示されるコンピューティング・デバイス1604~1610のタイプは、単に例示的であることを意図されており、コンピューティング・ノード1602およびクラウド・コンピューティング環境1600は、あらゆるタイプのネットワーク上またはネットワーク・アドレス可能接続で(例えば、ウェブ・ブラウザを使用して)、あるいはその両方で、あらゆるタイプのコンピュータ化されたデバイスと通信することができることが理解されよう。
次に図17を参照すると、クラウド・コンピューティング環境1600(図16)によって提供される機能的な抽象化レイヤのセットが示されている。本明細書において説明される他の実施形態において採用される類似の要素の繰り返しの説明は、簡略化のために省略する。図17に示されるコンポーネント、レイヤ、および機能は、単に例示的であることを意図されており、本発明の実施形態はそれに限定されないことが、予め理解されるべきである。描かれるように、以下のレイヤおよび対応する機能が提供される。
ハードウェアおよびソフトウェア・レイヤ1702は、ハードウェアおよびソフトウェア・コンポーネントを含む。ハードウェア・コンポーネントの例として、以下が挙げられる:メインフレーム1704、RISC(縮小命令セット・コンピュータ)アーキテクチャ・ベースのサーバ1706、サーバ1708、ブレード・サーバ1710、ストレージ・デバイス1712、ならびにネットワークおよびネットワーキング・コンポーネント1714。いくつかの実施形態において、ソフトウェア・コンポーネントとしては、ネットワーク・アプリケーション・サーバ・ソフトウェア1716、およびデータベース・ソフトウェア1718が挙げられる。
仮想化レイヤ1720は、仮想エンティティの以下の例が提供され得る抽象化レイヤを提供する:仮想サーバ1722、仮想ストレージ1724、仮想プライベート・ネットワークを含む仮想ネットワーク1726、仮想アプリケーションおよびオペレーティング・システム1728、ならびに仮想クライアント1730。
一例において、管理レイヤ1732は以下で説明される機能を提供することができる。リソース・プロビジョニング1734は、コンピューティング・リソースおよびクラウド・コンピューティング環境内でタスクを実施するために利用される他のリソースの動的な調達を提供する。計測および課金1736は、クラウド・コンピューティング環境内でリソースが利用される際のコスト追跡、およびこれらのリソースの消費についての課金または請求書発行を提供する。一例において、これらのリソースはアプリケーション・ソフトウェア・ライセンスを含む場合がある。セキュリティは、クラウド消費者およびタスクについての識別情報の検証、ならびにデータおよび他のリソースについての保護を与える。ユーザ・ポータル1738は、クラウド・コンピューティング環境へのアクセスを消費者およびシステム管理者に提供する。サービス水準管理1740は、要求されるサービス水準が満たされるように、クラウド・コンピューティング・リソースの割り当ておよび管理を提供する。サービス水準合意(SLA)計画および遂行1742は、SLAに従って将来的な要求が予期されるクラウド・コンピューティング・リソースについての事前申し合わせ、およびクラウド・コンピューティング・リソースの調達を提供する。
ワークロード・レイヤ1744は、クラウド・コンピューティング環境が利用され得る機能性の例を提供する。このレイヤからもたらされ得るワークロードおよび機能の例として以下が挙げられる:マッピングおよびナビゲーション1746、ソフトウェア開発およびライフサイクル管理1748、仮想授業教育配信1750、データ分析処理1752、トランザクション処理1754、および差分プライバシー連合学習処理1756。本発明の様々な実施形態は、本明細書で説明される様々な実施形態に従って1つまたは複数の差分プライバシー連合学習処理を実行するために、図16および図17を参照して説明したクラウド・コンピューティング環境を利用することができる。
本発明は、統合のあらゆる可能な技術的詳細レベルにおいてシステム、方法、装置、またはコンピュータ・プログラム製品あるいはその組合せであってもよい。コンピュータ・プログラム製品は、プロセッサに本発明の態様を実行させるためのコンピュータ可読プログラム命令を有するコンピュータ可読記憶媒体を含むことができる。コンピュータ可読記憶媒体は、命令実行デバイスによる使用のための命令を保持および記憶することができる有形のデバイスであり得る。コンピュータ可読記憶媒体は、例えば、電子ストレージ・デバイス、磁気ストレージ・デバイス、光学ストレージ・デバイス、電磁気ストレージ・デバイス、半導体ストレージ・デバイス、または前述のあらゆる好適な組合せであってもよいが、それに限定はしない。コンピュータ可読記憶媒体のより具体的な例の非網羅的な列挙としては、さらに以下を挙げることができる:ポータブル・コンピュータ・ディスケット、ハード・ディスク、ランダム・アクセス・メモリ(RAM)、読み取り専用メモリ(ROM)、消去可能プログラマブル読み取り専用メモリ(EPROMまたはフラッシュ・メモリ)、静的ランダム・アクセス・メモリ(SRAM)、ポータブル・コンパクト・ディスク読み取り専用メモリ(CD-ROM)、デジタル・バーサタイル・ディスク(DVD)、メモリ・スティック、フロッピー(R)・ディスク、命令を記録されて有するパンチカードまたは溝に刻まれた構造などの機械的にエンコードされたデバイス、および前述のあらゆる好適な組合せ。本明細書において使用される場合、コンピュータ可読記憶媒体は、電波もしくは他の自由に伝搬する電磁波、導波路もしくは他の送信媒体を介して伝搬する電磁波(例えば、光ファイバ・ケーブルを通過する光パルス)、または電線を介して伝送される電気的信号など、一過性の信号そのものであると解釈されてはならない。
本明細書において説明されるコンピュータ可読プログラム命令は、コンピュータ可読記憶媒体から、個別のコンピューティング/処理デバイスに、あるいは、例えばインターネット、ローカル・エリア・ネットワーク、ワイド・エリア・ネットワークもしくは無線ネットワークまたはその組合せなどのネットワークを介して、外部のコンピュータまたは外部のストレージ・デバイスに、ダウンロードすることができる。ネットワークは、銅の送信ケーブル、光学送信ファイバ、無線送信、ルータ、ファイヤウォール、スイッチ、ゲートウェイ・コンピュータまたはエッジ・サーバあるいはその組合せを備えることができる。それぞれのコンピューティング/処理デバイスのネットワーク・アダプタ・カードまたはネットワーク・インターフェースは、ネットワークからコンピュータ可読プログラム命令を受信し、個別のコンピューティング/処理デバイス内のコンピュータ可読記憶媒体に記憶するためにコンピュータ可読プログラム命令を転送する。本発明の動作を実施するためのコンピュータ可読プログラム命令は、アセンブラ命令、命令セットアーキテクチャ(ISA)命令、機械命令、機械依存命令、マイクロコード、ファームウェア命令、状態設定データ、集積回路のための設定データ、あるいはスモールトーク(R)、C++などのオブジェクト指向プログラミング言語、および「C」プログラミング言語などの手続き型プログラミング言語もしくは類似するプログラミング言語、を含む1つまたは複数のプログラミング言語のあらゆる組合せで記述された、ソース・コードまたはオブジェクト・コードのいずれかであってもよい。コンピュータ可読プログラム命令は、すべてユーザのコンピュータ上で、一部はユーザのコンピュータ上でスタンドアロンのソフトウェア・パッケージとして、一部はユーザのコンピュータ上で一部はリモート・コンピュータ上で、またはすべてリモート・コンピュータ上もしくはサーバ上で、実行することができる。後者のシナリオでは、リモート・コンピュータは、ローカル・エリア・ネットワーク(LAN)もしくはワイド・エリア・ネットワーク(WAN)を含むあらゆるタイプのネットワークを介してユーザのコンピュータに接続することができ、または接続は外部のコンピュータ(例えば、インターネット・サービス・プロバイダを使用するインターネットを介して)に対してなされてもよい。一部の実施形態において、例えば、プログラマブル論理回路、フィールド・プログラマブル・ゲート・アレイ(FPGA)、またはプログラマブル論理アレイ(PLA)を含む電子回路は、本発明の態様を実行するために、コンピュータ可読プログラム命令の状態情報を利用することによって、コンピュータ可読プログラム命令を実行して電子回路を個別化することができる。
本発明の態様は、本発明の実施形態による方法、装置(システム)、およびコンピュータ・プログラム製品のフローチャート図またはブロック図あるいはその両方を参照しながら本明細書において説明される。フローチャート図またはブロック図あるいはその両方のそれぞれのブロック、およびフローチャート図またはブロック図あるいはその両方におけるブロックの組合せは、コンピュータ可読プログラム命令によって実装され得ることを理解されよう。これらのコンピュータ可読プログラム命令は、コンピュータまたは他のプログラム可能なデータ処理装置のプロセッサを介して実行する命令が、フローチャートまたはブロック図あるいはその両方の1つまたは複数のブロックに指定される機能/動作を実装する手段を作成すべく、汎用コンピュータ、特殊目的コンピュータ、または他のプログラム可能なデータ処理装置のプロセッサに提供されてマシンを作るものであってよい。これらのコンピュータ可読プログラム命令はまた、命令を記憶して有するコンピュータ可読記憶媒体が、フローチャートまたはブロック図あるいはその両方の1つまたは複数のブロックに指定される機能/動作の態様を実装するための命令を含む製造物品を備えるべく、コンピュータ可読記憶媒体に記憶され、コンピュータ、プログラマブル・データ処理装置、または他のデバイスあるいはその組合せに特定のやり方で機能するように指示するものであってもよい。コンピュータ可読プログラム命令はまた、コンピュータ、他のプログラマブル装置、または他のデバイスで実行する命令が、フローチャートまたはブロック図あるいはその両方の1つまたは複数のブロックに指定される機能/動作を実装するように、コンピュータ実装処理を作るべく、コンピュータ、他のプログラマブル・データ処理装置、または他のデバイス上にロードされ、コンピュータ、他のプログラマブル装置、または他のデバイス上で一連の動作可能な機能を実施させるものであってもよい。
図面中のフローチャートおよびブロック図は、本発明の様々な実施形態に従って、システム、方法、およびコンピュータ・プログラム製品の可能な実装形態の、アーキテクチャ、機能性、および動作を図示している。この点において、フローチャートまたはブロック図のそれぞれのブロックは、指定される論理機能を実装するための1つまたは複数の実行可能な命令を含む、命令のモジュール、セグメント、または部分を表現することができる。一部の代替的な実装形態において、ブロックにおいて示した機能は図面で示した順とは異なって発生してもよい。例えば、連続して示される2つのブロックは、実際には実質的に同時に実行されてもよく、またはブロックは関与する機能性によっては、時に逆の順で実行されてもよい。ブロック図またはフローチャート図あるいはその両方のそれぞれのブロック、およびブロック図またはフローチャート図あるいはその両方のブロックの組合せは、指定される機能もしくは作用を実施する、または特殊目的ハードウェアとコンピュータ命令との組合せを実行する、特殊目的ハードウェアベースのシステムによって実装され得ることにも留意されたい。
1つまたは複数のコンピュータで実行するコンピュータ・プログラム製品のコンピュータ実行可能命令の一般的なコンテキストにおいて、主題を上で説明してきたが、当業者であれば、本開示はまた他のプログラム・モジュールと組み合わせて実装することができることを理解されよう。一般的に、プログラム・モジュールは、特定のタスクを実施するか、または特定の抽象的なデータ・タイプを実装するか、あるいはその両方のルーチン、プログラム、コンポーネント、データ構造などを含む。その上、当業者であれば、本発明のコンピュータ実装方法は、単一プロセッサまたはマルチプロセッサ・コンピュータ・システム、ミニコンピューティング・デバイス、メインフレーム・コンピュータ、ならびにコンピュータ、ハンドヘルド・コンピューティング・デバイス(例えば、PDA、電話機)、マイクロプロセッサベースまたはプログラマブルの、家庭用または業務用電子機器など、を含む他のコンピュータ・システム構成で実践できることを諒解されよう。図示した態様はまた、タスクが通信ネットワークを通じてリンクされたリモート処理デバイスによって実施される分散コンピューティング環境において実践することができる。しかしながら、本開示の、すべてでないにしても一部の態様は、スタンドアロンのコンピュータで実践することができる。分散コンピューティング環境において、プログラム・モジュールはローカルおよびリモートの両方のメモリ・ストレージ・デバイスに配置することができる。
本出願で使用される場合、用語「コンポーネント」、「システム」、「プラットフォーム」、「インターフェース」などは、コンピュータ関連のエンティティ、または1つもしくは複数の特別な機能性を伴う動作可能な機械に関連するエンティティを称することができるか、または含むことができるか、あるいはその両方である。本明細書において開示されるエンティティは、ハードウェア、ハードウェアとソフトウェアとの組合せ、ソフトウェア、または実行中のソフトウェアのいずれかであることができる。例えば、コンポーネントは、プロセッサで実行中のプロセス、プロセッサ、オブジェクト、実行可能ファイル、実行のスレッド、プログラム、またはコンピュータあるいはその組合せであることができるが、それに限定しない。例示として、サーバ上で実行中のアプリケーションおよびサーバの両方は、コンポーネントであることができる。1つまたは複数のコンポーネントは、プロセスまたは実行のスレッドあるいはその両方の中に存在することができ、また、コンポーネントは1つのコンピュータに集中してもよく、または2つ以上のコンピュータ間で分散されてもよく、あるいはその両方であってもよい。別の例において、個々のコンポーネントは様々なデータ構造が記憶された様々なコンピュータ可読媒体から実行することができる。コンポーネントは、1つまたは複数のデータ・パケットを有する信号に従うなど、ローカルまたはリモートのプロセスあるいはその両方のプロセスを介して通信することができる(例えば、信号を介して他のシステムと対話するインターネットのように、1つのコンポーネントからのデータは、ローカル・システム内で、分散システム内で、またはネットワーク間で、あるいはその組合せで、別のコンポーネントと対話する)。別の例として、コンポーネントは、電気的または電子的な回路によって動作させられる機械的な部品によって与えられる特別な機能性を有する装置であることができ、プロセッサによって実行されるソフトウェアまたはファームウェア・アプリケーションによって動作させられる。そのような場合、プロセッサは装置に対して内部または外部にあることができ、ソフトウェアまたはファームウェア・アプリケーションの少なくとも一部を実行することができる。さらに別の例として、コンポーネントは機械的な部品無しに電子機器部品を通じて特別な機能性を提供する装置であることができ、この場合、電子機器部品は、電子機器部品の機能性を少なくとも一部付与するソフトウェアまたはファームウェアを実行するためのプロセッサまたは他の手段を含むことができる。一態様において、コンポーネントは例えば、クラウド・コンピューティング・システム内で仮想機械を介して電子機器部品をエミュレートすることができる。
加えて、用語「または(or)」は、排他的「or」ではなく包括的「or」を意味することを意図されている。すなわち、特に明記しない限り、またはコンテキストから明らかではない限り、「Xは、AまたはBを利用する」とは、自然包括的並べ替えのうちの任意のものを意味することを意図されている。すなわち、XがAを利用する、XがBを利用する、またはXがAおよびBを両方利用する場合、「XがAまたはBを利用する」が前述の事例のいずれかの下で満足される。その上、本主題の明細書および添付される図面内で使用される場合、冠詞「1つの(a)」および「1つの(an)」は、単数形を対象とするよう特に明記しない限り、またはコンテキストから明らかではない限り、一般的に「1つまたは複数の」を意味するものと解釈されるべきである。本明細書において使用される場合、用語「例、例示の、例示的な(example)」または「例示の(exemplary)」あるいはその両方は、例、事例、または図示として機能することを意味するよう利用される。疑念の回避のため、本明細書において開示される主題はそのような例によって限定されない。加えて、本明細書において「例」または「例示の」あるいはその両方として説明されるあらゆる態様または設計は、必ずしも他の態様または設計よりも、好ましいまたは有利であるとして解釈される必要はなく、また当業者に既知の等価な例示の構造および技術を排除することも意図されていない。
主題の明細書で採用されるように、用語「プロセッサ」は実質的に、シングルコア・プロセッサ、ソフトウェア・マルチスレッド実行機能を有するシングルプロセッサ、マルチコア・プロセッサ、ソフトウェア・マルチスレッド実行機能を有するマルチコア・プロセッサ、ハードウェア・マルチスレッド技術を有するマルチコア・プロセッサ、並列プラットフォーム、および分散共有メモリを有する並列プラットフォーム、を備えるあらゆるコンピューティング処理ユニットまたはデバイスを称することができるが、限定はしない。追加的に、プロセッサとは、集積回路、特定用途向け集積回路(ASIC)、デジタル信号プロセッサ(DSP)、フィールド・プログラマブル・ゲート・アレイ(FPGA)、プログラマブル・ロジック・コントローラ(PLC)、複合プログラマブル・ロジック・デバイス(CPLD)、個別ゲートもしくはトランジスタ・ロジック、個別ハードウェア・コンポーネント、または本明細書において説明される機能を実施するために設計されるそれらのあらゆる組合せを称することができる。さらには、プロセッサは空間使用を最適化するためまたはユーザ機器のパフォーマンスを向上させるために、分子および量子ドット・ベースのトランジスタ、スイッチ、ならびにゲートなどのナノスケールのアーキテクチャを活用することができるが、限定はしない。プロセッサはまたコンピューティング処理ユニットの組合せとして実装され得る。本開示において、「記憶する」、「ストレージ」、「データ記憶」、「データ・ストレージ」、「データベース」ならびにコンポーネントの動作および機能性に関連する実質的にあらゆる他の情報記憶コンポーネントなどの用語は、「メモリ」内に具体化される「メモリ・コンポーネント」エンティティまたはメモリを含むコンポーネントを称するために利用される。本明細書において説明されるメモリまたはメモリ・コンポーネントあるいはその両方は、揮発性メモリまたは非揮発性メモリのいずれかであることができるか、または揮発性メモリおよび非揮発性メモリの両方を含むことができることを諒解されたい。例示として、限定ではなく、非揮発性メモリは、読み取り専用メモリ(ROM)、プログラマブルROM(PROM)、電気的プログラマブルROM(EPROM)、電気的消去可能ROM(EEPROM)、フラッシュ・メモリ、または非揮発性ランダム・アクセス・メモリ(RAM)(例えば、強誘電RAM(FeRAM))を含むことができる。揮発性メモリは例えば外部キャッシュ・メモリとして動作できるRAMを含むことができる。例示として、限定ではなく、RAMは、シンクロナスRAM(SRAM)、動的RAM(DRAM)、シンクロナスDRAM(SDRAM)、ダブル・データ・レートSDRAM(DDR SDRAM)、エンハンストSDRAM(ESDRAM)、シンクリンクDRAM(SLDRAM)、direct Rambus RAM(DRRAM)、direct Rambus dynamic RAM(DRDRAM)、およびRambus dynamic RAM(RDRAM)などの多くの形態で利用可能である。追加的に、本明細書におけるシステムまたはコンピュータ実装方法の開示されるメモリ・コンポーネントは、これらのおよびあらゆる他の好適なタイプのメモリを含むことを意図されているが、それらを含むように限定することは意図されていない。
上で説明してきたことは、システムおよびコンピュータ実装方法の単なる例を含む。もちろん、本開示を説明することを目的として、コンポーネントまたはコンピュータ実装方法のすべての考えられる組合せを説明することは不可能だが、当業者であれば本開示の多くのさらなる組合せおよび並べ替えが可能であることを理解されよう。さらには、発明を実施するための形態、特許請求の範囲、付録および図面において用語「含む(includes)」、「有する(has)」、「所有する(possesses)」などが使用される範囲では、そのような用語は、請求項の移行句として採用される場合に「を備える(comprising)」が解釈される場合の用語「を備える(comprising)」と類似するやり方で、包括的であることを意図されている。
例示を目的として様々な実施形態の説明を提示してきたが、網羅的であること、または開示された実施形態に限定することは意図されていない。説明された実施形態の範囲および思想から逸脱することなく、多くの変更形態および変形形態が当業者にとって明らかとなろう。本明細書において使用される用語法は、実施形態の原理、実践的な用途もしくは市場で見られる技術より優れた技術的な改善を最良に説明するため、または当業者の他の者が本明細書において開示される実施形態を理解できるように選ばれたものである。
Claims (32)
- システムであって、
コンピュータ可読メモリに記憶されたコンピュータ実行可能コンポーネントを実行するプロセッサであって、前記コンピュータ実行可能コンポーネントが
古典的データセットにアクセスする、受信機コンポーネントと、
前記古典的データセットの量子変形に基づいて、1つまたは複数の機械学習入力特徴を生成する、特徴コンポーネントと
を含む、前記プロセッサ
を備える、システム。 - 前記コンピュータ実行可能コンポーネントが、
古典的機械学習モデルを、前記1つまたは複数の機械学習入力特徴に対して実行する、実行コンポーネント
をさらに含む、請求項1に記載のシステム。 - 前記コンピュータ実行可能コンポーネントが、
前記古典的データセットを、量子確率振幅の集合に変換する、変換コンポーネントと、
量子回路を前記量子確率振幅の集合に対して実行し、それによって前記古典的データセットの前記量子変形を与える、量子コンポーネントと
をさらに含む、請求項1または2に記載のシステム。 - 前記量子回路が、量子フーリエ変換である、請求項3に記載のシステム。
- 前記コンピュータ実行可能コンポーネントが、
前記古典的データセットと、前記1つまたは複数の機械学習入力特徴との両方を、視覚的にレンダリングする、可視化コンポーネント
をさらに含む、請求項1ないし4のいずれかに記載のシステム。 - 前記古典的データセットが、時系列データを含む、請求項1ないし5のいずれかに記載のシステム。
- 前記量子回路が、物理的な量子ビットを含む量子コンピューティング・デバイス上で実行される、請求項1ないし6のいずれかに記載の、請求項3の特徴を伴うシステム。
- 前記量子コンポーネントが、量子コンピューティング・デバイスと電子的に統合される、請求項7に記載のシステム。
- 前記量子確率振幅の集合が、量子状態ベクトルを集合的に表現する、請求項1ないし8のいずれかに記載の、請求項3の特徴を伴うシステム。
- 前記量子コンピューティング・デバイスの前記量子ビットの前記状態を前記量子状態ベクトルに従わせるように、前記量子コンポーネントが、あらゆる好適な初期化回路を前記量子コンピューティング・デバイス上で実行するように構成される、請求項9に記載の、請求項7の特徴を伴うシステム。
- コンピュータ実装方法であって、
プロセッサに動作可能に連結されたデバイスによって、古典的データセットにアクセスすることと、
前記デバイスによって、前記古典的データセットの量子変形に基づいて、1つまたは複数の機械学習入力特徴を生成することと
を含む、コンピュータ実装方法。 - 前記デバイスによって、古典的機械学習モデルを、前記1つまたは複数の機械学習入力特徴に対して実行すること
をさらに含む、請求項11に記載のコンピュータ実装方法。 - 前記デバイスによって、前記古典的データセットを、量子確率振幅の集合に変換することと、
前記デバイスによって、量子回路を前記量子確率振幅の集合に対して実行し、それによって前記古典的データセットの前記量子変形を与えることと
をさらに含む、請求項11または12に記載のコンピュータ実装方法。 - 前記量子回路が、量子フーリエ変換である、請求項13に記載のコンピュータ実装方法。
- 前記デバイスによって、前記古典的データセットと、前記1つまたは複数の機械学習入力特徴との両方を、視覚的にレンダリングすること
をさらに含む、請求項11ないし14のいずれかに記載のコンピュータ実装方法。 - 前記古典的データセットが、時系列データを含む、請求項11ないし15のいずれかに記載のコンピュータ実装方法。
- 前記量子回路が、物理的な量子ビットを含む量子コンピューティング・デバイス上で実行される、請求項11ないし16のいずれかに記載の、請求項13の特徴を伴うコンピュータ実装方法。
- 古典的機械学習のための量子強化特徴を容易にするためのコンピュータ・プログラム製品であって、前記コンピュータ・プログラム製品は、プログラム命令が具体化されたコンピュータ可読メモリを含み、プロセッサによって実行可能な前記プログラム命令は、前記プロセッサに
前記プロセッサによって、古典的データセットにアクセスすることと、
前記プロセッサによって、前記古典的データセットの量子変形に基づいて、1つまたは複数の機械学習入力特徴を生成することと
を行なわせる、コンピュータ・プログラム製品。 - 前記プログラム命令が、前記プロセッサに
前記プロセッサによって、古典的機械学習モデルを、前記1つまたは複数の機械学習入力特徴に対して実行すること
を行なわせるようにさらに実行可能である、請求項18に記載のコンピュータ・プログラム製品。 - 前記プログラム命令が、前記プロセッサに
前記プロセッサによって、前記古典的データセットを、量子確率振幅の集合に変換することと、
前記プロセッサによって、量子回路を前記量子確率振幅の集合に対して実行し、それによって前記古典的データセットの前記量子変形を与えることと
を行なわせるようにさらに実行可能である、請求項18または19に記載のコンピュータ・プログラム製品。 - 前記量子回路が、量子フーリエ変換である、請求項18ないし20のいずれかに記載のコンピュータ・プログラム製品。
- 前記プログラム命令が、前記プロセッサに
前記プロセッサによって、前記古典的データセットと、前記1つまたは複数の機械学習入力特徴との両方を、視覚的にレンダリングすること
を行なわせるようにさらに実行可能である、請求項18ないし21のいずれかに記載のコンピュータ・プログラム製品。 - システムであって、
コンピュータ可読メモリに記憶されたコンピュータ実行可能コンポーネントを実行するプロセッサであって、前記コンピュータ実行可能コンポーネントが
オペレータ・デバイスから古典的時系列データセットを受信する、受信機コンポーネントと、
前記古典的時系列データセットの量子変形に基づいて、1つまたは複数の量子強化機械学習入力特徴を生成する、特徴コンポーネントと
を含む、前記プロセッサ
を備える、システム。 - 前記コンピュータ実行可能コンポーネントが、
前記1つまたは複数の量子強化機械学習入力特徴を、前記オペレータ・デバイスに送信する、実行コンポーネント
をさらに含む、請求項23に記載のシステム。 - 前記コンピュータ実行可能コンポーネントが、
前記古典的時系列データセットに基づいて量子確率振幅を生成する、変換コンポーネントと、
前記オペレータ・デバイスによって選択された量子アルゴリズムを前記量子確率振幅に対して実行し、それによって前記古典的時系列データセットの前記量子変形を与える、量子コンポーネントと
をさらに含む、請求項23または24に記載のシステム。 - 前記量子アルゴリズムが、量子フーリエ変換である、請求項25に記載のシステム。
- 前記コンピュータ実行可能コンポーネントが、
前記古典的時系列データセット、または前記1つもしくは複数の量子強化機械学習入力特徴をグラフ化する、可視化コンポーネント
をさらに含む、請求項23ないし26のいずれかに記載のシステム。 - コンピュータ実装方法であって、
プロセッサに動作可能に連結されたデバイスによって、オペレータ・デバイスから古典的時系列データセットを受信することと
前記デバイスによって、前記古典的時系列データセットの量子変形に基づいて、1つまたは複数の量子強化機械学習入力特徴を生成することと
を含む、コンピュータ実装方法。 - 前記デバイスによって、前記1つまたは複数の量子強化機械学習入力特徴を、前記オペレータ・デバイスに送信すること
をさらに含む、請求項28に記載のコンピュータ実装方法。 - 前記デバイスによって、前記古典的時系列データセットに基づいて量子確率振幅を生成することと、
前記デバイスによって、前記オペレータ・デバイスによって選択された量子アルゴリズムを前記量子確率振幅に対して実行し、それによって前記古典的時系列データセットの前記量子変形を与えることと
をさらに含む、請求項28または29に記載のコンピュータ実装方法。 - 前記量子アルゴリズムが、量子フーリエ変換である、請求項30に記載のコンピュータ実装方法。
- 前記デバイスによって、前記古典的時系列データセット、または前記1つもしくは複数の量子強化機械学習入力特徴をグラフ化すること
をさらに含む、請求項28ないし31のいずれかに記載のコンピュータ実装方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/214,169 | 2021-03-26 | ||
US17/214,169 US20220309386A1 (en) | 2021-03-26 | 2021-03-26 | Quantum-enhanced features for classical machine learning |
PCT/EP2022/057717 WO2022200475A1 (en) | 2021-03-26 | 2022-03-23 | Quantum-enhanced features for classical machine learning |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2024512443A true JP2024512443A (ja) | 2024-03-19 |
JPWO2022200475A5 JPWO2022200475A5 (ja) | 2024-04-08 |
Family
ID=81325174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023556533A Pending JP2024512443A (ja) | 2021-03-26 | 2022-03-23 | 古典的機械学習のための量子強化特徴 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20220309386A1 (ja) |
EP (1) | EP4315185A1 (ja) |
JP (1) | JP2024512443A (ja) |
CN (1) | CN117099112A (ja) |
AU (1) | AU2022246038A1 (ja) |
WO (1) | WO2022200475A1 (ja) |
-
2021
- 2021-03-26 US US17/214,169 patent/US20220309386A1/en active Pending
-
2022
- 2022-03-23 AU AU2022246038A patent/AU2022246038A1/en active Pending
- 2022-03-23 WO PCT/EP2022/057717 patent/WO2022200475A1/en active Application Filing
- 2022-03-23 JP JP2023556533A patent/JP2024512443A/ja active Pending
- 2022-03-23 EP EP22717190.7A patent/EP4315185A1/en active Pending
- 2022-03-23 CN CN202280024343.4A patent/CN117099112A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
CN117099112A (zh) | 2023-11-21 |
EP4315185A1 (en) | 2024-02-07 |
US20220309386A1 (en) | 2022-09-29 |
WO2022200475A1 (en) | 2022-09-29 |
AU2022246038A1 (en) | 2023-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11748648B2 (en) | Quantum pulse optimization using machine learning | |
US11941520B2 (en) | Hyperparameter determination for a differentially private federated learning process | |
US11720826B2 (en) | Feedback loop learning between artificial intelligence systems | |
US11334671B2 (en) | Adding adversarial robustness to trained machine learning models | |
US11681914B2 (en) | Determining multivariate time series data dependencies | |
US20200394276A1 (en) | Simulation-based optimization on a quantum computer | |
US20190129819A1 (en) | Missing Values Imputation of Sequential Data | |
US11003910B2 (en) | Data labeling for deep-learning models | |
US20210073376A1 (en) | Learning input preprocessing to harden machine learning models | |
US20210118529A1 (en) | Precision-preserving qubit reduction based on spatial symmetries in fermionic systems | |
US20220198266A1 (en) | Using disentangled learning to train an interpretable deep learning model | |
US11836220B2 (en) | Updating of statistical sets for decentralized distributed training of a machine learning model | |
CN117242461A (zh) | 后端量子运行时 | |
US20200110993A1 (en) | Deployment Verification of Authenticity of Machine Learning Results | |
US20220309386A1 (en) | Quantum-enhanced features for classical machine learning | |
US20230281470A1 (en) | Machine learning classification of object store workloads | |
US20210271966A1 (en) | Transfer learning across automated machine learning systems | |
US20240037439A1 (en) | Quantum system selection via coupling map comparison | |
US11681845B2 (en) | Quantum circuit valuation | |
US20230177372A1 (en) | Optimized selection of data for quantum circuits | |
US20240054375A1 (en) | Circuit reduction for exponentials of pauli operators | |
US20220374747A1 (en) | Updating of a statistical set for decentralized distributed training of a machine learning model | |
US20230119440A1 (en) | Process optimization with joint-level inflow model | |
US20230133198A1 (en) | Max-cut approximate solution via quantum relaxation | |
US20230325469A1 (en) | Determining analytical model accuracy with perturbation response |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240326 |