[发明专利]用于耦合量子比特的设备以及用于训练量子处理器以解决机器学习推断问题的方法

说明书

一种方法、系统和设备包括在计算机存储介质上编码的计算机程序，用于构造和编程用于机器学习处理的量子硬件。描述了量子统计机器(QSM)，其由包括可见、隐藏和控制量子子空间或子系统的三个不同类别的强相互作用自由度组成。利用在密度算子的空间中具有唯一的吸引稳态的可编程非平衡遍历开放量子马尔可夫链，来定义QSM。例如统计推断或优化任务的信息处理任务的解能被编码为吸引稳态的量子统计，其中通过使得真实或虚构量子哈密顿量的能量最小化，来执行量子推断。可以训练可见节点和隐藏节点之间的QSM的耦合，以解决硬优化或推断任务。

技术领域

本说明书涉及构造和编程用于机器学习处理的量子硬件。

背景技术

发明内容

人工智能任务能转化为机器学习优化问题。为了执行人工智能任务，可以训练利用耗散量子动力学图以生成用于硬优化和推断任务的期望概率分布的信息处理模型。

信息处理模型可以提供与模型的内部状态及其周围的噪声世界一致的一些输入图案的统计描述。该模型可以通过充分暴露于训练数据而形成稳定的内部状态，使得其能够关于训练数据中未包括的其他图案的统计行为做出其自己的预测。可以设计用于编码、编程和机器读出的学习策略，并且可以用于以期望的精度来解决硬组合优化和推断任务。

由于环境相互作用引起的量子波动和系统的内在控制误差，所以量子处理器不可避免地存在于混合量子经典世界中。这种处理器的结构和动态可能非常复杂，使得几乎不可能使用已知算法来求解分析地或数字地捕获其行为的运动方程。此外，量子处理器通常需要额外的量子纠错过程，这可能是非常苛刻的(demanding)。特别地，将给定硬优化或推断任务的解编码为具有通常较小的最小间隙的、由玻尔兹曼分布给出的平衡基态的模拟量子处理器(例如量子退火处理器和绝热量子计算架构)与可伸缩性作斗争。

信息处理模型包括量子硬件，该量子硬件被构造和编程以便执行量子计算而无需极其苛刻的量子纠错过程。量子硬件为量子计算提供了不遭受已知的可伸缩性和实现问题的、现实的近期的工程方法。量子硬件提供鲁棒的编码，保证关于扰动的动态鲁棒性，并且增强关于时间复杂度的性能。特别地，量子硬件构造具有辅助自由度的非信息，其可用于在没有浴工程的情况下执行耗散量子工程。

本说明书中描述的主题的创新方面可以体现在一种设备，包括：多个逻辑量子节点，所述逻辑量子节点包括输入量子节点、隐藏量子节点和输出量子节点，其中所述多个逻辑量子节点中的每个逻辑量子节点可配置为在箝位状态和解箝位状态之间切换；多个控制量子节点，所述多个控制量子节点中的每个控制量子节点可配置为在于箝位状态、解箝位状态、或非相互作用状态之间切换，其中在非相互作用状态下，控制量子节点不影响它所耦合的任何其他节点；多个量子节点耦合器，每个耦合器被配置为耦合一对量子节点，其中：所述耦合器至少将输入量子节点和隐藏量子节点耦合到第一控制量子节点；和所述耦合器至少将隐藏量子节点和输出量子节点耦合到第二控制量子节点。

该方面的其他实施例包括相应的计算机系统、装置和方法。一个或多个计算机的系统能被配置为通过在系统上安装的软件、固件、硬件或其组合来执行特定操作或动作，所述软件、固件、硬件或其组合在操作中促使系统执行所述动作。一个或多个计算机程序能被配置为通过包括指令来执行特定操作或动作，所述指令在由数据处理设备(例如，一个或多个计算机或计算机处理器)运行时，促使该设备执行所述动作。

前述和其他实施例中的每一个能可选地包括一个或多个以下特征，单独或组合。在一些实现中，在隐藏节点训练阶段期间，该控制量子节点在学习阶段和非学习阶段期间处于非相互作用状态，并且在控制节点训练阶段期间，该控制量子节点在学习阶段和非学习阶段期间处于解箝位状态。

在一些实现中，在所述隐藏节点训练阶段期间，该隐藏量子节点在学习阶段和非学习阶段期间处于解箝位状态。

在一些实现中，在所述隐藏节点训练阶段期间，所述输入量子节点和输出量子节点在学习阶段期间处于箝位状态，并且在非学习阶段期间处于解箝位状态。