[发明专利]用于从采样服务器中采样的系统、方法和装置

说明书

本发明公开了一种数字处理器，所述数字处理器并行于采样服务器运行机器学习算法。在执行所述机器学习算法期间，例如对于给定问题，所述采样服务器可以连续地或间歇地为所述机器学习算法抽取样本。所述采样服务器可以并行(例如，并发、重叠、同时)于量子处理器运行，以从所述量子处理器中抽取样本。

技术领域

本公开整体涉及采用采样服务器的机器学习系统。

背景技术

机器学习

机器学习涉及可以从数据中学习并基于数据进行预测的方法和电路。与遵循静态程序指令的方法或电路相反，机器学习方法和电路可以包括从示例输入(诸如训练集)导出模型，然后进行数据驱动的预测。

机器学习与优化相关。一些问题可以用最小化训练集上的损失函数来表达，其中损失函数描述了被训练的模型的预测与可观察数据之间的差异。

机器学习任务可以包括无监督学习、监督学习和强化学习。机器学习的方法包括但不限于决策树、线性和二次分类器、案例推理、贝叶斯统计和人工神经网络。

机器学习可用于认为明确方法不可行的情况。示例应用领域包括光学字符辨识、搜索引擎优化和计算机视觉。

量子处理器

量子处理器是一种计算设备，可以利用非量子设备无法获得的量子物理现象(诸如叠加、纠缠和量子隧穿)。量子处理器可以采用超导量子处理器的形式。超导量子处理器可以包括多个量子位以及相关联的局部偏置设备，例如两个或更多个超导量子位。量子位的一个示例是通量量子位。超导量子处理器还可以采用提供量子位之间的通信耦合的耦合设备(即，“耦合器”)。可与本发明系统和设备结合使用的示例性量子处理器的更多细节和实施方案在例如美国专利7,533,068、8,008,942、8,195,596、8,190,548和8,421,053中有所描述。

绝热量子计算

绝热量子计算通常涉及通过逐渐改变哈密顿量来将系统从已知的初始哈密顿量(哈密顿量是一个运算符，其特征值是系统的允许能量)演变为最终的哈密顿量。绝热演化的一个简单例子是初始哈密顿量与最终哈密顿量之间的线性插值。给出的示例是：

H_e＝(1-s)H_i+sH_f

其中H_i是初始哈密顿量，H_f是最终哈密顿量，H_e是演化或瞬时哈密顿量，s是控制演化速率(即，哈密顿量变化的速率)的演化系数。

随着系统的演化，演化系数s从0变为1，使得在开始时(即，s＝0)，演化哈密顿量H_e等于初始哈密顿量H_i，并且在结束时(即，s＝1)，演化哈密顿量H_e等于最终哈密顿函数H_f。在演化开始之前，系统通常在初始哈密顿量H_i的基态中初始化，并且目标是以此方式演化系统，使得系统在演化结束时最终处于最终哈密顿量H_f的基态。如果演化太快，则系统可以转变到更高的能量状态，诸如第一激发态。如本文所用，“绝热”演化是一种满足绝热条件的演化：

其中是s的时间导数，g(s)是系统的基态与第一激发态之间的能量差(本文也称为“间隙尺寸”)作为s的函数，并且δ是远小于1的系数。

如果演化足够慢，以至于系统总是处于演化哈密顿量的瞬时基态，则避免了在抗交叉处(当间隙尺寸最小时)的转变。除了上述线性演化之外，其他演化时间表也是可能的，包括非线性演化、参数演化等。有关绝热量子计算系统、方法和装置的更多细节描述于例如美国专利7,135,701和7,418,283中。