[发明专利]经由量子玻尔兹曼训练进行断层摄影和生成数据建模有效
申请号: | 201780075931.X | 申请日: | 2017-12-04 |
公开(公告)号: | CN110073373B | 公开(公告)日: | 2023-10-17 |
发明(设计)人: | N·O·维贝;M·凯弗罗瓦 | 申请(专利权)人: | 微软技术许可有限责任公司 |
主分类号: | G06N10/20 | 分类号: | G06N10/20;G06N20/00;G06N3/04;G06N3/06;G06F17/11;G06F7/523;G06N3/044;G06N3/0499 |
代理公司: | 北京世辉律师事务所 16093 | 代理人: | 王俊 |
地址: | 美国华*** | 国省代码: | 暂无信息 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 经由 量子 玻尔兹曼 训练 进行 断层 摄影 生成 数据 建模 | ||
1.一种方法,包括:
配置量子计算机以根据第一哈密顿项集合来实现玻尔兹曼机;
使用基于正算子值测量的方案来计算用于调整所述第一哈密顿项集合的梯度值;
至少部分地基于所计算的所述梯度值来计算第二哈密顿项集合;以及
配置所述量子计算机以根据所述第二哈密顿项集合来实现所述玻尔兹曼机,其中所述第二哈密顿项集合使得所述玻尔兹曼机实现第二哈密顿,与从所述第一哈密顿项集合得到的第一哈密顿相比,所述第二哈密顿更可能再现训练数据集合。
2.根据权利要求1所述的方法,其中计算所述第二哈密顿项集合包括将所述梯度值乘以所选择的学习速率。
3.根据权利要求1所述的方法,其中针对相应的哈密顿项,计算所述梯度值包括:
计算所述相应哈密顿项的第一热期望;
计算被约束到训练示例的所述相应哈密顿项的第二热期望;
计算所述第一热期望和所述第二热期望之间的差;以及
通过将所述差乘以均匀概率分布来计算所述相应哈密顿的所述梯度值。
4.根据权利要求1所述的方法,其中所述梯度值至少部分地根据所述相应哈密顿项的第一热期望和被约束到训练集合的所述相应哈密顿项的第二热期望而被计算,
其中所述相应哈密顿项的所述第一热期望通过以下各项而被计算的:为由所述第一哈密顿项表示的哈密顿模型准备热状态,并且从准备的所述热状态测量所述相应哈密顿项的期望值,以及
其中所述相应哈密顿项的所述第二热期望通过以下各项而被计算:为由所述第一哈密顿项表示的、具有添加的正算子值测量约束的修改的哈密顿模型准备热状态,并且从准备的所述热状态测量所述相应哈密顿项的期望值。
5.根据权利要求1所述的方法,其中所述方法使用从以下各项得到的测量记录而被执行:(a)使用不仅仅投射到所述计算基础上的测量算子,或者(b)使用不仅仅投射到所述计算基础上的至少一个POVM约束。
6.一种方法,包括:
配置量子计算机以根据第一哈密顿项集合来实现玻尔兹曼机;
使用相对熵方案来计算用于调整所述第一哈密顿项集合的梯度值;
至少部分地基于所计算的所述梯度值来计算第二哈密顿项集合;以及
配置所述量子计算机以根据所述第二哈密顿项集合来实现所述玻尔兹曼机,其中所述第二哈密顿项集合使得所述玻尔兹曼机实现第二哈密顿,与从所述第一哈密顿项集合得到的第一哈密顿相比,所述第二哈密顿更可能再现训练数据集合。
7.根据权利要求6所述的方法,其中所述相对熵方案使用输入状态和由所述玻尔兹曼机输出的所述状态之间的相对熵。
8.根据权利要求6所述的方法,其中计算所述第二哈密顿项集合包括将所述梯度值乘以所选择的学习速率。
9.根据权利要求6所述的方法,其中针对相应的哈密顿项,计算所述梯度值包括:
准备量子数据分布;
从所述量子数据分布计算所述相应哈密顿项的期望;
计算所述相应哈密顿项的热期望;
计算所述期望与所述热期望之间的差;以及
通过将所述差乘以概率分布来计算所述相应哈密顿的所述梯度值,其中所述量子数据分布对应于由用户选择的目标量子状态。
10.根据权利要求6所述的方法,其中所述梯度值至少部分地根据所述相应哈密顿项的数据分布期望和所述相应哈密顿项的热期望来被计算,
其中所述数据分布期望通过针对不是所述计算基础中的混合状态的状态取热平均而被计算,以及
其中所述热期望通过以下各项而被计算:被设计用于准备对热分布的近似的Szeggedy步进,或者基于量子拒绝采样或酉的线性组合以将对所述热状态的初始近似精炼成所述精确的热状态或者其接近近似的方法。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于微软技术许可有限责任公司,未经微软技术许可有限责任公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201780075931.X/1.html,转载请声明来源钻瓜专利网。
- 上一篇:量子比特多状态重置
- 下一篇:模型学习装置和模型学习方法