[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

说明书

利用量子效应来对复杂数据集合进行建模的量子神经网络总体上代表了量子机器学习和量子计算的主要焦点。在本申请中，描述了训练量子玻尔兹曼机的示例方法。此外，描述了使用量子玻尔兹曼机来能够实现量子状态断层摄影的形式的示例，该量子状态断层摄影提供输入量子状态的描述和生成模型两者。经典的玻尔兹曼机无法做到这一点。最后，将小型非stoquastic量子玻尔兹曼机与传统的玻尔兹曼机进行比较，用于生成任务，并且证据表明量子模型优于经典数据集合的经典对应部分。

技术领域

该申请涉及量子计算。特别地，该申请涉及在量子计算设备中实现玻尔兹曼机。

发明内容

利用量子效应来对复杂数据集合进行建模的量子神经网络总体上代表了量子机器学习和量子计算的主要焦点。在本申请中，描述了训练量子玻尔兹曼机的示例方法。此外，描述了使用量子玻尔兹曼机来能够实现量子状态断层摄影的形式的示例，该量子状态断层摄影提供输入量子状态的描述和生成模型两者。经典的玻尔兹曼机无法做到这一点。最后，将小型非stoquastic量子玻尔兹曼机与传统的玻尔兹曼机进行比较，用于生成任务，并且呈现表明量子模型优于经典数据集合的经典对应部分的证据。

在本文公开的特定示例中，哈密顿中的量子和经典项都是在实现量子玻尔兹曼机的量子计算机中通过基于POVM的Golden-Thompson训练方案或通过根据相对熵的训练来学习的。此外，后一种方案能够实现一种形式的断层摄影，其(与量子模拟器一致)允许哈密顿模型将被学习以用于使用传统断层摄影方案无法探测的复杂量子状态。

更具体地，本文描述了用于以下方法、系统和装置：(a)使用量子计算机来训练非stoquastic量子玻尔兹曼机；(b)使用测量记录来训练量子玻尔兹曼机，这些记录是从使用不仅仅投射到计算基础上的测量算子得到；(c)使用平均对数似然导数的交换子(“commutator”)扩展来训练量子玻尔兹曼机；(d)基于输入状态和玻尔兹曼机输出状态之间的相对熵来训练玻尔兹曼机；(e)使用量子玻尔兹曼机来执行量子或经典数据的断层摄影重建；和/或(f)训练量子玻尔兹曼机，其构建在费米子系统的吉布斯状态上，诸如电子。在特定实现中，描述了由2个局部非stoquastic哈密顿描述的训练量子玻尔兹曼机的示例。

所公开的技术由于若干原因是值得注意的，包括它提供了一种新的机器学习方案，该方案不被已知为经典可模拟。这意味着启用了在经典计算中没有类似物的新类型的学习。所公开的方法也被已知为优于小型经典玻尔兹曼机。所公开的方法还允许将这种机器学习算法被推广到量子数据。

本文描述的系统、装置和方法不应被解释为以任意方式进行限制。相反，本公开内容针对各种公开的实施例的所有新颖和非显而易见的特征和方面，单独地并且以彼此的各种组合和子组合。所公开的系统、方法和装置不限于任意特定方面或特征或其组合，并且所公开的系统、方法和装置也不要求存在任意一个或多个特定优点或要解决的问题。任意操作理论都是为了促进解释，但是所公开的系统、方法和装置不限于这种操作理论。

附图说明

图1-4示出了具有正-算子值测量(“POVM”)训练的示例量子玻尔兹曼机的模拟结果。

图5示出了使用相对熵训练的随机双量子比特混合和纯状态的断层摄影重建的绝对值。

图6-11示出了随机选择的混合状态和纯状态之间的量子相对熵的分布，作为2-、3-和4-量子比特断层摄影的训练时期的数目的函数。

图12和13示出了用于学习横向伊辛模型的相对熵和哈密顿误差。

图14-15图示了对5量子比特随机TI哈密顿的热状态的平均场近似的绝对值，其中每个哈密顿项通过从具有零均值和β＝1的单位方差的高斯的采样来选择。

图16-19示出了在完整图上由横向伊辛模型生成的热状态的平均场和真实分布的中值相对熵，其中高斯随机系数用用于2、3、4和5个量子比特的零均值和单位方差来选择。