[发明专利]用于对数据进行量子处理的系统和方法

权利要求书

1.一种通过层次化深度学习(HDL)使用量子处理器来标识数据中的多个最大重复模式的方法，该方法包括：

在一个非量子处理器处接收具有多个数据元素的一个数据集；

通过该非量子处理器基于该数据集将一个目标函数公式化，其中，该目标函数包括一个损耗项以使该数据集的第一表示与该数据集的第二表示之间的差异最小化，并且包括一个正则项以使该目标函数中的任何复杂性最小化；

使用该非量子处理器将该目标函数中的一个第一权重集安排为多个变量；

使用该非量子处理器针对该目标函数的字典设置一个第一值集，其中，该字典的该第一值集包括一个具有多个列的实值矩阵，每一列定义一个对应于在该量子处理器中的一个量子位的向量，其中，对应于在该量子处理器中的多个不连通的量子位的这些向量中的任何向量是彼此正交的；并且

通过该非量子处理器与该量子处理器进行交互以使该目标函数最小化。

2.如权利要求1所述的方法，其中，将一个目标函数公式化包括当该正则项是由一个L0-范数形式支配时将该目标函数公式化。

3.如权利要求1所述的方法，其中，将一个目标函数公式化包括当该正则项是由一个L1-范数形式支配时将该目标函数公式化。

4.如权利要求1所述的方法，其中，该正则项包括一个正则化参数，并且将一个目标函数公式化包括为该正则化参数选择一个值以控制该目标函数的稀疏度。

5.如权利要求1所述的方法，其中，在一个非量子处理器处接收具有多个数据元素的一个数据集包括接收图像数据和音频数据。

6.如权利要求1所述的方法，其中，通过该非量子处理器与该量子处理器进行交互以使该目标函数最小化包括：

基于该字典的该第一值集针对在该目标函数中的这些权重的该第一值集优化该目标函数。

7.如权利要求6所述的方法，其中，针对这些权重的一个第一值集优化该目标函数包括将该目标函数映射到一个第一二次无约束二元优化(“QUBO”)问题并且使用该量子处理器来至少近似地使该第一二次无约束二元优化问题最小化，其中，使用该量子处理器来至少近似地使该第一二次无约束二元优化问题最小化包括使用该量子处理器来执行绝热量子计算或量子退火中的至少一项。

8.如权利要求6所述的方法，其中，通过该非量子处理器与该量子处理器进行交互以使该目标函数最小化进一步包括基于该字典的一个第二值集针对这些权重的一个第二值集优化该目标函数，其中，针对这些权重的一个第二值集优化该目标函数包括将该目标函数映射到一个第二二次无约束二元优化问题并且使用该量子处理器来至少近似地将该第二二次无约束二元优化问题最小化。

9.如权利要求6所述的方法，其中，通过该非量子处理器与该量子处理器进行交互以使该目标函数最小化进一步包括基于这些权重的该第一值集针对该字典的一个第二值集优化该目标函数，其中，针对该字典的一个第二值集优化该目标函数包括使用该非量子处理器来更新该字典的这些值中的至少一些值。

10.如权利要求9所述的方法，其中，通过该非量子处理器与该量子处理器进行交互以使该目标函数最小化进一步包括基于这些权重的该第二值集针对该字典的一个第三值集优化该目标函数，其中，针对该字典的一个第三值集优化该目标函数包括使用该非量子处理器来更新该字典的这些值中的至少一些值。

11.如权利要求10所述的方法，进一步包括：

基于该字典的该第三值集针对这些权重的一个第t值集优化该目标函数，其中，t是一个大于2的整数，其中，针对这些权重的一个第t值集优化该目标函数包括将该目标函数映射到一个第t个二次无约束二元优化问题并且使用该量子处理器来至少近似地使该第t个二次无约束二元优化问题最小化；并且

基于这些权重的该第t值集针对该字典的一个第(t+1)值集优化该目标函数，其中，针对该字典的一个第(t+1)值集优化该目标函数包括使用该非量子处理器来更新该字典的这些值中的至少一些值。