[发明专利]量子处理器及其用于实现神经网络的用途

说明书

公开了量子处理器。量子处理器包括多个量子位的N个连续组(1、2、…、N)，其中，N大于或等于3；其中，多个量子位的N个连续组的每组量子位包括多个基本上平行的量子位；其中，多个量子位的N个连续组的第一组的每个量子位被定尺寸且整形，使得它基本上垂直跨过多个量子位的N个连续组的第二组量子位的每个量子位的一部分；其中，多个量子位的N个连续组的最后一组的每个量子位被定尺寸且整形，使得它基本上垂直跨过多个量子位的N个连续组的第二组至最后一组的每个量子位的一部分；其中，多个量子位的N‑2个连续组中不包括第一组和最后一组的任何给定组的每个量子位被定尺寸且整形，使得它仅基本上垂直跨过多个量子位的N个连续组的对应连续组和对应的前一组的每个量子位的一部分；以及多个耦合器，每个耦合器用于在两个量子位的交叉处提供通信耦合。

相关申请的交叉引证

本专利申请要求于2016年4月13日提交(现已准许的)加拿大专利申请号2,927,171以及于2016年4月13日提交的美国专利申请号15/097,823的优先权。

技术领域

本发明涉及计算。更确切地，本发明涉及量子处理器及其用于实现神经网络的用途。

背景技术

人工神经网络

人工神经网络(ANN)是通过生物神经网络产生的计算模型并且用于近似函数。人工神经网络具有图理论表示，其中，图的节点还称为神经元，并且其边缘还被称为突触。

普通玻尔兹曼机(GBM)是一种人工神经网络的类型，其中，神经元表示具有线性偏置的二元变量，并且两个神经元之间的每个突触表示涉及与神经元相关的二元变量的二次项。具体地，存在与由来自所有线性和二次项的贡献组成的普通玻尔兹曼机相关联的全局能量函数。

因此，普通玻尔兹曼机是用于近似因变量的联合分的图形模型。对应图包含称为可见节点(或输入变量)以及称为隐藏节点(或潜在变量)的非可见节点的节点。开发普通玻尔兹曼机以表示和解决某些组合问题，并且可以用作概率机器学习工具。普通玻尔兹曼机的应用包括但不限于视觉对象和语音识别、分类、回归任务、降维、信息检索和图像重建。至于普通玻尔兹曼机的概述，参见D.Ackley，G.Hinton，T.Sejnowski的“A LearningAlgorithm for Boltzmann Machines，”CognitiveScience 9，147-169(1985)。

通过编码感兴趣的因变量作为较大图的节点来执行普通玻尔兹曼机中的分布式近似。这些节点是可见节点，并且所有其他节点是隐藏节点。分别为在图中的每个边和顶点分配权重和偏置，并且根据这些权重和偏置将能量函数分配至图。

未能证明具有任意连接的普通玻尔兹曼机对机器学习意义特别有用。这是由于近似学习方法慢，且尤其是在隐藏单元远离可见单元的情况下。当对隐藏节点之间的连接进行某些限制时，普通玻尔兹曼机神经网络变得更易于训练且可用于机器学习任务。当在隐藏节点之间不允许连接并且在可见节点之间不允许连接时，产生的神经网络称为受限玻尔兹曼机(RBM)，其仅由一个可见层和一个隐藏层组成。

由于没有内部可见或内部隐藏的节点连接，因此开发了有效的训练算法，该算法通过易于在可见层上的一组输入上学习概率分布使受限玻尔兹曼机在机器学习领域中表现出色。至于应用、算法和理论，参见Y.Bengio等人的“Representation Learning：AReviewand New Perspectives，arXiv2014”的第6部分。

受限玻尔兹曼机的理念已经多元化，以便创建更有效的神经网络，称为深度玻尔兹曼机(DBM)。深度玻尔兹曼机是通过将受限玻尔兹曼机堆叠在一起而形成，使得第一受限玻尔兹曼机的隐藏层用作第二受限玻尔兹曼机的可见层，第二受限玻尔兹曼机的隐藏层用作第三受限玻尔兹曼机的可见层等。这个结构被广泛研究并且是深度学习的基础。这个结构的优点在于受限玻尔兹曼机接着玻尔兹曼机可以使用为独立受限玻尔兹曼机开发的相同训练算法从上到下训练网络权重和偏置。