[发明专利]用于对数据进行量子处理的系统和方法

摘要

多种系统、方法和方面及其实施例涉及与使用非量子处理器的非监督或半监督特征学习。为了实现非监督或半监督特征学习，该量子处理器被编程以在一个或多个数据集上实现层次化深度学习(称为HDL)。多种系统和方法在一个或多个数据集中或者跨数据或数据集搜索、解析并检测多个最大重复模式。多个实施例和方面涉及使用稀疏编码来检测在数据中或者跨数据的多个最大重复模式。稀疏编码的多个示例包括L0和L1稀疏编码。一些实现方式可能涉及将多个标签附加、结合或附接于多个字典元素或者一个或多个字典的构成元素。在标签与被加标签的该元素之间可能存在逻辑关联，从而使得该非监督或半监督特征学习的过程跨越了这些元素和该结合的、附接的或附加的标签两者。

主权项

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。