特許ウォッチ

公開番号2025098996
公報種別公開特許公報(A)
公開日2025-07-02
出願番号2024225839
出願日2024-12-20
発明の名称量子機械学習向けの対称型テンソルネットワークを実装するためのシステムおよび方法ならびに関連する方法
出願人マルチバースコンピューティングソシエダッドリミターダ
代理人弁理士法人YKI国際特許事務所
主分類G06N 7/00 20230101AFI20250625BHJP(計算;計数)
要約【課題】請求項は、対称型深層学習を用いる量子機械学習向けの対称型テンソルネットワークを実装するためのコンピュータ計算フレームワークおよび方法に関する。
【解決手段】フレームワークおよび方法は、コンピュータ計算フレームワークを展開するための技法の実行と、機械学習向けの数学的構造体の作成と、より高速な収束および訓練のための深層学習の活用とを伴う。システムは、モデルを実装するためのハードウェアコンポーネントと、要素を調整するための最適化技法と、新たなデータポイントに対する予測のための推論モジュールとを含む。使用される数学的構造体は、データセットの高度な対称性を用いて構築され深層学習モジュール内の重み行列をそれに交換する対称型テンソルネットワークである。
【選択図】図1
特許請求の範囲【請求項１】
コンピュータ計算フレームワークを展開するための技法または手順の実行と、
機械学習のタイプの活用のための数学的構造体の作成と、
より高速な収束および訓練、より優れた精度のための深層学習のタイプの活用と、
モデルを実装するためのハードウェアコンポーネントの利用と、
データの集合からのデータの抽出と、
層内へのコンピュータ計算ユニットの配置と、
深層学習モジュール内の数値配列の数学的構造体による置き換えと、
特定のタイプの数学的構造体の使用と、
調整可能要素を調整するための最適化技法の適用と、
データセットの部分集合に対する性能測定量の低減と、
初見データに対する前記モデルの出力の生成とを含むことを特徴とするコンピュータ計算フレームワーク。
続きを表示（約 1,200 文字）【請求項２】
請求項１に記載のコンピュータ計算フレームワークであって、前記数学的構造体が対称型テンソルネットワークであることを特徴とするコンピュータ計算フレームワーク。
【請求項３】
請求項２に記載のコンピュータ計算フレームワークであって、前記対称型テンソルネットワークが、前記データセットの高度な対称性を用いて構築されることを特徴とするコンピュータ計算フレームワーク。
【請求項４】
請求項３に記載のコンピュータ計算フレームワークであって、前記深層学習モジュール内の重み行列が前記対称型テンソルネットワークに交換されることを特徴とするコンピュータ計算フレームワーク。
【請求項５】
請求項４に記載のコンピュータ計算フレームワークであって、システムが、訓練セット向けのコスト関数を最小化するように対称型テンソル深層学習ネットワークのパラメータを微調整する古典的最適化アルゴリズムを含むことを特徴とするコンピュータ計算フレームワーク。
【請求項６】
請求項５に記載のコンピュータ計算フレームワークであって、前記システムが、データポイントの新たなセットに対して予測を行う推論モジュールを含むことを特徴とするコンピュータ計算フレームワーク。
【請求項７】
請求項６に記載のコンピュータ計算フレームワークであって、前記モデルが深層学習チップ上に実装され得ることを特徴とするコンピュータ計算フレームワーク。
【請求項８】
対称型深層学習を用いる量子機械学習向けの対称型テンソルネットワークを実装するための方法であって、
コンピュータ計算フレームワークを展開するための技法または手順の実行と、
機械学習のタイプの活用のための数学的構造体の作成と、
より高速な収束および訓練、より優れた精度のための深層学習のタイプの活用と、
モデルを実装するためのハードウェアコンポーネントの利用と、
データの集合からのデータの抽出と、
層内へのコンピュータ計算ユニットの配置と、
深層学習モジュール内の数値配列の数学的構造体による置き換えと、
特定のタイプの数学的構造体の使用と、
調整可能要素を調整するための最適化技法の適用と、
データセットの部分集合に対する性能測定量の低減と、
初見データに対する前記モデルの出力の生成とを含むことを特徴とする方法。
【請求項９】
請求項８に記載の方法であって、前記数学的構造体が対称型テンソルネットワークであることを特徴とする方法。
【請求項１０】
請求項９に記載の方法であって、前記対称型テンソルネットワークが、前記データセットの高度な対称性を用いて構築されることを特徴とする方法。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本発明は、量子機械学習、特に対称型深層学習における対称型テンソルネットワークの実装に関する。それは、調査のためにデータセットの高度な対称性を活用するシステムおよび方法を含む。
続きを表示（約 2,800 文字）【背景技術】
【０００２】
量子機械学習は、複雑なコンピュータ計算の問題を解決するために量子物理学と機械学習技法とを組み合わせる急速に進化している分野である。この分野における重要な難題の１つは、大きなデータセットの効率的なハンドリングおよび処理（プロセッシング）である。従来の機械学習方法は、これらのデータセットの高い次元数および複雑度と格闘（ストラッグル）することが多い。その上、伝統的な深層学習モデルは強力であるが、しばしば、多くの用途において制限因子であり得る、訓練（トレーニング）のための多大なコンピュータ計算資源および時間を必要とする。さらにこれらのモデルは、多くのデータセットに存在する固有の高度な対称性を常に考慮に入れるとは限らないため、このことは、学習プロセスにおける非効率および不正確につながる可能性がある。したがって、量子領域における機械学習アルゴリズムを実装するためのより効率的かつ正確な方法を得る必要がある。
【発明の概要】
【課題を解決するための手段】
【０００３】
実施形態に従って、対称型深層学習を用いる量子機械学習向けの対称型テンソルネットワークを実装するためのコンピュータ計算フレームワークが提供される。コンピュータ計算フレームワークを展開するための技法または手順が実行され、数学的構造体が、機械学習のタイプの活用のために作成される。より高速な収束および訓練、より優れた精度のために深層学習のタイプが活用される。モデルを実装するために、ハードウェアコンポーネントが利用され、データがデータの集合から抽出される。コンピュータ計算ユニットが層（レイヤー：ｌａｙｅｒ）内に配置され、深層学習モジュール内の数値配列が数学的構造体によって置き換えられる。特定のタイプの数学的構造体が使用され、調整可能要素を調整するために最適化技法が適用される。データセットの部分集合に対する性能測定量が低減され、初見（アンシーン：ｕｎｓｅｅｎ）データに対するモデルの出力が生成される。
【０００４】
他の実施形態に従って、対称型深層学習を用いる量子機械学習向けの対称型テンソルネットワークを実装するための方法が提供される。方法は、コンピュータ計算フレームワークを展開するための技法または手順の実行と、機械学習のタイプの活用のための数学的構造体の作成と、より高速な収束および訓練、より優れた精度のための深層学習のタイプの活用と、モデルを実装するためのハードウェアコンポーネントの利用と、データの集合からのデータの抽出と、層内へのコンピュータ計算ユニットの配置と、深層学習モジュール内の数値配列の数学的構造体による置き換えと、特定のタイプの数学的構造体の使用と、調整可能要素を調整するための最適化技法の適用と、データセットの部分集合（サブセット）に対する性能測定量（パフォーマンスミージャー：ｐｅｒｆｏｒｍａｎｃｅｍｅａｓｕｒｅ）の低減と、初見データに対するモデルの出力の生成とを含む。
【図面の簡単な説明】
【０００５】
対称型深層学習を用いる量子機械学習向けの対称型テンソルネットワークを実装するための操作をフローチャートで示す図である。
コンピュータ計算フレームワークを展開し、機械学習向けの数学的構造体を作成するための操作をフローチャートで示す図である。
より高速な収束、訓練、およびより優れた精度向けの深層学習のタイプを活用するための操作をフローチャートで示す図である。
モデルを実装するためのハードウェアコンポーネントを利用するための操作をフローチャートで示す図である。
データの集合からデータを抽出するための操作をフローチャートで示す図である。
層内にコンピュータ計算ユニットを配置するための操作をフローチャートで示す図である。
深層学習モジュール内の数値配列を数学的構造体によって置き換えるための操作をフローチャートで示す図である。
特定のタイプの数学的構造体を使用するための操作をフローチャートで示す図である。
調整可能要素を調整するために最適化技法を適用するための操作をフローチャートで示す図である。
データセットの部分集合に対する性能測定量を低減するための操作をフローチャートで示す図である。
初見データに対するモデルの出力を生成するための操作をフローチャートで示す図である。
対称型テンソルネットワーク量子機械学習システムの主要コンポーネントをブロック図で示す図である。
「量子学習コア」を「対称型テンソルネットワーク量子機械学習システム」の主要コンポーネントとしてブロック図で示す図である。
「量子学習コア」のサブコンポーネントをブロック図で示す図である。
【発明を実施するための形態】
【０００６】
ステップ１００は、機械学習向けの対称型テンソルネットワークの使用に対応するコンピュータ計算環境を設定するプロセスに関する。これは、これらのネットワークの実装に適応し得るシステムまたは構造の確立を伴う。
【０００７】
コンピュータ計算フレームワークと呼ばれるシステムまたは構造は、ネットワークがその中に実装される包括的な環境である。これは、様々なタイプのコンピューティングシステムの形態をとることができる。コンピュータ計算フレームワークを確立し設定するために使用される方法またはアルゴリズムは、技法または手順と呼ばれる。これらは、初期化手順、設定環境、および展開戦略の範囲を含むことができる。
【０００８】
対称型テンソルネットワークは、ある特定の変換の下で不変のままであることになる、対称性を有する数学的構造体である。機械学習の文脈（コンテキスト：ｃｏｎｔｅｘｔ）では、これらのネットワークは、コンピュータ計算の面で効率的な様式で状態を表し状態を巧みに操作するために使用される。
【０００９】
コンピュータ計算フレームワークを展開するプロセスは、対称型テンソルネットワークを使用するためのシステムを構成すること、必要な資源を設定すること、および、適切なパラメータを含むネットワークを初期化することを含む。これにより、機械学習アルゴリズムの効率的な実行が可能になり、場合によっては、より高速な収束および訓練、ならびに改善された精度がもたらされる。
【００１０】
コンピュータ計算フレームワークの展開は、全ての後続のステップおよび動作のための段階を設定し、システムの全体性能および効果に影響を与える。
（【００１１】以降は省略されています）

関連特許