一种针对空间探索中困难计算问题的近期量子计算方法

在本文中，我们展示了如何将空间探索中最困难的人工智能问题采样映射到等价的 Ising 模型上，进而利用在 D-Wave 机器中实现的量子退火进行求解。我们概述了现有结果，并提出了用于量子退火的新 Ising 模型实现方案。我们回顾了用于分类和聚类的监督及无监督学习算法，并将其应用于特征识别和异常检测。我们介绍了用于遥感应用的数据融合和图像匹配算法。我们概述了空间探索任务应用的规划问题，以及应用于深空任务的对角诊断与恢复算法。我们描述了在自主无人探索背景下用于任务分配的组合优化算法。最后，我们讨论了基于概率计算思想的“黑盒”方法来规避 Ising 映射局限性的途径。在本文中，我们描述了 D-Wave One 机器的架构并报告了其基准测试结果。针对多达 96 个量子比特的随机问题集的结果显示，与经典算法相比，中位核心量子退火时间具有更好的标度性；这种标度性是否适用于更大的问题规模仍是一个开放性问题。我们还回顾了之前关于 D-Wave One 基准测试的研究结果，即利用量子提升算法解决二分类问题，该算法被证明优于 AdaBoost。我们回顾了用于多标签分类的结构化学习量子算法，并引入了一种混合经典/量子方法来学习权重。在四个不同数据集上学习结构化标签的 D-Wave One 基准测试结果显示，其性能优于采用线性核的独立支持向量机方法。