基于线图神经网络求解伊辛问题的方法及系统技术方案

本发明专利技术涉及到基于线图神经网络求解伊辛问题的方法及系统。为每层网络结构设定线图神经网络及配对的图神经网络。信息的更新方式为：前一层网络结构的图神经网络及线图神经网络同步向后一层网络结构的图神经网络传递节点的特征信息，前一层网络结构的线图神经网络、后一层网络结构的图神经网络同步向后一层网络结构的线图神经网络传递节点特征信息。并构建伊辛哈密顿量形式的损失函数，对网络结构的线图神经网络及图神经网络两者配置的用于更新节点的特征信息的预定参数进行训练，在损失函数最小时得到伊辛哈密顿量基态的解。失函数最小时得到伊辛哈密顿量基态的解。失函数最小时得到伊辛哈密顿量基态的解。

【技术实现步骤摘要】
基于线图神经网络求解伊辛问题的方法及系统


[0001]本专利技术主要涉及到伊辛机
，更确切的说，涉及到一种基于线图神经网络求解伊辛问题的方法及基于线图神经网络的伊辛求解系统。

技术介绍

[0002]棘手的组合优化问题即NP
‑
hard难问题，通常包括最大割问题(Max
‑
Cut)、最大独立集问题(MIS)、最小顶点覆盖问题、最大团问题和集合覆盖问题，在生物医药、金融策略及交通规划、电路设计等方面具有广泛的应用。较为常见的求解器是D
‑
wave公司生产的量子退火机，但由于其硬件构造的限制，该退火机不能完成大规模的问题求解，其计算速度相较于模拟退火亦不具备足够的优势。有鉴于传统技术的劣势，因此寻找新的替代方法来解决大规模组合优化问题就显得十分有意义。
[0003]在深度学习领域，图神经网络(GNN)在过去数年里迅速流行起来。作为一种方便和通用的框架来建模各种现实世界的大规模复杂结构数据，图神经网络已经成功地应用于广泛的解决各种系列问题，例如包括了社交媒体和电子商务中的推荐系统、社交本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于线图神经网络求解伊辛问题的方法，其特征在于，包括：提供多层网络结构，为每一层网络结构设定线图神经网络及配对的图神经网络；其中前一层所述网络结构的图神经网络、线图神经网络同步向后一层所述网络结构的图神经网络传递节点的特征信息，前一层所述网络结构的线图神经网络、后一层所述网络结构的图神经网络同步向后一层所述网络结构的线图神经网络传递节点的特征信息；构建伊辛哈密顿量形式的损失函数，对所述网络结构的线图神经网络及图神经网络两者配置的用于更新所述节点的特征信息的预定参数进行训练，在损失函数最小时得到伊辛哈密顿量基态的解。2.根据权利要求1所述的方法，其特征在于：根据伊辛哈密顿量H，在每层网络结构中构建图神经网络，将伊辛哈密顿量的自旋关系映射到图神经网络的邻接关系：H＝J
ij
x
i
x
j
其中J
ij
表示伊辛哈密顿量中第i个自旋x
i
和第j个自旋x
j
之间的耦合强度。3.根据权利要求2所述的方法，其特征在于：如果J
ij
≠0，表示两个自旋之间存在相互作用，在图神经网络中设置与第i个自旋对应的第i个节点、与第j个自旋对应的第j个节点存在连接，此时邻接矩阵A
ij
＝1；如果J
ij
＝0，则在图神经网络中设置与第i个自旋对应的第i个节点、与第j个自旋对应的第j个节点没有相互作用且不存在着连接，此时邻接矩阵A
ij
＝0。4.根据权利要求1所述的方法，其特征在于：图神经网络中第i，j节点之间的连接边E
ij
关系被编码成线图神经网络的节点分布：图神经网络中的连接边E
ij
对应于线图神经网络中的两个节点V
ij
和V
ji
。5.根据权利要求4所述的方法，其特征在于：在线图神经网络中利用非回溯算子B定义任意两个节点之间的边集：V
ij
，V
i
′
j
′
两节点的边集满足B
(i
→
j)，(i
′→
j
′
)
＝1或B
(i
→
j)，(i
′→
j
′
)
＝0；在非回溯算子B中当j＝i
′
，j
′
≠i时B＝1，否则B＝0。6.根据权利要求1所述的方法，其特征在于：第k层所述网络结构的图神经网络、线图神经网络同步向第k+1层所述网络结构的图神经网络传递节点的特征信息的方式包括：其中x
(k)
、y
(k)
分别对应于图神经网络和线图神经网络的节点在第k层的特征信息；所述预定参数包括W
i
、W
″
i
，图神经网络中...

【专利技术属性】
技术研发人员：方波，
申请(专利权)人：上海图灵智算量子科技有限公司，
类型：发明
国别省市：