量子图神经网络及实现量子图神经网络的方法技术

本发明专利技术涉及到量子图神经网络及实现量子图神经网络的方法。将一个节点的节点特征数据传入第一线路的前级泡利旋转门的旋转参数，将另一节点的节点特征数据传入第二线路的前级泡利旋转门的旋转参数。将两节点之间的边的边特征数据传入至第一和第二线路各自的受控门的旋转参数。另外在第一线路和第二线路各自的后级泡利旋转门的旋转参数中传入权重参数，利用带有权重的预定线性函数聚合一条边的边特征数据和边两端相邻的两个节点的节点特征数据。据。据。

【技术实现步骤摘要】
量子图神经网络及实现量子图神经网络的方法


[0001]本专利技术主要涉及到量子计算领域，更确切的说，涉及到一种量子图神经网络及实现量子图神经网络的方法。

技术介绍

[0002]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、社交媒体中的错误信息即假新闻的检测、自然科学的各个领域如粒子物理学中的事件分类等。
[0003]图神经网络(GNN)在处理图像数据时具很强的特征抽取能力和整合能力，这主要得益于其卷积核(kernel/filter)的参数共享机制以及加权平均机制。卷积本质上其实就是一种加权求和的过程，而卷积核的参数就是不同像素点对应的权重，并且不同的各类图片都共享同一个卷积核。这使得CNN能通过对卷积核参数的迭代更新来隐式的学习图像中具有的像素排列规律，进而通过学习到不同的形状特征和空间特征。
[0004]基于经典的图神经网络算法是人工智能领域的研究热点，被应用在多种应用场景例如生物医药研发、材料研究、神经科学等，然而这些经典图神经网络模型的运行需要消耗大量的计算资源。传统算法运行的计算资源主要由基于集成电路制造的芯片提供，随着电子遂穿效应对制程接近纳米极限后的制约，算力很难持续提升。其中很重要的负面因素是基于硅材料的集成电路在执行大量运算过程中会产生难以及时耗散的极大热量源。量子计算是对电子芯片计算方式的补充源，在某些环节亦可部分替代传统芯片。
[0005]值得注意的是，经典的图神经网络算法在量子设备上的运行是无法按照其在电子芯片上的方式进行处理。针对化学分子性质的预测问题，当前基于经典图神经网络模型已经取得部分优异的性能，但在经典图神经网络算法中的节点之间消息传递阶段，其运算具有高度的并行性并消耗大量计算资源，以至于当前的计算机算力显得捉襟见肘。所以量子计算以及量子和经典的混合运算是高算力场合非常值得考虑的方向。
[0006]近年来业界对深度学习方法在图上的扩展越来越感兴趣和具有实用价值。在多方因素的成功推动下，研究人员借鉴卷积网络、循环网络和深度自动编码器的思想，定义和设计了用于处理图结构数据的图神经网络结构(Graph Neural Networks，GNN)，由此一个新的研究热点即图神经网络应运而生，目前，GNN的有效性已得到广泛证实。伴随着量子计算机的出现，利用量子线路优化的神经网络已在多个领域有所应用。然而，目前图神经网络结构的量子经典混合版本尚无，有必要设计独特的方案搭建相应的网络。

技术实现思路

[0007]本申请涉及一种量子图神经网络，包括：
[0008]用于聚合图神经网络的节点特征数据和边特征数据的变分量子线路，以实现中间连接有边的相邻节点之间的信息传播操作。
[0009]上述的量子图神经网络，其中：
[0010]变分量子线路包括一对线路，任一单个线路上布置有第一组旋转门，用于表征节点特征数据的第一类参数以第一组旋转门的旋转角度的方式表示。
[0011]上述的量子图神经网络，其中：
[0012]任一单个线路上还布置有受控门，该一对线路中的一条线路上所布置的受控门受控于余下的另一条线路，表征边特征数据的第二类参数以受控门的旋转角度的方式表示。
[0013]上述的量子图神经网络，其中：
[0014]任一单个线路上还布置有第二组旋转门，聚合每条边两端的相邻节点的节点特征数据和边自身的边特征数据的线性函数的权重，用第二组旋转门的旋转角度的方式表示。
[0015]上述的量子图神经网络，其中：
[0016]所述第一组旋转门包括参数化的泡利X、Y、Z三个旋转门，藉此所述节点特征数据的维度设置成与三个旋转门数目相适配的(1,3)。
[0017]上述的量子图神经网络，其中：
[0018]任一单个线路上布置的所述受控门包括参数化的泡利X旋转门，藉此所述边特征数据的维度设置成与一个旋转门数目适配的(1，1)。
[0019]上述的量子图神经网络，其中：
[0020]所述第二组旋转门包括参数化的泡利X、Y、Z三个旋转门，藉此所述权重的维度设置成与三个旋转门数目相适配的(1，3)。
[0021]上述的量子图神经网络，其中：
[0022]实现相邻节点和它们之间的边的所述信息传播操作用线性函数c
k
来表示：
[0023]c
k
＝σ(W*(x
uk
+x
vk
)*m
k
+b)；
[0024]第k条边l
k
的特征数据为m
k
及l
k
两端的相邻节点的特征数据分别为x
uk
和x
vk
，W和b分别是线性函数中的权重和偏置，σ代表激活函数。
[0025]本申请涉及到另一种量子图神经网络，包括：
[0026]用于聚合图神经网络的节点特征数据和边特征数据的变分量子线路，其具有一对线路而且该一对线路通过受控门产生纠缠，任意一条线路的受控门受控于另一条线路；
[0027]通过所述纠缠的耦合作用，使得一条边的边特征数据和边两端相邻节点的节点特征数据相互融合并聚合成组合特征。
[0028]上述的量子图神经网络，其中：
[0029]该一对线路包括第一和第二线路；
[0030]第一线路中：其前级泡利旋转门的角度参数含一个节点的节点特征数据、其受控门角度参数含边特征数据、其后级泡利旋转门的角度参数含图神经网络的线性函数的权重；
[0031]第二线路中：其前级泡利旋转门的角度参数含另一节点的节点特征数据、其受控门角度参数含边特征数据、其后级泡利旋转门的角度参数含图神经网络的线性函数的权重。
[0032]本申请涉及到一种实现量子图神经网络的方法，其中：
[0033]将一个节点的节点特征数据传入至第一线路的前级泡利旋转门的旋转参数，将另一节点的节点特征数据传入至第二线路的前级泡利旋转门的旋转参数；
[0034]将两节点之间的边的边特征数据传入至第一和第二线路各自的受控门的旋转参数；
[0035]限定第一和第二线路两者中任意一者上布置的受控门受控于另一者；
[0036]在第一和第二线路各自的后级泡利旋转门的旋转参数中引入权重，利用带有权重的预定线性函数聚合一条边的边特征数据和边两端相邻节点的节点特征数据。
[0037]随着量子计算的出现，本申请提出一种基于空域的量子图神经网络(QGNN)。
[0038]本申请具有以下优势：
[0039]基于量子比特的数据表达能力更优，例如用有向或无向图的形式表达节点特征且这种表达过程中混合了量子数据的运算，能够更精准的对节点性质进行预测。在给定一些已知节点的情况之下，可预测其整体或者聚合团所具有的性质。
[0040]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种量子图神经网络，其特征在于，包括：用于聚合图神经网络的节点特征数据和边特征数据的变分量子线路，以实现中间连接有边的相邻节点之间的信息传播操作。2.根据权利要求1所述的量子图神经网络，其特征在于：变分量子线路包括一对线路，任一单个线路上布置有第一组旋转门，用于表征节点特征数据的第一类参数以第一组旋转门的旋转角度的方式表示。3.根据权利要求2所述的量子图神经网络，其特征在于：任一单个线路上还布置有受控门，该一对线路中的一条线路上所布置的受控门受控于余下的另一条线路，表征边特征数据的第二类参数以受控门的旋转角度的方式表示。4.根据权利要求3所述的量子图神经网络，其特征在于：任一单个线路上还布置有第二组旋转门，聚合每条边两端的相邻节点的节点特征数据和边自身的边特征数据的线性函数的权重，用第二组旋转门的旋转角度的方式表示。5.根据权利要求2所述的量子图神经网络，其特征在于：所述第一组旋转门包括参数化的泡利X、Y、Z三个旋转门，藉此所述节点特征数据的维度设置成与三个旋转门数目相适配的(1,3)。6.根据权利要求3所述的量子图神经网络，其特征在于：任一单个线路上布置的所述受控门包括参数化的泡利X旋转门，藉此所述边特征数据的维度设置成与一个旋转门数目适配的(1,1)。7.根据权利要求4所述的量子图神经网络，其特征在于：所述第二组旋转门包括参数化的泡利X、Y、Z三个旋转门，藉此所述权重的维度设置成与三个旋转门数目相适配的(1,3)。8.根据权利要求1所述的量子图神经网络，其特征在于：实现相邻节点和它们之间的边的所述信息传播操作用线性函数c
k
来表示：c
k
＝σ(W*(x
uk
+x
...

【专利技术属性】
技术研发人员：王诗瑜，赵翔，
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：