一种基于量子线路的图注意力机制实现装置制造方法及图纸

本发明专利技术提供了一种基于量子线路的图注意力机制实现装置，属于量子计算技术领域。因为该装置包括初始节点特征向量x

【技术实现步骤摘要】
一种基于量子线路的图注意力机制实现装置
[0001]分案申请信息
[0002]本申请是申请日为2022年02月07日、申请号为202210116508.2、专利技术名称为“一种基于量子线路的图注意力机制实现方法”的专利申请的分案申请。


[0003]本专利技术涉及量子计算
，具体涉及一种基于量子线路的图注意力机制实现装置。

技术介绍

[0004]图神经网络GNN把深度学习应用到图结构(Graph)中，其中的图卷积网络GCN可以在Graph上进行卷积操作。GCN的成功让图领域的深度学习风生水起，随着研究的深入，GCN的缺点也愈专利技术显：依赖拉普拉斯矩阵，不能直接用于有向图；模型训练依赖于整个图结构，不能用于动态图；卷积的时候没办法为邻居节点分配不同的权重。因此2018年图注意力网络GAT(Graph Attention Network)被提出，解决GCN存在的问题。
[0005]Graph Convolutional Network(GCN)告诉我们将局部的图结构和节点特征结合可以在节点分类任务中获得不错的表现。美中不足的是GCN结合邻近节点特征的方式和图的结构息息相关，这局限了训练所得模型在其他图结构上的泛化能力，GCN有两大局限经常被他人所诟病：
[0006]1.无法完成归纳任务，即处理动态图问题；
[0007]2.处理有向图的瓶颈，不容易实现分配不同的学习权重给不同的邻居节点；
[0008]3.GCN不能为每个邻居分配不同的权重，GCN在卷积时对所有邻居节点均一视同仁，不能根据节点重要性分配不同的权重。
[0009]其中，归纳任务是指：训练阶段与测试阶段需要处理的graph不同。通常是训练阶段只是在子图(subgraph)上进行，测试阶段需要处理未知的节点(unseen node)。有向图是指：节点之间不光是连接关系，而且是有方向性的。
[0010]注意力机制在文本数据中表现出很好的特性是因为其对于数量和顺序不敏感，同样的情况也出现在Graph数据中。所以图注意力模型(GAT)用注意力机制代替了图卷积中的固定的标准化的操作。
[0011]注意力机制现如今已经变成一个标准的序列模型的处理方式，图注意力机制是在图结构数据融合了注意力机制的特点。但是在数据较多的情况注意力机制所需要的运算量还是非常庞大的，且需要训练的参数量惊人，计算速度较慢。

技术实现思路

[0012]本专利技术是为了解决上述问题而进行的，目的在于提供一种基于量子线路的图注意力机制实现装置。
[0013]本专利技术提供了一种基于量子线路的图注意力机制实现装置，具有这样的特征，包
括初始节点特征向量x
i
获取模块与处理特征向量x
′
i
获取模块，
[0014]初始节点特征向量x
i
获取模块，用于获取目标图像对应的邻接矩阵A及构成该图像的每个节点i对应的初始节点特征向量x
i
；
[0015]处理特征向量x
′
i
获取模块，用于将节点i的邻近节点j对应的初始邻近节点特征向量x
j
及初始节点特征向量x
i
输入至构建好的量子GAT中进行纠缠演化和分值计算，从而输出节点i对应的处理特征向量x
′
i
；
[0016]其中，量子GAT包括第一量子线路和第二量子线路；
[0017]第一量子线路用于分别将x
i
及x
j
编码为对应的节点量子态和邻近节点量子态，在酉变换模块的作用下进行纠缠演化，并测量二者演化后的相似度e
ij
；
[0018]第二量子线路用于对邻近节点量子态进行纠缠演化，经测量后在预定范围内对邻近节点量子态的维度进行缩放，输出节点j对应的邻近节点处理特征向量x
′
j
；
[0019]其中，将相似度e
ij
通过LeakyReLU层和SoftMax层得到节点i与任意邻近节点j对应的注意力得分α
ij
，并依次遍历节点i对应的所有邻近节点j对应的所有注意力得分α
ij
；
[0020]将节点i的所有邻近节点j均经过第二量子线路后，输出所有邻近节点对应的邻近节点处理特征向量x
′
j
；
[0021]节点i对应的处理特征向量x'
i
的获取如下：
[0022][0023]N(i)为节点i的所有邻近节点的个数。
[0024]上述的装置，还具有这样的特征：
[0025]设x
i
的长度为k，则第一量子线路中的量子比特数为n+m+1，
[0026]其中，2
n
≥k，m≥0，m和1均为辅助量子比特数，n等于图的节点数。
[0027]上述的装置，还具有这样的特征：
[0028]设x
j
的长度为k，则第二量子线路中的量子比特数为n+m，
[0029]其中，2
n
≥k，m≥0，m为辅助量子比特数,n等于图的节点数。
[0030]上述的装置，还具有这样的特征：
[0031]其中，m条辅助量子线路用于增强第一量子线路与第二量子线路的非线性性能。
[0032]上述的装置，还具有这样的特征：
[0033]其中，第一量子线路中相似度e
ij
的获取如下：
[0034]节点量子态及邻近节点量子态分别经过第一酉变换模块，输出节点第一变换量子态及邻近节点第一变换量子态；
[0035]节点第一变换量子态及邻近节点第一变换量子态经过第二酉变换模块后，输出节点第二变换量子态及邻近节点第二变换量子态对应的张量积；
[0036]将节点第二变换量子态及邻近节点第二变换量子态对应的张量积输入至第三酉变换模块后，输出节点量子态和邻近节点量子态的相似度e
ij
。
[0037]上述的装置，还具有这样的特征：
[0038]其中，第一酉变换模块及第二酉变换模块包括参数化泡利旋转门和/或受控门。
[0039]上述的装置，还具有这样的特征：
[0040]其中，第三酉变换模块包括Hadamard门和Swap门。
[0041]专利技术的作用与效果
[0042]根据本专利技术所涉及的基于量子线路的图注意力机制实现装置，因为该装置包括初始节点特征向量x
i
获取模块与处理特征向量x
′
i
获取模块，初始节点特征向量x
i
获取模块与处理特征向量x
′
i
获取模块分别用于将目标图像的节点i对应的初始节点特征向量x
i
及其邻近节点j对应的初始节点特征向量x
j
在量子GAT中进行纠缠演化，并进行分值计算，最终输出节点i本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于量子线路的图注意力机制实现装置，其特征在于，包括：初始节点特征向量x
i
获取模块，用于获取目标图像对应的邻接矩阵A及构成该图像的每个节点i对应的初始节点特征向量x
i
；处理特征向量x
′
i
获取模块，用于将所述节点i的邻近节点j对应的初始邻近节点特征向量x
j
及所述初始节点特征向量x
i
输入至构建好的量子GAT中进行纠缠演化和分值计算，从而输出所述节点i对应的处理特征向量x'
i
；其中，所述量子GAT包括第一量子线路和第二量子线路；所述第一量子线路用于分别将所述x
i
及所述x
j
编码为对应的节点量子态和邻近节点量子态，在酉变换模块的作用下进行纠缠演化，并测量二者演化后的相似度e
ij
；所述第二量子线路用于对所述邻近节点量子态进行纠缠演化，经测量后在预定范围内对所述邻近节点量子态的维度进行缩放，输出节点j对应的邻近节点处理特征向量x'
j
；其中，将所述相似度e
ij
通过LeakyReLU层和SoftMax层得到所述节点i与任意邻近节点j对应的注意力得分α
ij
，并依次遍历所述节点i对应的所有邻近节点j对应的所有注意力得分α
ij
；将所述节点i的所有所述邻近节点j均经过所述第二量子线路后，输出所有邻近节点对应的邻近节点处理特征向量x'
j
；所述节点i对应的所述...

【专利技术属性】
技术研发人员：徐晓俊，
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：