一种通过量子节点嵌入算法处理图网络数据的方法、装置制造方法及图纸

本申请提供一种通过量子节点嵌入算法处理图网络数据的方法、装置，通过该算法处理图网络数据，可将一个原始图网络的节点及节点之间的连接关系映射到希尔伯特空间的量子态上，通过本发明专利技术提出的量子节点嵌入算法可以将该图网络的节点邻接等特征信息编码到量子态，实现经典图信息到量子态信息的转化，该图信息的量子态可直接作为一些量子机器学习算法的输入特征矢量，解决了量子机器学习算法的输入经典数据高效转化问题。典数据高效转化问题。典数据高效转化问题。

【技术实现步骤摘要】
一种通过量子节点嵌入算法处理图网络数据的方法、装置


[0001]本专利技术涉及量子计算领域，具体涉及一种通过量子节点嵌入算法处理图网络数据的方法、装置。

技术介绍

[0002]量子计算在机器学习领域已经取得了巨大的进展。量子机器学习，是用量子计算机完成机器学习任务，已经被证明有巨大的潜力。在这些量子机器学习算法中，人们利用量子叠加和并行性来处理大规模数据。然而，许多现有的量子机器学习算法中，输入特征向量的快速制备仍然是量子机器学习算法设计中的一个关键问题。
[0003]通过从数据中学习来构建模型的机器学习，现在是人工智能的核心部分。从原始数据中提取和选择最相关的特征来创建预测模型的特征向量过程是机器学习的关键步骤。对于一个机器学习任务来说，好的数据特征决定了机器学习模型性能的上限。然而，对于词语和知识等类型的数据，虽然可以确切知道它们之间的关联关系，关联关系可以形成一个图网络，但很难只通过人工确切分析出较好的数据特征。

技术实现思路

[0004]本申请旨在提供一种通过量子节点嵌入算法处理图网络数据的方法、装置，通过该算法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种通过量子节点嵌入算法处理图网络数据的方法，其特征在于，包括：操作1：获取待处理图网络的节点集合和图邻接矩阵，初始化可调参数序列其中节点集合包括N个节点，N为自然数；操作2：申请具有n个量子比特的第一量子寄存器和具有q个量子比特的第二量子寄存器，并将所述第一量子寄存器和所述第二量子寄存器的每个量子比特初始化在|0>上，q至少为1；操作3：在所述第一量子寄存器的每个量子比特上作用一个哈德玛门，将所述第一量子寄存器的状态制备到均匀叠加态操作4：在所述第一量子寄存器和所述第二量子寄存器上作用m层循环参数化量子线路，每层所述参数化量子线路由包含所述可调参数序列的量子门序列组成，m最小为1；通过作用所述m层循环参数化量子线路将所述第一量子寄存器和所述第二量子寄存器的状态制备到目标量子态其中表示所述图网络的第i个顶点对应的节点嵌入态；操作5：在所述第一量子寄存器和所述第二量子寄存器上作用测量层量子线路，根据测量结果计算当前所述可调参数序列对应的节点相似度目标函数值并利用优化算法求解下一步迭代的参数序列其中M是所述图网络的节点相似度评估算符，由所述图邻接矩阵生成；操作6：将操作4中的所述可调参数序列更新为并重复操作2
‑
5，直至所述节点相似度目标函数值收敛至最大值，获取此时所述第一量子寄存器和所述第二量子寄存器制备的量子态。2.根据权利要求1所述的方法，其特征在于，所述每层所述参数化量子线路按作用顺序包括编码层和混合层，其中所述编码层由所述第一量子寄存器中每个比特分别控制的含参酉门组成，所述含参酉门作用在所述第二量子寄存器上，且每个所述含参酉门包含一个可调参数，所述m层循环参数化量子线路的每个所述可调参数按作用顺序组成所述可调参数序列所述混合层作用在所述第一量子寄存器上，所述混合层包括多个量子非门和受控非门，以实现所述第一量子寄存器中量子态之间的置换。3.根据权利要求1所述的方法，其特征在于，所述节点相似度评估算符M为其中γ为惩罚项超参数，J为2
n
×2n
的元素全为1的矩阵，I
2q
为2q阶单位矩阵，A为所述图邻接矩阵，q为所述第二量子寄存器的量子比特数。4.根据权利要求1所述的方法，其特征在于，获取所述节点相似度目标函数值包括：将所述节点相似度评估算符M按泡利测量基进行分解，根据分解表达式通过改变所述测量层量子线路中的量子门序列，使所述第一量子寄存器和所述第二量子寄存器转换泡利
测量基，并在不同泡利测量基下得到泡利算符张量积P...

【专利技术属性】
技术研发人员：李行，周增荣，龙桂鲁，
申请(专利权)人：清华大学，
类型：发明
国别省市：