基于量子近似优化算法的图最大分割方法及系统技术方案

本发明专利技术公开一种基于量子近似优化算法的图最大分割方法及系统，方法包括将路网的每个路口作为一个节点，并利用边概率表示路口之间的连通关系，构建图；根据图生成

【技术实现步骤摘要】
基于量子近似优化算法的图最大分割方法及系统


[0001]本专利技术涉及量子计算
，具体涉及一种基于量子近似优化算法的图最大分割方法及系统
。

技术介绍

[0002]随着噪声中间尺度量子
(NISQ)
器件的出现，短期量子器件具有少量的噪声量子比特，这些噪声量子比特只能支持浅深度电路的执行
。
变分量子算法
(Variational Quantum Algorithm
，
VQA)
旨在利用这些设备的能力和限制来解决诸如组合优化
、
量子化学和量子机器学习等感兴趣的问题
。
这些变分算法具有灵活的体系结构
、
自适应的性质以适应量子器件的门限以及对系统噪声的部分鲁棒性，因此具有很好的应用前景
。
量子近似优化算法
(Quantum Approximate Optimization Algorithm
，
QAOA)
是
VQA
的一种，在近期器件上具有量子加速本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于量子近似优化算法的图最大分割方法，其特征在于，所述方法包括：
S1、
将路网的每个路口作为一个节点，并利用边概率表示路口之间的连通关系，构建
‑
R
é
nyi
图；
S2、
根据所述
‑
R
é
nyi
图，生成
p
层
QAOA
电路；
S3、
在
p
＝1时，使用第一神经网络预测所述
QAOA
电路第一层的初始变分参数；
S4、
在
p
＝2时，执行步骤
S3
计算电路第一层的初始变分参数，并基于第一层的初始变分参数，采用第二神经网络预测所述
QAOA
电路第一层和第二层的初始变分参数；
S5、
在
p≥3
时，执行步骤
S3
‑
S4
计算电路第一层和第二层的初始变分参数，并从第三层开始采用线性差值算法，在当前层前一层的初始变分参数的基础上加上其前两层之间参数的差值，作为当前层的初始变分参数；
S6、
基于电路各层的初始变分参数运行所述
QAOA
电路，得到路网划分近似解
。2.
如权利要求1所述的基于量子近似优化算法的图最大分割方法，其特征在于，所述根据所述
‑
R
é
nyi
图，生成
p
层
QAOA
电路，包括：根据所述
‑
R
é
nyi
图中的节点数
N
，生成
N
量子比特量子电路；根据所述
‑
R
é
nyi
图的边概率，生成
N
量子比特量子电路的电路结构
。3.
如权利要求1所述的基于量子近似优化算法的图最大分割方法，其特征在于，所述初始变分参数分别是所述
QAOA
电路中
RZ
旋转门和
RX
旋转门的旋转角度参数
γ
l
和
β
l
，其中
l
＝
1,2,...,p
，
p
为电路层数
。4.
如权利要求1所述的基于量子近似优化算法的图最大分割方法，其特征在于，所述第一神经网络采用门控循环网络
GRU
，所述使用第一神经网络预测所述
QAOA
电路第一层的初始变分参数，包括：将初始随机参数与该参数对应的成本进行拼接，得到拼接数据；将初始隐藏状态
h0与所述拼接数据作为
GRU
的输入，通过损失函数对初始随机参数所运行得到的期望值进行迭代，并将新的成本
、
新的初始随机参数和新的隐藏状态作为输出返回至所述
GRU
的输入；执行设定时间步长，并计算每个时间步对应的期望值，将最大期望值对应的参数作为所述
QAOA
电路第一层的初始变分参数
。5.
如权利要求1所述的基于量子近似优化算法的图最大分割方法，其特征在于，所述第二神经网络采用卷积神经网络
CNN
，所述基于第一层的初始变分参数，采用第二神经网络预测所述
QAOA
电路第一层和第二层的初始变分参数，包括：将所述
QAOA
电路第一层的初始变分参数作为卷积层一的输入，所述卷积层一用于将输入数据扩展为<...

【专利技术属性】
技术研发人员：徐祖雨，蔡彭年，沈康，胡源铭，杨涛，杨菲，
申请(专利权)人：安徽大学，
类型：发明
国别省市：