本發(fā)明涉及量子計算，尤其涉及一種基于硬件適配的量子圖神經網絡的分類方法及相關裝置。

背景技術：

1、圖分類是對圖結構數據中的節(jié)點或子圖進行分類的任務，在許多領域具有廣泛應用，如社交網絡分析、生物信息學、推薦系統和網絡安全等。求解圖分類問題的機器學習算法主要基于特征提取和傳統分類器，包括支持向量機、隨機森林、k近鄰算法和圖核方法等。然而，由于無法高效利用圖的結構信息，這些方法在處理大規(guī)模、復雜拓撲的圖分類問題時顯得力不從心。

2、量子計算潛在的指數加速優(yōu)勢讓人們看到了破除經典機器學習瓶頸的巨大希望，成為未來解決大數據分類問題極具潛力的方法。然而，機器學習與量子計算的高效結合并不能一蹴而就。量子計算機的設計與生產非常復雜，容錯量子計算機能夠充分地發(fā)揮量子計算的算力優(yōu)勢，但它的成熟還有很長的路要走。當前的量子計算機比特數有限，目前的量子機器學習算法在量子真機上只進行了小規(guī)模的模擬實驗驗證，在向中等規(guī)模、甚至大規(guī)模實驗拓展時遇到了困難。

技術實現思路

1、本申請實施例提供一種基于硬件適配的量子圖神經網絡的分類方法及相關裝置，有利于充分適配真實量子芯片，解決大規(guī)模圖分類問題。

2、本申請實施例第一方面提供了一種基于硬件適配的量子圖神經網絡的分類方法，所述方法包括：

3、將圖的節(jié)點信息和邊信息傳入硬件適配的量子圖神經網絡以實現圖的分類，所述硬件適配的量子圖神經網絡包括用于根據所述節(jié)點信息提取節(jié)點特征的第一變分量子線路和用于根據所述邊信息提取邊特征的第二變分量子線路，所述節(jié)點特征和所述邊特征用于對所述圖進行分類，所述第一變分量子線路與所述第二變分量子線路之間通過直積和弱耦合比特門連接。

4、基于上述方案，第一變分量子線路與第二變分量子線路之間通過直積和弱耦合比特門連接，增加了第一變分量子線路與第二變分量子線路的可拆分性，從而可以將第一變分量子線路與第二變分量子線路在不同真實量子計算機上運行，該分布式處理方法有利于突破當前真實量子計算機中比特數量的限制，充分適配真實量子芯片，解決大規(guī)模圖分類問題。

5、結合第一方面，在第一方面的某些描述方式中，所述第一變分量子線路包括節(jié)點數據編碼線路和節(jié)點特征提取線路，所述第二變分量子線路包括邊數據編碼線路和邊特征提取線路；

6、其中，所述節(jié)點數據編碼線路與所述邊數據編碼線路之間通過直積和弱耦合比特門連接；和/或，所述節(jié)點特征編碼線路與所述邊特征編碼線路之間通過直積和弱耦合比特門連接。

7、結合第一方面，在第一方面的某些描述方式中，所述硬件適配的量子圖神經網絡還包括專用擬設線路，所述專用擬設線路用于逐層更新節(jié)點特征，捕捉節(jié)點之間的相互作用和連接關系，所述專用擬設線路內部也通過直積和弱耦合比特門連接。

8、結合第一方面，在第一方面的某些描述方式中，第一量子線路包括作用于第一量子比特集合的第一量子邏輯門和第二量子邏輯門，第二量子線路包括作用于第二量子比特集合的第三量子邏輯門和第四量子邏輯門，所述第一量子邏輯門和所述第三量子邏輯門的作用時序相同，所述第二量子邏輯門和所述第四量子邏輯門的作用時序相同，弱耦合比特門各作用于第一量子比特集合和第二量子比特集合中的一個量子比特；

9、其中，所述第一量子線路為節(jié)點數據編碼線路，所述第二量子線路為邊數據編碼線路；

10、和/或，所述第一量子線路為節(jié)點特征提取線路，所述第二量子線路為邊特征提取線路；

11、和/或，所述第一量子線路為所述專用擬設線路內部的第一子擬設線路，所述第二量子線路為所述專用擬設線路內部的第二子擬設線路。

12、結合第一方面，在第一方面的某些描述方式中，所述方法還包括：

13、根據所述弱耦合比特門進行線路切割，得到所述第一量子線路和所述第二量子線路，其中，切割位置的量子比特的量子態(tài)為ρ＝<0|ρ|0>|0><0|+<1|ρ|1>|1><1|。

14、結合第一方面，在第一方面的某些描述方式中，所述將圖的節(jié)點信息和邊信息傳入硬件適配的量子圖神經網絡以實現圖的分類之前，所述方法還包括：

15、通過t分布隨機鄰居嵌入算法對圖的節(jié)點信息進行壓縮，得到壓縮后的節(jié)點信息；以及通過譜聚類算法對圖的邊信息進行壓縮，得到壓縮后的邊信息；

16、和/或，通過隨機采樣、閾值篩選和最大度數限制技術對圖的結構數據進行稀疏化操作，得到結構數據縮減后的圖，所述圖的結構數據包括節(jié)點信息和邊信息。

17、結合第一方面，在第一方面的某些描述方式中，所述將圖的節(jié)點信息和邊信息傳入硬件適配的量子圖神經網絡以實現圖的分類，包括：

18、將圖的節(jié)點信息和邊信息傳入硬件適配的量子圖神經網絡，得到所述硬件適配的量子圖神經網絡輸出的目標節(jié)點特征；

19、根據讀出函數對所述目標節(jié)點特征進行全局匯聚，得到圖的全局特征；

20、將所述圖的全局特征輸入到多層感知機，以及根據所述多層感知機輸出的預測值實現圖的分類。

21、本申請實施例第二方面提供了一種基于硬件適配的量子圖神經網絡的分類裝置，所述裝置包括：

22、分類單元，用于將圖的節(jié)點信息和邊信息傳入硬件適配的量子圖神經網絡以實現圖的分類，所述硬件適配的量子圖神經網絡包括用于根據所述節(jié)點信息提取節(jié)點特征的第一變分量子線路和用于根據所述邊信息提取邊特征的第二變分量子線路，所述節(jié)點特征和所述邊特征用于對所述圖進行分類，所述第一變分量子線路與所述第二變分量子線路之間通過直積和弱耦合比特門連接。

23、本申請實施例第三方面提供了一種電子設備，包括：處理器和存儲器；

24、處理器和存儲器相連，其中，存儲器用于存儲計算機程序，處理器用于調用計算機程序，以執(zhí)行如本申請實施例中第一方面中的方法。

25、本申請實施例第四方面提供了一種計算機可讀存儲介質，計算機可讀存儲介質存儲有計算機程序，計算機程序包括程序指令，程序指令當被處理器執(zhí)行時，執(zhí)行如本申請實施例中第一方面中的方法。

技術特征：

1.一種基于硬件適配的量子圖神經網絡的分類方法，其特征在于，所述方法包括：

2.根據權利要求1所述的方法，其特征在于，所述第一變分量子線路包括節(jié)點數據編碼線路和節(jié)點特征提取線路，所述第二變分量子線路包括邊數據編碼線路和邊特征提取線路；

3.根據權利要求2所述的方法，其特征在于，所述硬件適配的量子圖神經網絡還包括專用擬設線路，所述專用擬設線路用于逐層更新節(jié)點特征，捕捉節(jié)點之間的相互作用和連接關系，所述專用擬設線路內部也通過直積和弱耦合比特門連接。

4.根據權利要求3所述的方法，其特征在于，第一量子線路包括作用于第一量子比特集合的第一量子邏輯門和第二量子邏輯門，第二量子線路包括作用于第二量子比特集合的第三量子邏輯門和第四量子邏輯門，所述第一量子邏輯門和所述第三量子邏輯門的作用時序相同，所述第二量子邏輯門和所述第四量子邏輯門的作用時序相同，弱耦合比特門各作用于第一量子比特集合和第二量子比特集合中的一個量子比特；

5.根據權利要求4所述的方法，其特征在于，所述方法還包括：

6.根據權利要求1-5任一項所述的方法，其特征在于，所述將圖的節(jié)點信息和邊信息傳入硬件適配的量子圖神經網絡以實現圖的分類之前，所述方法還包括：

7.根據權利要求1-5任一項所述的方法，其特征在于，所述將圖的節(jié)點信息和邊信息傳入硬件適配的量子圖神經網絡以實現圖的分類，包括：

8.一種基于硬件適配的量子圖神經網絡的分類裝置，其特征在于，所述裝置包括：

9.一種電子設備，其特征在于，包括：處理器和存儲器；

10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序包括程序指令，所述程序指令當被處理器執(zhí)行時，執(zhí)行如權利要求1-7任一項所述的方法。

技術總結
本申請實施例公開了一種基于硬件適配的量子圖神經網絡的分類方法及相關裝置，該方法包括將圖的節(jié)點信息和邊信息傳入硬件適配的量子圖神經網絡以實現圖的分類，所述硬件適配的量子圖神經網絡包括用于根據所述節(jié)點信息提取節(jié)點特征的第一變分量子線路和用于根據所述邊信息提取邊特征的第二變分量子線路，所述節(jié)點特征和所述邊特征用于對所述圖進行分類，所述第一變分量子線路與所述第二變分量子線路之間通過直積和弱耦合比特門連接。采用本申請實施例，有利于充分適配真實量子芯片，解決大規(guī)模圖分類問題。

技術研發(fā)人員：請求不公布姓名,請求不公布姓名,竇猛漢
受保護的技術使用者：本源量子計算科技（合肥）股份有限公司
技術研發(fā)日：
技術公布日：2024/12/10