CN114511092B - 一种基于量子线路的图注意力机制实现方法 - Google Patents
一种基于量子线路的图注意力机制实现方法 Download PDFInfo
- Publication number
- CN114511092B CN114511092B CN202210116508.2A CN202210116508A CN114511092B CN 114511092 B CN114511092 B CN 114511092B CN 202210116508 A CN202210116508 A CN 202210116508A CN 114511092 B CN114511092 B CN 114511092B
- Authority
- CN
- China
- Prior art keywords
- quantum
- node
- adjacent
- quantum state
- feature vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供了一种基于量子线路的图注意力机制实现方法,属于量子计算技术领域。因为该方法将目标图像的节点i对应的初始节点特征向量及其邻近节点j对应的初始节点特征向量在量子GAT中进行纠缠演化,并进行分值计算,最终输出节点i对应的处理特征向量,所以,该方法实现了图注意力机制的一种量子计算方式,并且在量子线路的构建方式中增加了m个辅助量子比特来增加量子态对应的输入特征向量维度的灵活性,同时增强了量子线路的非线性性能,和传统方法相比,本发明提供的方法使得需要训练的参数量大幅减少,存储空间也大幅降低,并且可以利用并行性增加计算速度,因此该方法具有广泛的应用前景。
Description
技术领域
本发明涉及量子计算技术领域,具体涉及一种基于量子线路的图注意力机制实现方法。
背景技术
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的缺点也愈发明显: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。
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:
1.无法完成归纳任务,即处理动态图问题;
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接节点;
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。
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。
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。
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。
发明内容
本发明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方法。
本发明提供了一种基于量子线路的图注意力机制实现方法,具有这样的特征,包括: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xi;将节点i的邻近节点j对应的初始邻近节点特征向量xj及初始节点特征向量xi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。
在本发明提供的方法中,还具有这样的特征:其中,量子GAT包括第一量子线路和第二量子线路;第一量子线路用于分别将xi及xj编码为对应的节点量子态和邻近节点量子态,并在酉变换模块的作用下进行纠缠演化,测量二者演化后的相似度eij;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。
在本发明提供的方法中,还具有这样的特征:设xi的长度为k,则第一量子线路中的量子比特数为n+m+1,其中,2n≥k,m≥0,m和1均为辅助量子比特数。
在本发明提供的方法中,还具有这样的特征:设xj的长度为k,则第二量子线路中的量子比特数为n+m,其中,2n≥k,m≥0,m为辅助量子比特数。
在本发明提供的方法中,还具有这样的特征: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。
在本发明提供的方法中,还具有这样的特征:其中,第一量子线路中相似度eij的获取如下: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;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;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eij。
在本发明提供的方法中,还具有这样的特征:其中,将相似度eij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αij,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αij。
在本发明提供的方法中,还具有这样的特征: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。
在本发明提供的方法中,还具有这样的特征:其中,第三酉变换门包括Hadamard门和Swap门。
在本发明提供的方法中,还具有这样的特征: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;节点i对应的处理特征向量x'i的获取如下:
N(i)为节点i的所有邻近节点的个数。
发明的作用与效果
根据本发明所涉及的基于量子线路的图注意力机制实现方法,因为该方法将目标图像的节点i对应的初始节点特征向量xi及其邻近节点j对应的初始节点特征向量xj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对应的处理特征向量x'i,所以,该方法实现了图注意力机制的一种量子计算方式,并且在量子线路的构建方式中增加了m个辅助量子比特来增加量子态对应的输入特征向量维度的灵活性,同时增强了量子线路的非线性性能,和传统方法相比,本发明提供的方法使得需要训练的参数量大幅减少,存储空间也大幅降低,并且可以利用并行性增加计算速度,因此该方法具有广泛的应用前景。
附图说明
图1是本发明的实施例中基于量子线路的图注意力机制实现方法的流程图;
图2是本发明的实施例中第一量子线路的结构示意图;
图3是本发明的实施例中第一量子线路中计算相似度的流程图;
图4是本发明的实施例中获取节点与邻近节点注意力得分的示意图;
图5是本发明的实施例中第二量子线路的结构示意图;
图6是本发明的实施例中基于量子线路的图注意力机制实现装置的结构示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,以下结合实施例及附图对本发明作具体阐述。
<实施例>
图1是本发明的实施例中基于量子线路的图注意力机制实现方法的流程图。
如图1所示,本发明的实施例提供的量子线路的图注意力机制实现方法包括如下步骤:
步骤S1,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xi。
在本实施例中,将待处理的目标图像处理为两部分,分别为邻接矩阵A及每个节点上的特征向量xi。邻接矩阵A是一个n×n的方阵,n等于图的节点数,且是对称矩阵。邻接矩阵A的对角线上的值均为1,而非对角线上的值有两个取值{0,1}。Aij=0表示两个节点i和j之间没有连接,而Aij=1则表示两个节点之间有连接。特征向量xi则是根据实际问题设定的一个长度为k的向量,特征向量xi用于表示目标图像的每个节点的特征。
步骤S2,将节点i的邻近节点j对应的初始邻近节点特征向量xj及初始节点特征向量xi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。
本实施例中,量子GAT包括第一量子线路10和第二量子线路20。
图2是本发明的实施例中第一量子线路的结构示意图。
如图2所示,第一量子线路10用于分别将xi及xj编码为对应的节点量子态和邻近节点量子态,并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eij。
在本实施例中,前面已经设定节点i的特征向量xi的长度为k,则第一量子线路10的量子比特总数为n+m+1,其中,2n≥k,m≥0,m和1均为辅助量子比特数。设含有m个辅助量子比特的m条辅助量子线路为第一辅助量子线路,含有一个辅助量子比特的一条辅助量子线路为第二辅助量子线路,并且第一辅助量子线路与第二辅助量子线路的初始状态均为|0>。由于设置了m个辅助量子比特,从而增加了计算基底的数量,并且可以一定程度上实现经典数据的维数缩放的可能,同时还可以增强第一量子线路10上的非线性表达能力,为后续特征向量的扩维度增加灵活度。
图3是本发明的实施例中第一量子线路中计算相似度的流程图。
如图3所示,第一量子线路10中计算相似度eij包括如下步骤:
步骤S2-1,将初始邻近节点特征向量xj及初始节点特征向量xi分别编码为对应的邻近节点量子态及节点量子态。
在本实施例中,采用量子振幅编码方式(Amplitude Embedding)进行量子态编码。在其他实施例中,也可采用其他方式(现有的编码方式)将xj及xi编码为对应的量子态。具体地,振幅编码方式的具体过程如下:
步骤S2-1-1,对目标图像的节点特征向量xi进行归一化预处理,得到对应的初始邻近节点特征向量xj及初始节点特征向量xi(也即二进制位向量);
步骤S2-1-5,依次遍历每个qubit做如下操作,对第i个qubit依次执行2i-1个受控旋转门,用索引a=0,1,2,…,2i-1-1表示这些门,控制比特为前i-1个qubit,受控旋转门a执行的是:当前i-1个qubit处于|a>时,把|0>旋转成否则什么也不做。
步骤S2-2,将节点量子态及邻近节点量子态分别经过第一酉变换模块11(UW),输出节点第一变换量子态及邻近节点第一变换量子态。
在本实施例中,第一酉变换模块11为带有可训练参数的酉矩阵,包括参数化泡利旋转门和/或受控门。参数化泡利旋转门用于提供量子线路可学习的参数,受控门用于进行量子纠缠,从而输出节点第一变换量子态及邻近节点第一变换量子态。
在本实施例中,参数化泡利旋转门可表示为X(),具体是指对量子编码线路进行非门NOT门运算,即|1>变为|0>或者|0>变为|1>。受控门可表示为CNOT(),具体是指对量子编码线路进行受控非门CNOT门运算,如果量子位的状态相同则返回|1>,不同则会返回|0>。第一酉变换模块11在物理学中表示希尔伯特空间的一次幺正变换。
步骤S2-3,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12(Ua)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。
在本实施例中,第二酉变换模块12为带有可训练参数的酉矩阵,包括参数化泡利旋转门和/或受控门。参数化泡利旋转门可选用RY门、RZ门、RY门组合进行量子旋转,也可采用其他的构建方式进行量子旋转(构建方式可采用现有的各种泡利旋转门进行组合使用),从而对节点第一变换量子态及邻近节点第一变换量子态中的量子位进行旋转,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。
在本实施例中,第二酉变换模块12包含的量子门的结构与第一酉变换模块11中的相同,在此不再赘述。
步骤S2-4,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13后,输出节点量子态和邻近节点量子态的相似度eij。
第三酉变换模块13包括Hadamard门(H门)和Swap门。对于两个相同维度的量子态,本实施例设置第二辅助量子线路(即一个量子比特)。该第二辅助量子线路的初态为|0>,将第n个量子线路(最后一个量子线路)输出的量子态先经过一个Hadamard门,输出然后再经过一个Control Swap Gate(受控互换门)控制(n-1)条量子线路,输出新的量子态;最后将新的量子态再经过一个Hadamard门输出节点i及邻近节点j对应的最终量子态。将该最终量子态在z方向上进行测量,多次测量取平均值之后得出节点量子态和邻近节点量子态的相似度eij,eij为标量,且eij=<i|j>,<i|j>为期望值,并用<z>进行表示。
图4是本发明的实施例中获取节点与邻近节点注意力得分的示意图。
如图4所示,将测得的标量<z>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αij,并依次遍历节点i的所有邻近节点j对应的所有注意力得分αij。
图5是本发明的实施例中第二量子线路的结构示意图。
如图5所示,第二量子线路20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。
在本实施例中,设初始邻近节点特征向量xj的长度为k,则第二量子线路20中的量子比特数为n+m,其中,2n≥k,m≥0,m为辅助量子比特数,m条辅助量子线路用于增强第二量子线路20的非线性性能。本实施例中,第二量子线路20采用第一量子线路10的量子振幅编码方式将初始邻近节点特征向量xj编码为邻近节点量子态(即通过第一酉变换模块11(UW)),并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。遍历节点i的所有邻近节点j均经过第二量子线路20后,输出所有邻近节点对应的邻近节点处理特征向量x'j,具体编码方式参见第一量子线路10中的编码过程,在此不再赘述。
具体地,第二量子线路20的测量过程包括:通过统计得到在2n+m个计算基底本征态上的塌缩概率,根据人为选定的输出特征向量的维度k',从2n+m个计算基底塌缩概率中算得k'个实数(计算方式不唯一),再对这k'个实数都乘上一个可训练的系数coef,得到k'维度的邻近节点处理特征向量x'j,并遍历每个近邻节点j计算出所有邻近节点处理特征向量x'j。
根据邻接矩阵A及节点i与所有邻近节点j之间的所有注意力得分αij(即第一量子线路10计算得出)为权重对邻近节点处理矩阵x'j(即第二量子线路20计算得出)进行加和操作,得出节点i的处理特征向量x'i(最终的输出),其表达式如下:
其中,N(i)为节点i的所有邻近节点的个数,节点i的处理特征向量x'i包含节点i的自身特征,也包含其所有邻近节点j对其的影响。
图6是本发明的实施例中基于量子线路的图注意力机制实现装置的结构示意图。
如图6所示,本实施例提供了一种基于量子线路的图注意力机制实现装置100,该装置包括初始节点特征向量xi获取模块101与节点i对应的处理特征向量x'i获取模块102。
初始节点特征向量xi获取模块101采用步骤S1的方法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xi;
节点i对应的处理特征向量x'i获取模块102采用步骤S2的方法将节点i的邻近节点j对应的初始邻近节点特征向量xj及初始节点特征向量xi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。
实施例的作用与效果
根据本实施例所涉及的基于量子线路的图注意力机制实现方法,因为该方法将目标图像的节点i对应的初始节点特征向量xi及其邻近节点j对应的初始节点特征向量xj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对应的处理特征向量x'i,所以,该方法实现了图注意力机制的一种量子计算方式,并且在量子线路的构建方式中增加了m个辅助量子比特来增加量子态对应的输入特征向量维度的灵活性,同时增强了量子线路的非线性性能,和传统方法相比,本发明提供的方法使得需要训练的参数量大幅减少,存储空间也大幅降低,并且可以利用并行性增加计算速度,因此该方法具有广泛的应用前景。
进一步地,对于存储有计算机程序的存储介质,该计算机程序可以被设置为运行时执行本实施例提供的基于量子线路的图注意力机制实现方法。
进一步地,对于包含存储器和处理器的电子产品,该存储器中存储有计算机程序,并且该处理器被设置为运行其存储的计算机程序以执行本实施例提供的基于量子线路的图注意力机制实现方法。
上述实施方式为本发明的优选案例,并不用来限制本发明的保护范围。
Claims (7)
1.一种基于量子线路的图注意力机制实现方法,其特征在于,包括:
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xi;
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xj及所述初始节点特征向量xi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xi及所述xj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eij;
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eij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αij,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αij;
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对应的所述处理特征向量x'i的获取如下:
N(i)为所述节点i的所有邻近节点的个数。
2.根据权利要求1所述的方法,其特征在于:
设所述xi的长度为k,则所述第一量子线路中的量子比特数为n+m+1,
其中,2n≥k,m≥0,m和1均为辅助量子比特数,n等于图的节点数。
3.根据权利要求1所述的方法,其特征在于:
设所述xj的长度为k,则所述第二量子线路中的量子比特数为n+m,
其中,2n≥k,m≥0,m为辅助量子比特数,n等于图的节点数。
4.根据权利要求2或3所述的方法,其特征在于:
其中,所述m条辅助量子线路用于增强所述第一量子线路与所述第二量子线路的非线性性能。
5.根据权利要求1所述的方法,其特征在于:
其中,所述第一量子线路中所述相似度eij的获取如下:
所述节点量子态及所述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;
所述节点第一变换量子态及所述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;
将所述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,输出所述节点量子态和所述邻近节点量子态的相似度eij。
6.根据权利要求5所述的方法,其特征在于:
其中,所述第一酉变换模块及所述第二酉变换模块包括参数化泡利旋转门和/或受控门。
7.根据权利要求5所述的方法,其特征在于:
其中,所述第三酉变换模块包括Hadamard门和Swap门。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210116508.2A CN114511092B (zh) | 2022-02-07 | 2022-02-07 | 一种基于量子线路的图注意力机制实现方法 |
CN202310007367.5A CN115983391A (zh) | 2022-02-07 | 2022-02-07 | 一种基于量子线路的图注意力机制实现装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210116508.2A CN114511092B (zh) | 2022-02-07 | 2022-02-07 | 一种基于量子线路的图注意力机制实现方法 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310007367.5A Division CN115983391A (zh) | 2022-02-07 | 2022-02-07 | 一种基于量子线路的图注意力机制实现装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114511092A CN114511092A (zh) | 2022-05-17 |
CN114511092B true CN114511092B (zh) | 2023-04-18 |
Family
ID=81550962
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310007367.5A Pending CN115983391A (zh) | 2022-02-07 | 2022-02-07 | 一种基于量子线路的图注意力机制实现装置 |
CN202210116508.2A Active CN114511092B (zh) | 2022-02-07 | 2022-02-07 | 一种基于量子线路的图注意力机制实现方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310007367.5A Pending CN115983391A (zh) | 2022-02-07 | 2022-02-07 | 一种基于量子线路的图注意力机制实现装置 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN115983391A (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187454B (zh) * | 2022-07-18 | 2024-09-20 | 上海图灵智算量子科技有限公司 | 基于量子线路的量子注意力机制方法 |
CN117787248B (zh) * | 2024-02-23 | 2024-05-14 | 北京航空航天大学杭州创新研究院 | 量子自注意力文本处理方法、装置、量子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361717A (zh) * | 2021-05-28 | 2021-09-07 | 北京百度网讯科技有限公司 | 量子态数据处理模型的训练方法、装置、电子设备及介质 |
CN113988303A (zh) * | 2021-10-21 | 2022-01-28 | 北京量子信息科学研究院 | 基于并行量子本征求解器的量子推荐方法、装置及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191718B (zh) * | 2019-12-30 | 2023-04-07 | 西安电子科技大学 | 基于图注意力网络的小样本sar目标识别方法 |
CN112073221B (zh) * | 2020-08-14 | 2022-08-16 | 合肥本源量子计算科技有限责任公司 | 一种实现网络节点排序的方法及装置 |
CN113190719B (zh) * | 2021-05-08 | 2022-02-01 | 北京百度网讯科技有限公司 | 节点分组方法、装置及电子设备 |
CN113298129B (zh) * | 2021-05-14 | 2024-02-02 | 西安理工大学 | 基于超像素和图卷积网络的极化sar图像分类方法 |
CN113379058B (zh) * | 2021-06-08 | 2022-04-01 | 北京百度网讯科技有限公司 | 量子模拟方法及装置、电子设备及存储介质 |
CN113159239B (zh) * | 2021-06-28 | 2021-09-28 | 北京航空航天大学 | 一种量子图卷积神经网络处理图数据的方法 |
-
2022
- 2022-02-07 CN CN202310007367.5A patent/CN115983391A/zh active Pending
- 2022-02-07 CN CN202210116508.2A patent/CN114511092B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361717A (zh) * | 2021-05-28 | 2021-09-07 | 北京百度网讯科技有限公司 | 量子态数据处理模型的训练方法、装置、电子设备及介质 |
CN113988303A (zh) * | 2021-10-21 | 2022-01-28 | 北京量子信息科学研究院 | 基于并行量子本征求解器的量子推荐方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114511092A (zh) | 2022-05-17 |
CN115983391A (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11797872B2 (en) | Quantum bit prediction | |
CN114219076B (zh) | 量子神经网络训练方法及装置、电子设备和介质 | |
CN113159239B (zh) | 一种量子图卷积神经网络处理图数据的方法 | |
CN114511092B (zh) | 一种基于量子线路的图注意力机制实现方法 | |
KR102295805B1 (ko) | 학습 데이터 관리 방법 | |
CN113159303B (zh) | 一种基于量子线路的人工神经元构造方法 | |
CN114444701B (zh) | 训练量子线路及数据嵌入的方法 | |
CN114519430A (zh) | 一种软量子神经网络系统及模式识别方法 | |
Lan | Variational quantum soft actor-critic | |
CN114936646A (zh) | 一种量子化数据处理方法和装置 | |
Li et al. | EQNAS: Evolutionary quantum neural architecture search for image classification | |
de Souza et al. | Quantum walk to train a classical artificial neural network | |
Bar et al. | An approach based on quantum reinforcement learning for navigation problems | |
CN114550849A (zh) | 基于量子图神经网络解决化学分子性质预测的方法 | |
CN114512201A (zh) | 基于量子gat算法进行药物靶点结合能的预测方法及装置 | |
Altares-López et al. | AutoQML: Automatic generation and training of robust quantum-inspired classifiers by using evolutionary algorithms on grayscale images | |
Kashyap et al. | Quantum convolutional neural network architecture for multi-class classification | |
CN114511097A (zh) | 基于量子线路的互学习方法及系统 | |
WO2020054402A1 (ja) | ニューラルネットワーク処理装置、コンピュータプログラム、ニューラルネットワーク製造方法、ニューラルネットワークデータの製造方法、ニューラルネットワーク利用装置、及びニューラルネットワーク小規模化方法 | |
Saillot et al. | B-spline curve approximation with transformer neural networks | |
Anand et al. | Time-series forecasting using continuous variables-based quantum neural networks | |
CN116341670B (zh) | 一种通过量子节点嵌入算法处理图网络数据的方法、装置 | |
Zhou et al. | Auxiliary Task-based Deep Reinforcement Learning for Quantum Control | |
Kaszuba et al. | Automated development of latent representations for optimization of sequences using autoencoders | |
Chen | An Introduction to Quantum Reinforcement Learning (QRL) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |