一种基于量子线路的图注意力机制实现装置

分案申请信息

本申请是申请日为2022年02月07日、申请号为202210116508.2、发明名称为“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。

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装置。

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居节点；

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装置。

本发明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

初始节点特征向量x

处理特征向量x′

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x

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′

其中，将相似度e

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′

节点i对应的处理特征向量x'

N(i)为节点i的所有邻近节点的个数。

上述的装置，还具有这样的特征：

设x

其中，2

上述的装置，还具有这样的特征：

设x

其中，2

上述的装置，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。

上述的装置，还具有这样的特征：

其中，第一量子线路中相似度e

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e

上述的装置，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。

上述的装置，还具有这样的特征：

其中，第三酉变换模块包括Hadamard门和Swap门。

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装置，因为该装置包括初始节点特征向量x

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装置对应的方法流程图；

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装置对应的方法流程图。

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装置对应的方法包括如下步骤：

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x

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x

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x

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x

在本实施例中，前面已经设定节点i的特征向量x

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2、3所示，第一量子线路10中计算相似度e

步骤S2-1，将初始邻近节点特征向量x

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x

步骤S2-1-1，对目标图像的节点特征向量x

步骤S2-1-2，根据初始节点特征向量x

步骤S2-1-3，将

步骤S2-1-4，依次遍历每个qubit做如下操作，对于第i个qubit(i＝1，2，...，n)，计算出2

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2

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(U

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(U

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e

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

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

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′

在本实施例中，设初始邻近节点特征向量x

具体地，第二量子线路20的测量过程包括：通过统计得到在2

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α

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′

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，本实施例提供的基于量子线路的图注意力机制实现装置100包括初始节点特征向量x

初始节点特征向量x

节点i对应的处理特征向量x′

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装置，因为该装置包括初始节点特征向量x

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装置对应的方法。

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装置对应的方法。

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。