[发明专利]一种量子图卷积神经网络处理图数据的方法

说明书

本发明属于人工智能、机器学习和量子计算领域，涉及一种量子图卷积神经网络处理图数据的方法，包括：对数据预处理；将预处理后的数据制备为多个量子比特；构建具有量子比特输入模块、量子图卷积模块、量子池化模块、量子比特测量模块和网络优化更新模块的量子图卷积神经网络模型；多次迭代训练模型并优化模型中量子门的参数，使输出结果尽可能达到目标输出，实现机器学习任务。本发明利用量子计算和神经网络的优势能够有效处理非欧式空间数据类型的机器学习任务，使量子神经网络不再局限于仅处理结构化数据，极大扩展了量子机器学习的适用范围。此外，本发明的模型还易于封装且具有很强的泛化性能，可根据不同的图数据结构进行扩展。

技术领域

本发明属于人工智能、机器学习和量子计算领域，特别涉及一种量子图卷积神经网络处理图数据的方法。

背景技术

近十几年时间里，机器学习和深度学习快速崛起，已经成为大数据时代下的技术基石，人工神经网络在信息处理、自动化、工程、医学等领域都取得了巨大的成功。随着信息技术不断发展，信息化将各个行业紧密联系起来，产业数据呈爆炸式增长，这种增长不仅是数据量的增长，还包括数据种类、结构和生产速度上的增长，这对计算和内存资源具有很高的要求，导致机器学习在处理高维数据时遇到计算瓶颈。

叠加、纠缠和量子并行等量子特性使量子系统具有较强的计算能力。与传统计算相比，量子计算在处理经典机器学习中所涉及的高维数据和训练过程缓慢等问题上更高效，显示出潜在的指数级计算性能。量子机器学习主要指通过量子计算硬件实现机器学习算法，从而能够更高效、智能地处理经典或量子数据。量子机器学习利用量子计算的优势优化经典的机器学习算法，具有相对稳定的计算能力和抑制退相干能力，可成为一种功能强大的机器学习应用程序。

目前，现有的量子神经网络模型实现经典的机器学习任务大多数所处理的都是欧式空间中的结构化数据，基于这些数据的张量计算系统是相对自然和有效的。然而，对于量子神经网络如何处理非欧式空间中数据，相应的研究很少。现实生活中的许多场景，如交通网络、社交网络、引用网络等都是以图数据的形式存在，为了扩大量子机器学习的应用范围，在机器学习任务中对这类数据的处理不可忽视。图数据是不规则的，不同于图像和文本数据，图数据中每个节点的局部结构各异，导致现有的量子神经网络模型不适合直接用于图数据。因此，根据图数据的结构特点，提供一种基于量子计算硬件，能够充分挖掘量子计算潜力，高效提取图数据特征的量子图卷积神经网络模型处理机器学习任务是亟待解决的技术问题。

发明内容

针对上述问题，本发明提供一种量子图卷积神经网络模型处理图数据的方法，本方法能够对具有图结构特点的数据进行高效的特征表示，实现处理图数据的机器学习任务。

为实现上述目的，本发明提供了一种量子图卷积神经网络处理图数据的方法，包括如下步骤：

S1：获取机器学习中图像处理任务的图像数据，识别图像的图结构得到输入图数据，建立图像处理数据集，包括输入图数据和其对应的目标输的，并将所述数据集划分为训练集和测试集；

S2：对数据集中的输入图数据进行预处理和对输入图数据中的节点和边进行统一编码；