[发明专利]基于光学参量自反馈相干伊辛机的图网络方法及系统

说明书

本发明提供了一种基于光学参量自反馈相干伊辛机的图网络方法及系统，属于光学参量自反馈相干伊辛机与图网络技术领域。根据本发明所涉及的基于光学参量自反馈相干伊辛机的图网络方法，因为本发明提供的方法在于将伊辛模型的自旋矩阵映射到图网络的结点矩阵上，再通过光学参量自反馈相干伊辛机即可得到优化问题的最优解，所以，本发明提供的方法可以满足特定环境下的查询需求，并且功耗低、速度快，可并行处理大规模图数据组合优化问题。

技术领域

本发明涉及光学参量自反馈相干伊辛机与图网络技术领域，具体涉及一种基于光学参量自反馈相干伊辛机的图网络方法及系统。

背景技术

伊辛模型最早被用来描述凝聚态物理中的固体磁性和相变现象，此后，伊辛模型的内涵和适用范围被不断拓展。科学家们发现凝聚态物理、神经网络、无线通信、计算科学中的一系列问题都可以用这一模型进行定性乃至定量的描述。计算科学中的组合优化问题与伊辛模型具有一一对应关系，求解组合优化问题的最优解的过程与求解伊辛模型基态的问题在数学上是一致的。组合优化问题包括数集分割、图分割、着色问题等类别，这类问题在工业调度、药物设计、集成电路设计、信号处理、金融等场景具有重要的应用价值。

光学伊辛机可以视为光学神经网络的一种特殊形式，适用于求解一类非确定性多项式(Nondeterministic Polynomially,NP)复杂度的组合优化问题。组合优化问题具有NP计算复杂度，在传统的电子计算机上是无法求解的，为了解决这一矛盾，人们分别从加速算法和硬件架构两方面进行创新，其中在硬件架构方面，研究者们设计了一系列异于传统的冯诺依曼架构的计算体系，专门用于求解组合优化问题，包括光学伊辛机、量子退火和绝热量子计算等方案。

随着网络和数据库技术的飞速发展，图(graph)数据已经广泛存在于越来越多的数据库中。例如生物信息网络(biological networks)、社交网络(social networks)数据、知识图谱(knowledge graphs)等，都是非常常见的图数据。尤其是随着现如今大数据时代的到来，大规模图数据上的查询在现实生活中有着大量且重要的应用。因此，大规模图数据的查询处理技术的研究在现实应用中存在迫切的需求。虽然现有的研究工作在大规模图数据的查询处理技术上取得了巨大的进展，但在许多特定环境下针对特定查询的研究仍处于初级阶段，应用现有的技术无法满足这些特定环境下的查询需求，并且已有的图处理算法不能实行并行处理，在解决大规模图数据组合优化问题时，处理能力低下，不具有并行性、功耗高、速度慢，面对大规模图数据组合优化问题算力明显不足。

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光学参量自反馈相干伊辛机的图网络方法及系统。

本发明提供了一种基于光学参量自反馈相干伊辛机的图网络方法，具有这样的特征，包括如下步骤：获取图网络提取的特征；将伊辛模型映射到图网络上；利用光学参量自反馈相干伊辛机处理得到待优化问题的最优解。

在本发明提供的基于光学参量自反馈相干伊辛机的图网络方法中，还具有这样的特征：其中，特征为提取图网络的结点矩阵；将光学参量自反馈相干伊辛模型的自旋矩阵映射到结点矩阵上，自旋矩阵的每个自旋对应结点矩阵的相应结点；相邻两个自旋的相互作用强度对应相邻两个结点是否连接。

在本发明提供的基于光学参量自反馈相干伊辛机的图网络方法中，还具有这样的特征：其中，步骤S1中还包括：获取化学分子的结构特征矩阵A^(l)，并将结点矩阵与结构特征矩阵A^(l)输入到图卷积神经网络中卷积第一层，得到卷积后的第一结构特征矩阵，第一结构特征矩阵的表达式如下：

A_(l+1)＝ReLU(T_(l)X^(l)W^(l))