本文主要是介绍北京航空航天大学高庆:CIM是天然的图数据处理量子计算平台,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
量子前哨重磅推出独家专题《量子科学家100人》,我们将遍访全球量子计算相关领域100位优秀科学家,多角度、多维度、多层面讲述该领域的最前沿科学故事,为读者解析科学洞见:量子科技前沿的最新观察与行业评析。
全文共4000字,阅读时间大约需要10分钟。
早在90年代,量子神经网络就提出来了。
将“量子”与“神经计算”相结合是美国路易斯安那(Louisiana) 州立大学Subhash Kak教授的创举,他在1995年发表的《On Quantum Neural Computing》一文中首次提出量子神经计算的概念,由此开创了该领域的先河。同年英国 Sussex大学的Ron Chrisley提出了量子学习(Quantum Learning)的概念,并给出非叠加态的量子神经网络模型和相应的学习算法。
与经典图神经网络相比,量子图神经网络(QGNN)具有更快的计算速度、指数级的记忆容量、更小的网络规模、可消除灾变性失忆现象等优势,因此非常适合于未来面对海量图数据、复杂计算要求等任务中。
北京航空航天大学教授高庆博士告诉量子前哨:“工业互联网就是一个典型具有巨大规模与复杂拓扑结构的网络,在未来,利用量子图神经网络将有望对其百亿个数据节点进行深层挖掘。即使在目前有限的量子计算资源下,量子图神经网络仍然可以在电网、社交网络、生物制药等复杂计算场景找到应用落地点。”
北京航空航天大学教授高庆博士
目前,高庆博士带领的课题团队主要从事面向真实量子计算平台的量子卷积神经网络方向的研究工作,目前的研究工作主要面向以量子超导电路为代表的量子计算平台。
高庆博士在研究中发现,超导量子电路的架构类似传统电路,也是采用多个级联门电路实现计算功能。这一技术架构有着易于理解与拓展设计的显著优势,但是当处理图层级任务时,甚至是在图数据规模并不怎么大但是拓扑结构复杂时,需要耗费相当数量的量子比特去编码图数据的拓扑信息。这一做法对量子比特的浪费相当显著。
这篇关于北京航空航天大学高庆:CIM是天然的图数据处理量子计算平台的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!