mindquantum.algorithm.qaia.BSB
- class mindquantum.algorithm.qaia.BSB(J, h=None, x=None, n_iter=1000, batch_size=1, dt=1, xi=None, backend='cpu-float32', *, device_id=0)[源代码]
弹道模拟分叉算法。
参考文献：High-performance combinatorial optimization based on classical mechanics。
说明
为了内存效率，输入数组 'x' 不会被复制，并且会在优化过程中被原地修改。 如果需要保留原始数据，请使用 x.copy() 传入副本。
当使用backend='gpu-int8'时，请注意该后端可能在稠密图或具有连续系数的图上表现不佳。 在这些情况下，可以尝试调整参数或考虑使用'cpu-float32'或'gpu-float16'后端。
Ascend CANN 后端不修改传入的初态数组，而是将 FP32 结果赋给
self.x和self.y。 首次 update 捕获执行图，后续调用复用；J/h/p 内容或积分参数变更时重建。 设备资源由算法对象持有，在对象销毁时自动释放。initialize()不丢弃计划，仅在x is None时重新生成 x，总会重新生成 y。 J 必须对称且对角为零，默认 xi 包含外场修正；状态始终为二维数组。 不支持同一对象上的并发修改或更新；并发求解请使用独立实例。- 参数：
J (Union[numpy.array, scipy.sparse.spmatrix]) - 耦合矩阵，维度为 \((N \times N)\)。
h (numpy.array) - 外场强度，维度为 \((N, )\)。
x (numpy.array) - 自旋初始化配置，维度为 \((N \times batch\_size)\)。会在优化过程中被修改。如果不提供（
None），将被初始化为在 [-0.01, 0.01] 范围内均匀分布的随机值。默认值：None。n_iter (int) - 迭代步数。默认值：
1000。batch_size (int) - 样本个数。默认值：
1。dt (float) - 迭代步长。默认值：
1。xi (float) - 频率维数，正的常数。默认值：
None。backend (str) - 计算后端和精度：'cpu-float32'、'gpu-float32'、'gpu-float16'、'gpu-int8'、'npu-float32' 或 'ascend-float32'。默认值：
'cpu-float32'。'ascend-float32' 直接使用 CANN，以 FP32 执行，无需 PyTorch。device_id (int) - Ascend CANN 的 ACL 逻辑设备号，仅限关键字参数。其他后端只接受默认值
0。
样例：
>>> import numpy as np >>> from mindquantum.algorithm.qaia import BSB >>> J = np.array([[0, -1], [-1, 0]]) >>> solver = BSB(J, batch_size=5, backend='cpu-float32') >>> solver.update() >>> print(solver.calc_cut()) [1. 1. 1. 1. 1.] >>> print(solver.calc_energy()) [-1. -1. -1. -1. -1.]