量子科技中心_量科网

图神经网络（GNNs）是从图结构数据中学习表征的强大框架，但由于电路深度、多量子比特相互作用以及量子比特可扩展性限制等因素，其在近期量子硬件上的直接实现仍面临挑战。该工作提出了一种专为噪声中等规模量子（NISQ）时代无监督学习设计的全量子图卷积架构。该团队的方法将变分量子特征提取层与受量子交替算子拟设（QAOA）框架启发的边缘局域化、量子比特高效的消息传递机制相结合。不同于依赖全局操作或多控制幺正变换的现有模型，该模型仅利用硬件原生的单量子比特门和双量子比特门，将消息传递分解为沿图边的成对相互作用。这种设计使得对于具有N个节点和n量子比特特征寄存器的图，量子比特需求从O(Nn)降至O(n)，从而可在当前量子设备上实现与图规模无关的部署。研究人员采用深度图信息最大化目标进行无监督节点表征学习的模型训练。在Cora引文网络和大规模基因组SNP数据集上的实验表明，该模型与现有量子及混合方法相比仍具竞争力。