量子科技中心_量科网

图神经网络（GNN）与基于Transformer的架构已在图学习领域取得显著进展，但在捕获全局结构依赖关系及建模动态信息传播方面仍面临挑战。本文提出CTQWformer——一种融合连续时间量子游走（CTQW）与GNN的混合图学习框架。CTQWformer采用可训练的哈密顿量融合图拓扑结构与节点特征，实现对量子游走动力学的物理建模，从而捕获丰富而复杂的图结构信息。基于CTQW提取的表征被整合到两个互补模块中：（i）图Transformer模块，将终态传播概率作为结构偏置嵌入自注意力机制；（ii）图循环模块，通过双向循环网络捕获时间演化模式。在基准图分类数据集上的大量实验表明，CTQWformer优于图核方法和基于GNN的方法，证明了将量子动力学融入可训练深度学习框架在图表示学习中的潜力。据研究人员所知，CTQWformer是首个基于CTQW的混合Transformer，通过整合CTQW导出的结构偏置与时间演化建模推动图学习发展。