模拟量子异步事件驱动图神经网络
异步事件驱动图神经网络（AEGNNs）近期作为一种高效范式出现，用于处理事件相机产生的稀疏且高时间分辨率的数据。本文提出了量子模拟AEGNNs（QA-AEGNNs），这是一种在中性原子量子计算机上实现AEGNN的新型框架。中性原子量子处理器基于可控的里德伯原子相互作用，提供了可编程的模拟量子计算平台。为此，该团队将流式事件数据映射到一组囚禁的中性原子上，其中每个原子代表一个图节点（事件），其位置设定使得几何邻近性反映事件在时空上的邻域关系。量子处理器的原生里德伯哈密顿量被编程以模拟AEGNN的消息传递计算，原子量子比特态作为节点特征嵌入，原子间相互作用实现图边。此外，该研究提出了一种混合量子-经典训练方案，其中利用经典反馈优化模拟哈密顿量参数（如激光脉冲幅度和失谐量），从而从数据中学习量子AEGNN模型。该方法利用中性原子量子系统的连续哈密顿动力学和巨大并行性，原生执行事件驱动图计算，并具有潜在精度提升。
