量子科技中心_量科网

图论为化学、生物学和优化等领域的关系型数据提供了一种自然的描述语言。图神经网络（GNN）通过消息传递这一单一原语——它推广了卷积和注意力机制——推动了近期从这类数据中学习的大部分进展。虽然已有团队提出了量子版本的图神经网络，但它们与消息传递的联系有限，且在性能或可扩展性方面缺乏保证。更广泛来看，变分量子电路的可训练性是其广泛应用的一个公认瓶颈，而预训练已成为解决该问题的一种方式。然而，要使量子模型真正有用，它必须同时具备表达能力上的保证和可证明的可扩展性。在该工作中，作者展示了如何构建一个量子图神经网络，使其能够执行消息传递、满足置换等变性，并处于魏斯费勒-莱曼（Weisfeiler-Lehman）层级中的选定水平——这是衡量模型区分图结构精细程度的标准指标。作者证明，与经典图神经网络类似，该网络可以首先在小图实例上进行训练，从而实现一种能够缓解常见训练问题的预训练，并且其输出的读取成本会随着图规模的增大而保持较低水平。作者通过跨越三个数据集的、多达56个量子比特的大规模仿真验证了该框架，这些数据集包括普通消息传递无法区分的合成图、分子属性预测，以及旅行商问题。该框架为近期量子算法提供了理论保证和实际可扩展性，开辟了一条将图学习原理融入量子电路设计的路径。