量子科技中心_量科网

图神经网络（GNNs）在处理图结构数据方面表现优异，但在处理大型图时面临内存需求高和GPU上稀疏矩阵操作效率低下的挑战。量子计算（QC）为解决这些问题提供了新思路，并催生了创新算法途径。近期文献中探讨的量子图神经网络（QGNNs）尤为瞩目。然而，当前量子硬件限制了可有效编码的数据维度。现有方法要么手动简化数据集，要么使用人工构造的图数据。该研究团队提出了引导式图压缩（GGC）框架，通过图自动编码器同步减少节点数量和节点特征维度。这种压缩过程经过优化设计以提升下游分类任务性能，既可用于量子分类器也可用于经典分类器。该框架在喷流标记任务（高能物理中区分夸克与胶子引发的粒子喷流这一关键分类问题）上进行了评估。与将自动编码器作为独立预处理步骤的方案以及基线经典GNN分类器相比，数值实验表明GGC具有更优性能，同时为在实际数据集上测试新型QGNN架构提供了便利。