量子科技中心_量科网

低模块性网络（Q < 0.2）对传统社区检测算法构成挑战，这类算法易陷入局部最优解。该研究团队提出受量子启发的社区检测算法，利用非经典采样技术突破模块度优化平台期。通过采用受量子现象启发的分布模式（包括波特-托马斯分布、哈尔随机态及超均匀点过程），该方法能生成多样化高质量分区，有效提升低Q值困难网络的模块度。实验显示，相较经典方法（Louvain、Leiden），其模块度Q值提升15%至25%。 该工作定义了“模块度恢复差距”（MRG）指标——即量子启发的优化带来的Q值提升，并证明其可作为强效异常检测信号。在高模块性网络（如CTU 13僵尸网络流量）测试中，MRG值接近零，证实当不存在隐藏结构时，该方法不会虚增模块度。研究结果表明，量子启发采样能显著增强低模块性场景的社区检测，可应用于网络安全（隐蔽APT/僵尸网络检测）、金融传染模型建模、中断供应链分析、病变脑连接组及危机时期社交媒体分析等领域。 这些优化方案在不改变图结构的前提下，扩展了Leiden等算法的搜索空间，揭示出传统启发式方法遗漏的分区。虽然这些分区未必对应真实社区结构，但展现了近期量子采样技术如何重塑优化图景，增强对弱结构的敏感性。该技术为金融风险传染建模和脑疾病连接组分析等前沿领域提供了新工具。