量子科技中心_量科网

该研究团队提出量子图注意力网络（QGAT）作为可训练的量子编码器，用于图归纳学习，拓展了量子图神经网络（QGNN）框架。QGAT利用参数化量子电路编码节点特征与邻域结构，通过动态学习的酉变换实现量子注意力机制调节各邻居节点贡献度。这种方法能生成具有局部感知能力的量子表征，可推广至未见过的图实例。研究者在QM9数据集上评估了该方法对多种化学性质的预测能力，实验对比了经典与量子图神经网络（含注意力层与不含注意力层版本），结果表明注意力机制能持续提升两类模型的性能。值得注意的是，当图规模增大时，量子注意力优势愈发显著——在较大分子图上QGAT性能明显优于无注意力机制的量子模型。对于较小分子图，QGAT预测精度可达经典GAT模型水平，证实其作为高效量子编码器的可行性。这些成果表明量子注意力机制在提升QGNN化学领域及其他场景归纳能力方面具有重要潜力。