量子科技中心_量科网

图表示学习（GRL）已成为分析跨生物系统、社交网络和数据分析等多领域复杂网络数据的核心技术。传统GRL方法往往难以捕捉复杂图中微妙的关系，尤其是那些呈现幂律分布或层级结构等非平凡拓扑特性的网络。本文提出了一种受量子启发的GRL创新算法，通过混合量子-经典随机游走来突破这些限制。该方法融合了量子与经典动力学的双重优势，使游走者能同步探索图中高度局部化与广域延伸的连接。在网络社区发现的案例研究中，初步结果表明这种混合动力学使算法能有效适应复杂图拓扑结构，为GRL任务提供了鲁棒且通用的解决方案。