量子科技中心_量科网

动态链路预测对于建模复杂系统中的演化交互至关重要，这些系统包括社交、通信、金融和交通网络。经典的时序图模型能够捕捉序列依赖关系，但在大型动态图中表示并发且快速变化的节点-边交互时可能面临困难。该团队提出了A2QTGN（自适应振幅量子集成时序图网络），这是一种混合量子-经典框架，将自适应振幅编码与时序图网络主干相结合。所提出的机制将节点交互特征表示为量子态，并根据时序活动选择性刷新振幅嵌入，从而在保留稳定节点状态的同时突出有意义的结构变化。这种设计减少了不必要的量子重新编码，并改进了链路预测的时序表示。在五个时序图基准数据集上的实验表明，A2QTGN在多种动态图上均取得了强大的预测和排序性能。消融研究证实了量子嵌入模块和自适应更新策略的重要性，而基于噪声后端和有限真实设备执行的硬件感知推理则支持了近期量子辅助时序图学习的可行性。