論文の概要: QGHNN: A quantum graph Hamiltonian neural network

• arxiv url: http://arxiv.org/abs/2501.07986v1
• Date: Tue, 14 Jan 2025 10:15:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-15 13:28:55.272187
• Title: QGHNN: A quantum graph Hamiltonian neural network
• Title（参考訳）: QGHNN:量子グラフハミルトンニューラルネットワーク
• Authors: Wenxuan Wang,
• Abstract要約: グラフニューラルネットワーク(GNN)は、複雑な高次元グラフデータによってもたらされる課題に対処する。 量子ニューラルネットワーク(QNN)は、量子並列性の可能性から、魅力的な代替手段を提供する。 本稿では、ノイズの多い中間規模量子コンピュータ上でのグラフ表現と学習を強化する量子グラフハミルトンニューラルネットワーク(QGHNN)を提案する。
• 参考スコア（独自算出の注目度）: 30.632260870411177
• License:
• Abstract: Representing and learning from graphs is essential for developing effective machine learning models tailored to non-Euclidean data. While Graph Neural Networks (GNNs) strive to address the challenges posed by complex, high-dimensional graph data, Quantum Neural Networks (QNNs) present a compelling alternative due to their potential for quantum parallelism. However, much of the current QNN research tends to overlook the vital connection between quantum state encoding and graph structures, which limits the full exploitation of quantum computational advantages. To address these challenges, this paper introduces a quantum graph Hamiltonian neural network (QGHNN) to enhance graph representation and learning on noisy intermediate-scale quantum computers. Concretely, a quantum graph Hamiltonian learning method (QGHL) is first created by mapping graphs to the Hamiltonian of the topological quantum system. Then, QGHNN based on QGHL is presented, which trains parameters by minimizing the loss function and uses the gradient descent method to learn the graph. Experiments on the PennyLane quantum platform reveal that QGHNN outperforms all assessment metrics, achieving the lowest mean squared error of \textbf{$0.004$} and the maximum cosine similarity of \textbf{$99.8\%$}, which shows that QGHNN not only excels in representing and learning graph information, but it also has high robustness ability. QGHNN can reduce the impact of quantum noise and has significant potential application in future research of quantum knowledge graphs and recommendation systems.
• Abstract（参考訳）: グラフからの表現と学習は、非ユークリッドデータに適した効果的な機械学習モデルを開発する上で不可欠である。 グラフニューラルネットワーク(GNN)は、複雑な高次元グラフデータによって引き起こされる課題に対処しようと努力する一方で、量子ニューラルネットワーク(QNN)は、量子並列性の可能性のために魅力的な代替手段を提示している。 しかし、現在のQNN研究の多くは、量子状態符号化とグラフ構造の間の重要な接続を見逃しがちであり、量子計算の利点のフル活用を制限している。 これらの課題に対処するために,ノイズの多い中間規模量子コンピュータ上でのグラフ表現と学習を強化する量子グラフハミルトンニューラルネットワーク(QGHNN)を提案する。 具体的には、トポロジカル量子系のハミルトニアンにグラフをマッピングすることで、量子グラフハミルトン学習法(QGHL)が最初に作成される。 次に、QGHLに基づくQGHNNを示し、損失関数を最小化してパラメータを訓練し、勾配降下法を用いてグラフを学習する。 ペニーレーンの量子プラットフォームの実験では、QGHNNはすべての評価指標より優れており、最も低い平均2乗誤差である \textbf{$0.004$} と最大コサイン類似性である \textbf{$99.8\%$} を達成している。 QGHNNは量子ノイズの影響を低減し、将来の量子知識グラフとレコメンデーションシステムの研究に重要な可能性を持っている。

関連論文リスト

• From Graphs to Qubits: A Critical Review of Quantum Graph Neural Networks [56.51893966016221]
  量子グラフニューラルネットワーク(QGNN)は、量子コンピューティングとグラフニューラルネットワーク(GNN)の新たな融合を表す。 本稿では,QGNNの現状を批判的にレビューし,様々なアーキテクチャを探求する。 我々は、高エネルギー物理学、分子化学、ファイナンス、地球科学など多種多様な分野にまたがる応用について論じ、量子的優位性の可能性を強調した。
  論文  参考訳（メタデータ） (2024-08-12T22:53:14Z)
• Quantum Positional Encodings for Graph Neural Networks [1.9791587637442671]
  本稿では,量子コンピュータを用いて得られたグラフニューラルネットワークに適した位置符号化の新たなファミリを提案する。 私たちのインスピレーションは、量子処理ユニットの最近の進歩に起因しています。
  論文  参考訳（メタデータ） (2024-05-21T17:56:33Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• From Quantum Graph Computing to Quantum Graph Learning: A Survey [86.8206129053725]
  まず、量子力学とグラフ理論の相関関係について、量子コンピュータが有用な解を生成できることを示す。 本稿では,その実践性と適用性について,一般的なグラフ学習手法について概説する。 今後の研究の触媒として期待される量子グラフ学習のスナップショットを提供する。
  論文  参考訳（メタデータ） (2022-02-19T02:56:47Z)
• Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
  グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。 egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。 このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
  論文  参考訳（メタデータ） (2022-01-13T16:35:45Z)
• Toward Trainability of Quantum Neural Networks [87.04438831673063]
  量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。 QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。 木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
  論文  参考訳（メタデータ） (2020-11-12T08:32:04Z)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。