論文の概要: Inductive Graph Representation Learning with Quantum Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2503.24111v1
- Date: Mon, 31 Mar 2025 14:04:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-01 14:37:31.348401
- Title: Inductive Graph Representation Learning with Quantum Graph Neural Networks
- Title（参考訳）: 量子グラフニューラルネットワークを用いた帰納的グラフ表現学習
- Authors: Arthur M. Faria, Ignacio F. Graña, Savvas Varsamopoulos,
- Abstract要約: 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構造化データ処理を組み合わせるための有望なアプローチを示す。
本稿では,量子モデルをアグリゲータとして利用する,古典的なグラフSAGEアプローチにインスパイアされた汎用QGNNフレームワークを提案する。
我々の量子アプローチは、回路変更を必要とせず、様々な数の原子を持つ分子をまたいだ堅牢な一般化を示す。
- 参考スコア（独自算出の注目度）: 0.40964539027092917
- License:
- Abstract: Quantum Graph Neural Networks (QGNNs) present a promising approach for combining quantum computing with graph-structured data processing. While classical Graph Neural Networks (GNNs) are renowned for their scalability and robustness, existing QGNNs often lack flexibility due to graph-specific quantum circuit designs, limiting their applicability to a narrower range of graph-structured problems, falling short of real-world scenarios. To address these limitations, we propose a versatile QGNN framework inspired by the classical GraphSAGE approach, utilizing quantum models as aggregators. In this work, we integrate established techniques for inductive representation learning on graphs with parametrized quantum convolutional and pooling layers, effectively bridging classical and quantum paradigms. The convolutional layer is flexible, enabling tailored designs for specific problems. Benchmarked on a node regression task with the QM9 dataset, we demonstrate that our framework successfully models a non-trivial molecular dataset, achieving performance comparable to classical GNNs. In particular, we show that our quantum approach exhibits robust generalization across molecules with varying numbers of atoms without requiring circuit modifications, slightly outperforming classical GNNs. Furthermore, we numerically investigate the scalability of the QGNN framework. Specifically, we demonstrate the absence of barren plateaus in our architecture as the number of qubits increases, suggesting that the proposed quantum model can be extended to handle larger and more complex graph-based problems effectively.
- Abstract（参考訳）: 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構造化データ処理を組み合わせるための有望なアプローチを示す。
従来のグラフニューラルネットワーク(GNN)はそのスケーラビリティとロバストさで有名だが、既存のQGNNはグラフ固有の量子回路設計のために柔軟性に欠けており、その適用範囲はグラフ構造化の問題に限られており、現実のシナリオには及ばない。
これらの制約に対処するために、量子モデルをアグリゲータとして利用し、古典的なGraphSAGEアプローチにインスパイアされた汎用QGNNフレームワークを提案する。
本研究では,量子畳み込み層とプール層をパラメタライズしたグラフ上での帰納的表現学習の確立した手法を統合し,古典的および量子的パラダイムを効果的にブリッジする。
畳み込み層は柔軟で、特定の問題に適した設計を可能にする。
ノード回帰タスクをQM9データセットでベンチマークし、我々のフレームワークが非自明な分子データセットをモデル化し、古典的なGNNに匹敵する性能を達成することを実証した。
特に、我々の量子アプローチは、回路変更を必要とせず、原子数が異なる分子間で堅牢な一般化を示し、古典的なGNNよりも若干優れていることを示す。
さらに,QGNNフレームワークのスケーラビリティについても数値的に検討する。
具体的には、量子ビットの数が増加するにつれて、アーキテクチャにおいてバレンプラトーが欠如していることを示し、提案された量子モデルは、より大きくより複雑なグラフベースの問題に効果的に対処するために拡張可能であることを示唆する。
関連論文リスト
- QGHNN: A quantum graph Hamiltonian neural network [30.632260870411177]
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。
論文 参考訳（メタデータ） (2025-01-14T10:15:17Z) - 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) - Graph Neural Networks on Quantum Computers [3.8784640343151184]
グラフニューラルネットワーク(GNN)は、グラフとして表される構造化データを分析するための強力な機械学習モデルである。
本稿では,量子コンピュータ上でGNNを実装するためのフレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-27T11:31:08Z) - Jet Discrimination with Quantum Complete Graph Neural Network [1.684646794156297]
本稿では,完全グラフに基づく変分量子アルゴリズムであるQuantum Complete Graph Neural Network (QCGNN)を提案する。
本研究は, ジェット判別の課題にQCGNNを適用し, ジェットを完全なグラフとして表現する手法である。
論文 参考訳（メタデータ） (2024-03-08T02:02:23Z) - 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) - Extending Graph Transformers with Quantum Computed Aggregation [0.0]
本稿では,量子系の長距離相関を用いて集約重みを計算するGNNアーキテクチャを提案する。
これらの相関は、グラフトポロジーを量子コンピュータ内の量子ビットの集合の相互作用に変換することによって生成される。
論文 参考訳（メタデータ） (2022-10-19T14:56:15Z) - EvenNet: Ignoring Odd-Hop Neighbors Improves Robustness of Graph Neural
Networks [51.42338058718487]
グラフニューラルネットワーク(GNN)は、グラフ機械学習における有望なパフォーマンスについて、広範な研究の注目を集めている。
GCNやGPRGNNのような既存のアプローチは、テストグラフ上のホモフィリな変化に直面しても堅牢ではない。
偶数多項式グラフフィルタに対応するスペクトルGNNであるEvenNetを提案する。
論文 参考訳（メタデータ） (2022-05-27T10:48:14Z) - 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) - A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習表現において顕著に普及している。
本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。
UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
論文 参考訳（メタデータ） (2020-10-05T04:57:18Z) - Efficient Probabilistic Logic Reasoning with Graph Neural Networks [63.099999467118245]
マルコフ論理ネットワーク(MLN)は、多くの知識グラフ問題に対処するために用いられる。
MLNの推論は計算集約的であり、MLNの産業規模での応用は非常に困難である。
本稿では,表現力とモデルの単純さとのバランスのよいグラフニューラルネット(GNN)モデルであるExpressGNNを提案する。
論文 参考訳（メタデータ） (2020-01-29T23:34:36Z)
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。