論文の概要: Quantum Graph Attention Networks: Trainable Quantum Encoders for Inductive Graph Learning

• arxiv url: http://arxiv.org/abs/2509.11390v1
• Date: Sun, 14 Sep 2025 18:56:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.06304
• Title: Quantum Graph Attention Networks: Trainable Quantum Encoders for Inductive Graph Learning
• Title（参考訳）: 量子グラフ注意ネットワーク:インダクティブグラフ学習のためのトレーニング可能な量子エンコーダ
• Authors: Arthur M. Faria, Mehdi Djellabi, Igor O. Sokolov, Savvas Varsamopoulos,
• Abstract要約: グラフ上の帰納学習のためのトレーニング可能な量子エンコーダとして量子グラフ注意ネットワーク(QGAT)を導入する。 QGATはパラメータ化量子回路を利用してノードの特徴と近傍構造を符号化する。 種々の化学特性の予測を目的としたQM9データセットに対するアプローチの評価を行った。
• 参考スコア（独自算出の注目度）: 0.6999740786886536
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce Quantum Graph Attention Networks (QGATs) as trainable quantum encoders for inductive learning on graphs, extending the Quantum Graph Neural Networks (QGNN) framework. QGATs leverage parameterized quantum circuits to encode node features and neighborhood structures, with quantum attention mechanisms modulating the contribution of each neighbor via dynamically learned unitaries. This allows for expressive, locality-aware quantum representations that can generalize across unseen graph instances. We evaluate our approach on the QM9 dataset, targeting the prediction of various chemical properties. Our experiments compare classical and quantum graph neural networks-with and without attention layers-demonstrating that attention consistently improves performance in both paradigms. Notably, we observe that quantum attention yields increasing benefits as graph size grows, with QGATs significantly outperforming their non-attentive quantum counterparts on larger molecular graphs. Furthermore, for smaller graphs, QGATs achieve predictive accuracy comparable to classical GAT models, highlighting their viability as expressive quantum encoders. These results show the potential of quantum attention mechanisms to enhance the inductive capacity of QGNN in chemistry and beyond.
• Abstract（参考訳）: グラフ上の帰納学習のためのトレーニング可能な量子エンコーダとしてQuantum Graph Attention Networks(QGATs)を導入し、Quantum Graph Neural Networks(QGNN)フレームワークを拡張した。 QGATはパラメータ化量子回路を利用してノードの特徴と近傍構造を符号化し、動的に学習されたユニタリを介して各隣人の寄与を変調する量子アテンション機構を持つ。 これにより、表現力に富んだ局所性を考慮した量子表現が可能となり、未確認のグラフインスタンスをまたいで一般化することができる。 種々の化学特性の予測を目的としたQM9データセットに対するアプローチの評価を行った。 実験では,従来のグラフニューラルネットワークと量子グラフニューラルネットワークを比較した。 特に、量子注意はグラフのサイズが大きくなるにつれて利益が増加し、QGATはより大きな分子グラフ上での非減衰量子よりも著しく優れる。 さらに、より小さなグラフでは、QGATは古典的なGATモデルに匹敵する予測精度を達成し、表現力のある量子エンコーダとしてその生存性を強調している。 これらの結果は,QGNNの化学等における誘導能力を高めるための量子アテンション機構の可能性を示している。

関連論文リスト

• Quantum Graph Attention Network: A Novel Quantum Multi-Head Attention Mechanism for Graph Learning [0.0]
  量子グラフ注意ネットワーク(Quantum Graph Attention Network、QGAT)は、変動量子回路をアテンション機構に統合するハイブリッドグラフニューラルネットワークである。 複雑な構造的依存関係を捕捉するQGATの有効性を示し、帰納的シナリオにおける一般化を改善した。 実験により、量子埋め込みは特徴や構造的ノイズに対するロバスト性を高め、実世界のノイズデータを扱う利点を示唆している。
  論文  参考訳（メタデータ） (2025-08-25T03:25:48Z)
• 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)
• Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
  量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。 機械学習の観点からQGLMの現状を概観する。 従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2022-06-07T07:32:57Z)
• 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)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• Experimental Quantum Generative Adversarial Networks for Image Generation [93.06926114985761]
  超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。 我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2020-10-13T06:57:17Z)

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。