論文の概要: Scalable Message-Passing Quantum Graph Neural Networks in the Weisfeiler-Leman Hierarchy
- arxiv url: http://arxiv.org/abs/2606.26873v1
- Date: Thu, 25 Jun 2026 10:58:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.252721
- Title: Scalable Message-Passing Quantum Graph Neural Networks in the Weisfeiler-Leman Hierarchy
- Title（参考訳）: Weisfeiler-Leman階層におけるスケーラブルなメッセージパージング量子グラフニューラルネットワーク
- Abstract要約: 量子グラフニューラルネットワークがいかにしてメッセージパッシングを行い、置換同変であり、Weisfeiler-Leman階層の選択レベルに座るかを示す。
3つのデータセットにまたがる56キュービットの大規模シミュレーションにおいて、このフレームワークを検証する。
- 参考スコア（独自算出の注目度）: 1.4675095722281564
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graphs provide a natural language for relational data in chemistry, biology and optimisation. Graph neural networks (GNNs) have driven much of the recent progress in learning from such data through message passing, a single primitive that generalises convolution and attention. Quantum counterparts have been proposed, but with limited connection to message passing and few guarantees on performance or scalability. More broadly, the trainability of variational quantum circuits is a recognised bottleneck for their wide applicability, and pre-training has emerged as one way to address it. Yet for a quantum model to be useful, it must offer expressivity guarantees along with demonstrable scalability. Here we show how a quantum graph neural network can be built to perform message passing, to be permutation equivariant, and to sit at a chosen level of the Weisfeiler-Leman hierarchy, the standard measure of how finely a model can tell graphs apart. We show that, as for classical GNNs, the training can be done first on small graph instances, allowing for a pre-training that can mitigate usual training issues, and its output can be read out at a cost that stays low as the graph grows. We validate the framework in large-scale simulations of up to 56 qubits across three datasets, on synthetic graphs that ordinary message passing cannot separate, on molecular property prediction, and on the travelling salesperson problem. Our framework opens a path for near-term quantum algorithms with theoretical guarantees and practical scalability, bringing the principles of graph learning into quantum circuit design.
- Abstract（参考訳）: グラフは化学、生物学、最適化における関係データのための自然言語を提供する。
グラフニューラルネットワーク(GNN)は、畳み込みと注意を一般化する単一のプリミティブであるメッセージパッシングを通じて、このようなデータから学習する最近の進歩の多くを駆動している。
量子対向性は提案されているが、メッセージパッシングへの接続が限られており、性能やスケーラビリティの保証がほとんどない。
より広義には、変分量子回路の訓練性は、その適用性において認識されるボトルネックであり、事前学習はそれに対応する一つの方法として現れている。
しかし、量子モデルが有用であるためには、実証可能なスケーラビリティとともに表現性を保証する必要があります。
ここでは、量子グラフニューラルネットワークがどのように構築され、メッセージパッシング、置換同変、Weisfeiler-Leman階層の選択レベル、すなわちモデルがグラフをいかに細かく区別できるかの基準レベルに収まるかを示す。
従来のGNNと同様に、トレーニングをまず小さなグラフインスタンス上で行うことができ、通常のトレーニング問題を緩和できる事前トレーニングを可能にし、グラフが成長するにつれて低いコストでそのアウトプットを読み取ることができることを示す。
本研究では,3つのデータセットにまたがる最大56キュービットの大規模シミュレーション,通常のメッセージパッシングが分離できない合成グラフ,分子特性予測,旅行セールスパーソン問題において,この枠組みを検証した。
本フレームワークは,理論的保証と実用的な拡張性を備えた短期量子アルゴリズムの道を開き,グラフ学習の原理を量子回路設計に適用する。
関連論文リスト
- Edge-Local and Qubit-Efficient Quantum Graph Learning for the NISQ Era [0.0]
ノイズの多い中間規模量子状態における教師なし学習のために明示的に設計された完全量子グラフ畳み込みアーキテクチャを導入する。
我々のモデルは、ハードウェアネイティブなシングルビットゲートと2ビットゲートのみを使用して、グラフエッジに沿ったペアワイズインタラクションにメッセージパッシングを分解する。
論文 参考訳（メタデータ） (2026-02-17T21:17:42Z) - Inductive Graph Representation Learning with Quantum Graph Neural Networks [0.40964539027092917]
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。
論文 参考訳（メタデータ） (2025-03-31T14:04:08Z) - 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) - 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) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-06-14T09:21:15Z) - 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) - MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。
我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
論文 参考訳（メタデータ） (2022-08-21T15:12:08Z) - Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。
GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。
提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文 参考訳（メタデータ） (2022-03-03T09:53:53Z) - 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)
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。