論文の概要: Quantum Graph Neural Networks: Architectures, Trainability, and Applications
- arxiv url: http://arxiv.org/abs/2611.17886v1
- Date: Fri, 13 Nov 2026 08:23:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.336349
- Title: Quantum Graph Neural Networks: Architectures, Trainability, and Applications
- Title(参考訳): 量子グラフニューラルネットワーク:アーキテクチャ、トレーサビリティ、アプリケーション
- Abstract要約: 量子グラフニューラルネットワーク(QGNN)は、グラフ構造化データにパラメタライズド量子回路を適用する。
2019年に最初のハミルトンベースのモデルが登場して以来、この分野は多くのアーキテクチャ、アプリケーション、クレームを生み出してきた。
このサーベイでは、すべてのQGNNをエンコーダ、グラフ条件回路、オブザーバブル、オプションの古典的ヘッドとして記述する統一形式を導入している。
- 参考スコア(独自算出の注目度): 2.8289044717329905
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum graph neural networks (QGNNs) apply parametrized quantum circuits to graph-structured data, with the aim of overcoming limits of classical graph neural networks in scalability, expressivity, and long-range information flow. Since the first Hamiltonian-based model in 2019, the field has produced many architectures, applications, and claims, but the evidence behind them has not been assessed systematically. This survey introduces a unified formalism that describes every QGNN as an encoder, a graph-conditioned circuit, observables, and an optional classical head, together with a circuit-level condition for permutation equivariance and a resource model for comparing costs. We organize the literature into five architecture families (convolutional, equivariant, message-passing and recurrent, Hamiltonian, and hybrid) and compare them by qubit cost, symmetry, scalability, and evidence. We then review symmetry and geometric inductive biases (permutation, rotation, and Lorentz), the results on expressivity, trainability, noise, and scalability, and applications in high-energy physics, chemistry, finance, healthcare, earth observation, and transportation. An audit of datasets and evaluation practices leads to a minimum reporting protocol. Our main finding is that the design space is rich and symmetry is the best-supported inductive bias, whereas the evidence remains thin: results are mostly simulated, on small graphs, at parity with classical models or with fewer parameters, and no advantage has yet been established on tasks over classical graph data. We identify five open challenges and a research agenda covering provable advantage, equivariant and geometric designs, fault-tolerant implementations, and shared benchmarks. The coverage extends through 2026 and emphasizes recent work.
- Abstract(参考訳): 量子グラフニューラルネットワーク(QGNN)は、拡張性、表現性、長距離情報フローにおける古典的なグラフニューラルネットワークの限界を克服することを目的として、グラフ構造化データにパラメタライズド量子回路を適用する。
2019年の最初のハミルトンベースのモデル以来、この分野は多くのアーキテクチャ、アプリケーション、クレームを生み出してきたが、それらの背後にある証拠は体系的に評価されていない。
本調査では,すべてのQGNNをエンコーダ,グラフ条件回路,オブザーバブル,オプションの古典ヘッドとして記述する統一形式と,置換等分散の回路レベル条件とコスト比較のための資源モデルを紹介する。
論文を5つのアーキテクチャファミリ(畳み込み、同変、メッセージパッシング、再帰、ハミルトン、ハイブリッド)に分類し、クビットコスト、対称性、スケーラビリティ、エビデンスで比較する。
次に、対称性および幾何学的帰納バイアス(置換、回転、ローレンツ)、表現性、訓練性、騒音、拡張性、高エネルギー物理学、化学、金融、医療、地球観測、輸送における応用について検討する。
データセットと評価プラクティスの監査は、最小限のレポーティングプロトコルにつながる。
我々の主な発見は、設計空間はリッチであり、対称性は最も支持された帰納バイアスであるが、証拠は依然として薄い:結果は、主に、古典的なモデルと同等に、あるいは少ないパラメータを持つ小さなグラフ上でシミュレートされ、古典的なグラフデータよりもタスク上での優位性はまだ確立されていない。
証明可能な優位性,等変および幾何設計,フォールトトレラント実装,共有ベンチマークの5つのオープン課題と研究課題を特定する。
カバー範囲は2026年まで延長され、最近の研究に重点を置いている。
関連論文リスト
- Quantum Graph Convolutional Networks: Implementation and Trainability Analysis [0.0]
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に対して最先端のパフォーマンスを実現する。
量子コンピューティングは、グラフ学習のスケーラビリティを向上させるプリミティブの代替セットを提供する。
論文 参考訳(メタデータ) (2026-09-17T09:56:22Z) - Scalable Message-Passing Quantum Graph Neural Networks in the Weisfeiler-Leman Hierarchy [1.4675095722281564]
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。
論文 参考訳(メタデータ) (2026-06-25T10:58:29Z) - Performance Heterogeneity in Graph Neural Networks: Lessons for Architecture Design and Preprocessing [1.1126342180866644]
グラフニューラルネットワークは、グラフレベルの学習において最もポピュラーなアーキテクチャとして登場した。
優れたパフォーマンスを実現するには、注意深いモデル設計が必要です。
選択的なアプローチを提案する。これは、個々のパフォーマンスがリライトの恩恵を受けるグラフのみを対象としている。
論文 参考訳(メタデータ) (2025-03-01T16:18:07Z) - What Improves the Generalization of Graph Transformers? A Theoretical Dive into the Self-attention and Positional Encoding [67.59552859593985]
自己アテンションと位置エンコーディングを組み込んだグラフトランスフォーマーは、さまざまなグラフ学習タスクのための強力なアーキテクチャとして登場した。
本稿では,半教師付き分類のための浅いグラフ変換器の理論的検討について紹介する。
論文 参考訳(メタデータ) (2024-06-04T05:30:16Z) - Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。
Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
論文 参考訳(メタデータ) (2023-05-18T07:27:18Z) - 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) - Building powerful and equivariant graph neural networks with structural
message-passing [74.93169425144755]
本稿では,2つのアイデアに基づいた,強力かつ同変なメッセージパッシングフレームワークを提案する。
まず、各ノードの周囲の局所的コンテキスト行列を学習するために、特徴に加えてノードの1ホット符号化を伝搬する。
次に,メッセージのパラメトリゼーション手法を提案する。
論文 参考訳(メタデータ) (2020-06-26T17:15:16Z)
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。