基于量子图神经网络的 D2D 功率分配
机器学习
2025-11-25 v2
摘要
日益复杂的无线网络需求可扩展的资源管理。经典图神经网络（GNN）在图学习方面表现优异，但在大规模场景下计算成本高昂。我们提出一种全量子图神经网络（QGNN），通过参数化量子电路（PQC）实现消息传递。我们的量子图卷积层（QGCL）将特征编码为量子态，使用适用于 NISQ 的单位算子处理图结构，并通过测量检索嵌入。应用于 D2D 功率控制以实现信噪比最大化（SINR），我们的 QGNN 虽参数更少，却在性能上匹配经典方法，并具备内在并行性。这一基于端到端 PQC 的 GNN 标志着量子加速无线优化的一个步骤。
引用
@article{arxiv.2511.15246,
title = {D2D Power Allocation via Quantum Graph Neural Network},
author = {Tung Giang Le and Xuan Tung Nguyen and Won-Joo Hwang},
journal= {arXiv preprint arXiv:2511.15246},
year = {2025}
}