从图到量子比特：量子图神经网络的批判性综述
量子物理
2024-08-14 v1 机器学习
摘要
量子图神经网络（QGNNs）代表了量子计算与图神经网络（GNNs）融合的新兴领域，旨在克服经典GNNs在处理具有复杂关系结构的数据时所固有的计算与可扩展性挑战。尽管GNNs是分析此类数据具有力量的工具，但其在大规模应用中存在计算复杂度高和过平滑等局限性。量子计算凭借叠加和纠缠等原理，提供了一种提升计算能力的途径。本文批判性地综述了QGNNs的最新进展，探讨了各种架构。我们讨论了其在高能物理、分子化学、金融和地球科学等多个领域的应用，突出了量子优势的潜力。此外，我们也讨论了QGNNs面临的显著挑战，包括噪声、退相干和可扩展性问题，提出了缓解这些问题的潜在策略。本次全面综述旨在提供QGNNs的基础性理解，促进该交叉学科领域的进一步研究与发展。
引用
@article{arxiv.2408.06524,
title = {From Graphs to Qubits: A Critical Review of Quantum Graph Neural Networks},
author = {Andrea Ceschini and Francesco Mauro and Francesca De Falco and Alessandro Sebastianelli and Alessio Verdone and Antonello Rosato and Bertrand Le Saux and Massimo Panella and Paolo Gamba and Silvia L. Ullo},
journal= {arXiv preprint arXiv:2408.06524},
year = {2024}
}
备注
21 pages, 9 figures, 2 tables. arXiv admin note: text overlap with arXiv:1909.12264 by other authors