面向NISQ时代的边缘局部与量子比特高效量子图学习

图神经网络（GNN）是强大的框架，用于从图结构数据中学习表示，但其直接实现于近期量子硬件面临电路深度、多量子比特相互作用和量子比特可扩展性约束等挑战。本文引入一个为无监督学习专为NISQ时代设计的全量子图卷积架构。我们的方案将变分量子特征提取层与边缘局部和量子比特高效的量子消息传递机制相结合，灵感来自量子交替算子 ansatz（QAOA）框架。与依赖全局操作或多受控门的先前模型不同，我们的模型将消息传递分解为沿图边的两两相互作用，使用仅硬件本机的单量子比特和双量子比特门。这种设计将图的比特要求从$O(Nn)$降低到$O(n)$，其中N为图的节点数，n为特征寄存器的量子比特数，从而使其能在当前量子设备上实现，无论图的大小如何。我们使用Deep Graph Infomax目标训练该模型，以进行无监督节点表示学习。在Cora引文网络和大规模基因组SNP数据集上的实验表明，我们的模型在与先前量子和混合方法的竞争中仍然具有竞争力。