旋转等值量子图神经网络具有可训练的压缩编码器和纠增强聚合
Wenjie Liu1, Bohan Du2, Weiwei Liu3
1School of Software, Nanjing University of Information Science and Technology, Nanjing, Jiangsu, 210044, China; Jiangsu Province Engineering Research Center of Advanced Computing and Intelligent Services, Nanjing University of Information Science and Technology, Nanjing, Jiangsu, 210044, China; Jiangsu Collaborative Innovation Center of Atmospheric Environment and Equipment Technology (CICAEET), Nanjing University of Information Science and Technology, Nanjing, Jiangsu, 210044, China.
一个新的旋转等价量子图神经网络 (REQGNN) 在图形分类和回归任务中实现了卓越的性能. 这种模型通过结合旋转等差和减少量子比特需求,通过新型压缩编码器和纠增强聚合来增强概括性.
科学领域:
- 量子机器学习的方法
- 图形神经网络的神经网络
- 计算化学的计算化学
背景情况:
- 等效量子图形神经网络 (EQGNNs) 提高了图形数据的概括性.
- 目前的QGNN缺乏旋转等价性,而大型图形增加了量子比特需求.
- 处理大规模图形数据在量子计算中提出了计算挑战.
研究的目的:
- 介绍一个新的旋转等价量子图神经网络 (REQGNN).
- 解决现有的QGNN在旋转等差和计算复杂性方面的局限性.
- 开发一个有效处理大规模图形数据的模型,降低量子比特需求.
主要方法:
- 提出了一个具有可训练压缩编码器和纠增强聚合机制的REQGNN.
- 使用量子自编码器,用于特征维度压缩,减少量子比特需求.
- 引入了一个纠增强层,包含旋转等差的节点距离和角度信息,以及一个辅助纠层来对抗过度光滑.
主要成果:
- 与GIN,Gra+QSVM和Gra+QCNN相比,REQGNN在四个数据集的图形分类中表现出卓越的性能.
- 在用于图形分类的PTC数据集上,比egoGQNN取得了更好的准确性.
- 在图形回归任务中表现优于古典模型EGNN和EquiformerV2,与QGCNN相比,Cv任务的MAE平均减少20%,比QGCNN.
结论:
- 拟议的REQGNN有效地实现了旋转等差,并解决了QGNN中的计算复杂性.
- 这项工作为在图形神经网络中整合对称性提供了一个新的视角.
- REQGNN提供了一种有效的解决方案,用于增强基于图形的量子机器学习任务的概括性和性能.
相关概念视频
Quantum Numbers
Sequence Networks of Rotating Machines
Zero-sequence current induces a voltage drop across the generator's neutral impedance and other...
The Quantum-Mechanical Model of an Atom
Ogive Graph
Graphing Antiderivatives
Encoding
Automatic processing involves the encoding of details like time, space, frequency, and the meaning of words, usually done without conscious...


