[論文レビュー] Scalable Quantum Message Passing Graph Neural Networks for Next-Generation Wireless Communications: Architectures, Use Cases, and Future Directions

Le Tung Giang, Nguyen Xuan Tung+3 more|arXiv (Cornell University)|Jan 26, 2026

Quantum Computing Algorithms and Architecture被引用数 0

ひとこと要約

論文は Scal able Quantum Message Passing GNNs (SQM-GNN) を提案し、サブグラフベースの PQC を用いたスケーラブルなワイヤレスグラフ学習を実現し、従来の GNN および WMMSE ベースラインに対して D2D 電力制御性能の改善を示す。

ABSTRACT

Graph Neural Networks (GNNs) are eminently suitable for wireless resource management, thanks to their scalability, but they still face computational challenges in large-scale, dense networks in classical computers. The integration of quantum computing with GNNs offers a promising pathway for enhancing computational efficiency because they reduce the model complexity. This is achieved by leveraging the quantum advantages of parameterized quantum circuits (PQCs), while retaining the expressive power of GNNs. However, existing pure quantum message passing models remain constrained by the limited number of qubits, hence limiting the scalability of their application to the wireless systems. As a remedy, we conceive a Scalable Quantum Message Passing Graph Neural Network (SQM-GNN) relying on a quantum message passing architecture. To address the aforementioned scalability issue, we decompose the graph into subgraphs and apply a shared PQC to each local subgraph. Importantly, the model incorporates both node and edge features, facilitating the full representation of the underlying wireless graph structure. We demonstrate the efficiency of SQM GNN on a device-to-device (D2D) power control task, where it outperforms both classical GNNs and heuristic baselines. These results highlight SQM-GNN as a promising direction for future wireless network optimization.

研究の動機と目的

• 大規模で密なワイヤレスグラフに対するスケーラブル学習を動機づける。クラシカルな GNN が複雑さと過度平滑化で難航する点を指摘する。
• NISQ ハードウェアの制限内で PQC が動作できるサブグラフ分解方式を導入する。
• PQCs 内でノードとエッジの特徴を統合する量子メッセージ伝播機構を開発し、より豊かなグラフ構造を捉える。
• クラシカル GNN やヒューリスティックなベースラインに対して、無線資源管理タスクで経験的な利得を実証する。
• NG ネットワークにおける量子強化グラフ学習の課題と将来の方向性を議論する。

提案手法

• 回転ベースのエンコーディングを用いてノードおよびエッジ特徴を量子状態へ埋め込む。
• U_MSG および U_UPD を用いた共有パラメータ量子グラフ畳み込み層（QGCL）を実装し、星形サブグラフ内で量子メッセージ伝播を行う。
• 元のグラフを k-近傍サブグラフへ分解し、量子ビット要件を抑え、NISQ デバイスでのスケーラブルな実行を可能にする。
• 全てのサブグラフで同じ PQC を動作させ、置換対称性を維持し、回路の複雑さを低減する。
• 更新された中心ノード状態を測定して、下流タスクの古典的埋め込みを得る。
• L 個の QGCL 層の後に古典的リードアウトを提供し、ノードレベルまたはグラフレベルの予測を行う。

実験結果

リサーチクエスチョン

• RQ1 SQM-GNN は NISQ ハードウェア制限の下で大規模なワイヤレスグラフに対してスケーラブルで表現力のあるメッセージ伝播を達成できるか。
• RQ2 エッジクォ bit を導入して空間的干渉パターンの学習を改善できるか。
• RQ3 サブグラフベースの量子メッセージ伝播は、クラシカル GNN や純粋な QSGCN と比較して一般化性とスケーラビリティにおいてどう差があるか。
• RQ4 量子回路サイズ、サブグラフ情報性、NG 無線タスクの性能のトレードオフはどうなるか。
• RQ5 SQM-GNN は D2D 電力制御で従来ベースラインを上回り、ネットワークサイズを超えて一般化できるか。

主な発見

• SQM-GNN は D2D 電力制御において、100 エポック後のテスト総和レートで従来の GNN および WMMSE ベースラインを上回る（SQM-GNN ≈2.6 bps/Hz、従来の GNN ≈2.3）。
• SQM-GNN は ネットワークサイズ K および電力予算 p̄ に対してより良く一般化し、トレーニング条件（例：K=20、p̄=1）から他の設定（K が最大80、p̄ が 2 まで）へ転用しても結果が頑健。
• サブグラフ分解は N で線形の CFEs を持つスケーラブルな量子学習を可能にし、平均次数に対して層ごとの複雑さが比例する従来の GNN とは対照的。
• SQM-GNN は固定サイズのサブグラフ（k）と共有 PQC を用い、パラメータ効率が高い（例：5,925 パラメータ vs GNN ベースラインの 67,073）。
• QSGCN と比べて SQM-GNN はサブグラフごとに必要なキュ bits がはるかに少なく、大規模ネットワークでも実現可能性を保ち、古典的 GNN と同様のスケーラビリティを維持する。