[논문 리뷰] Quantum Graph Neural Networks

Guillaume Verdon, Trevor McCourt외 4명|arXiv (Cornell University)|2019. 09. 26.

Quantum Computing Algorithms and Architecture참고 문헌 40인용 수 60

한 줄 요약

본 논문은 Quantum Graph Neural Networks (qgnn)와 특수 변형(qgrnn, qgcnn, qsgcnn)을 도입하여 그래프 구조의 양자 데이터를 처리하고, 네 가지 응용: 양자 해밀토니안 다이내믹스 학습, 양자 네트워크의 얽힘 생성, 비지도 스펙트럴 클러스터링, 그리고 그래프 동형성 분류를 시연한다. 그래프 구조의 과제에서 효과적인 학습 및 양자 감지 이점을 보이는 수치 실험을 제공한다.

ABSTRACT

We introduce Quantum Graph Neural Networks (QGNN), a new class of quantum neural network ansatze which are tailored to represent quantum processes which have a graph structure, and are particularly suitable to be executed on distributed quantum systems over a quantum network. Along with this general class of ansatze, we introduce further specialized architectures, namely, Quantum Graph Recurrent Neural Networks (QGRNN) and Quantum Graph Convolutional Neural Networks (QGCNN). We provide four example applications of QGNNs: learning Hamiltonian dynamics of quantum systems, learning how to create multipartite entanglement in a quantum network, unsupervised learning for spectral clustering, and supervised learning for graph isomorphism classification.

연구 동기 및 목표

• 그래 distributed quantum systems에 맞춘 그래프 인지 양자 신경망 앙상 AI의 필요성을 제시한다.
• 일반 qgnn 프레임워크와 그래프 구조의 양자 데이터에 대한 특수 아키텍처(qgrnn, qgcnn, qsgcnn)를 제안한다.
• 양자 해밀토니안 다이내믹스 학습, 양자 네트워크에서 다부분 얽힘 생성, 비지도 스펙트럴 클러스터링, 감독 가능한 그래프 동형성 분류의 네 가지 응용을 시연한다.

제안 방법

• 그래프에서 Q 해밀토니안들이 순차적으로 적용되고 P번 반복되는 매개변수화된 회로로 일반 QGNN 앙상을 정의한다.
• 학습 가능성을 위한 제약을 부여한다. 예를 들어 주어진 H_q 내의 교환 항과 공간적 또는 시간적 매개변수 결합을 통해 qgrnn 및 qgcnn 변형을 생성한다.
• qgrnn을 통해 그래프에서의 효과적 해밀토니안 다이내믹스를 시뮬레이션하도록 시간적으로 결합된 매개변수를 개발한다( H_eff 아래의 토트테르 진화).
• 전역(그래프당) 매개변수를 가진 qgcnn을 만들어 순열 불변성을 강제하고, Quantum Alternating Operator Ansatz(QAOA 유사)와 정렬한다.
• 연속 변수 아이디어와 네 가지 해밀토니안 계층 시퀀스를 사용하여 비선형성을 가진 비선형 포텐셜을 갖춘 스펙트럴 그래프 컨볼루션을 에뮬레이션하는 Quantum Spectral Graph Convolutional Network (qsgcnn)로 확장한다.
• 손실 함수와 평가 방법을 포함하여 각 변형에 대한 구체적인 구현 및 학습 설정을 제공한다.

실험 결과

연구 질문

• RQ1 qgrnn이 데이터로부터 그래프 구조의 양자 해밀토니안 다이내믹스를 효과적으로 학습할 수 있는가?
• RQ2 qgcnn 기반 아키텍처가 전체 글로벌 구조 지식 없이도 양자 네트워크에서 다부분 얽힘을 생성/식별하는 것을 학습할 수 있는가?
• RQ3 qsgcnn이 그래프 구조의 양자 데이터에서 비지도 스펙트럴 클러스터링을 수행할 수 있는가, 저-큐빗 정밀도 상황을 포함하여?
• RQ4 qsgcnn 접근법이 에너지-통계 측정을 사용하여 그래프 동형성 분류를 높은 정확도로 수행할 수 있는가?

주요 결과

• Quantum Graph Recurrent Neural Networks (qgrnn)가 그래프에서 대상 Ising 해밀토니안 다이내믹스를 성공적으로 학습하여 시간 진화 상태로부터 위상 구조와 매개변수를 복원한다.
• A Quantum Graph Convolutional Neural Network (qgcnn) can prepare and verify GHZ states on a quantum sensor network, achieving a phase-kickback enhancement consistent with multipartite entanglement.
• The Quantum Spectral Graph Convolutional Network (qsgcnn) recovers a quantum-coherent analogue of spectral graph convolutions, enabling unsupervised spectral clustering on graphs and showing viable performance at varying qubit precisions.
• Graph Isomorphism Classification experiments with qsgcnn achieve high accuracy, including 100% test/validation accuracy for 15-node graphs and strong performance for 6-node graphs at multiple sample counts.
• The paper reports observable quantum advantages such as a 7x boost in Rabi oscillation frequency on a 7-node network during a GHZ-state phase kickback test, illustrating Heisenberg-limited sensitivity in the learned network.
• Numerical experiments leverage a Cirq-TensorFlow interface to demonstrate qgnn capabilities across dynamics learning, sensing, clustering, and isomorphism tasks.