[논문 리뷰] Scalable Quantum Message Passing Graph Neural Networks for Next-Generation Wireless Communications: Architectures, Use Cases, and Future Directions

Le Tung Giang, Nguyen Xuan Tung외 3명|arXiv (Cornell University)|2026. 01. 26.

Quantum Computing Algorithms and Architecture인용 수 0

한 줄 요약

요약: 본 논문은 확장 가능한 양자 메시지 전달 GNN(SQM-GNN)을 제안하며, 부분그래프 기반 PQC를 사용해 확장 가능한 무선 그래프 학습을 가능하게 하고, 고전 GNN 및 WMMSE 벤치마크에 비해 D2D 전력 제어 성능이 향상되었음을 보인다.

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.

연구 동기 및 목표

• 대규모, 조밀한 무선 그래프에서 고전 GNN이 복잡도와 과도 매끄러짐으로 어려움을 겪는 상황에서 확장 가능한 학습을 동기화한다.
• NISQ 하드웨어 한계 내에서 PQC가 동작할 수 있도록 부분그래프 분해 방식을 도입한다.
• PQCs 내에서 노드 및 에지 특징을 통합하는 양자 메시지 전달 메커니즘을 개발하여 더 풍부한 그래프 구조를 포착한다.
• 고전 GNN 및 휴리스틱 벤치마크에 비해 무선 자원 관리 작업에서 실증적 이점을 보인다.
• NG 네트워크에서 양자 강화 그래프 학습의 남은 도전과 향후 방향에 대해 논의한다.

제안 방법

• 회전 기반 인코딩을 사용하여 노드 및 에지 특징을 양자 상태에 매핑한다.
• U_MSG 및 U_UPD를 갖는 공유 매개변수 양자 그래프 컨볼루션 계층(QGCL)을 구현하여 스타 모양 부분그래프에서 양자 메시지 전달을 수행한다.
• 원래 그래프를 k-이웃 부분그래프로 분해하여 큐빗 요구를 제한하고 NISQ 기기에서 확장 가능한 실행을 가능하게 한다.
• 퍼뮤테이션 등가성을 보존하고 회로 복잡도를 줄이기 위해 모든 부분그래프에서 동일한 PQC를 작동시킨다.
• 업데이트된 중심 노드 상태를 측정하여 다운스트림 작업에 사용할 고전 임베딩을 얻는다.
• L 개의 QGCL 계층 후에 노드 또는 그래프 수준 예측을 위한 고전 읽어내기 를 제공한다.

실험 결과

연구 질문

• RQ1 SQM-GNN이 NISQ 하드웨어 한계 내에서 대규모 무선 그래프에 대해 확장 가능하고 표현력 있는 메시지 전달을 달성할 수 있는가?
• RQ2 에지 큐비트를 통한 에지 속성 통합이 무선 네트워크의 공간 간섭 패턴 학습에 도움이 되는가?
• RQ3 부분그래프 기반 양자 메시지 전달이 일반화 및 확장성 측면에서 고전 GNN 및 순수 QSGCN과 비교하여 어떤 차이가 있는가?
• RQ4 NG 무선 작업에서 양자 회로 크기, 부분그래프 정보성, 성능 간의 트레이드오프는 무엇인가?
• RQ5 SQM-GNN이 D2D 전력 제어에서 기존 벤치마크를 능가하고 네트워크 크기에 걸쳐 일반화할 수 있는가?

주요 결과

• SQM-GNN은 D2D 전력 제어에서 100 epoch 후 고전 GNN 및 WMMSE 벤치마크보다 더 높은 테스트 합산 레이트를 달성한다(SQM-GNN ≈2.6 bps/Hz, 고전 GNN ≈2.3).
• SQM-GNN은 네트워크 크기 K 및 파워 예산 p̄에 대해 일반화 능력이 더 뛰어나며, 학습 조건(K=20, p̄=1)에서 다른 설정(K까지 80, p̄까지 2)으로의 전이 시에도 결과가 견고하다.
• 부분그래프 분해는 평균 차수에 따라 레이어당 복잡도가 선형으로 증가하는 고전 GNN과 달리 양자 학습의 확장을 가능하게 한다.
• SQM-GNN은 고정 크기 부분그래프(k)와 공유 PQC를 사용하여 매개변수 효율성을 크게 달성한다(예: GNN 벤치마크의 67,073 매개변수 대비 5,925 매개변수).
• QSGCN과 비교했을 때 SQM-GNN은 부분그래프당 큐빗 수가 훨씬 작고 더 큰 네트워크에서도 실행 가능하여 고전 GNN과 유사한 확장성을 유지한다.