[논문 리뷰] Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach

Xing Ai, Zhihong Zhang외 3명|arXiv (Cornell University)|2022. 01. 13.

Quantum Computing Algorithms and Architecture인용 수 7

한 줄 요약

이 논문은 텐서 곱과 유니타리 행렬 표현을 사용하여 모델 파라미터를 줄이는, 에고그래프(중심 노드와 그 이웃들)를 처리하는 하이브리드 양자-고전 그래프 신경망 egoQGNN을 제안한다. 이는 경쟁 모델 대비 파라미터의 1.68%만을 사용하면서도, 거리 관계를 유지하는 새로운 힐버트 공간 매핑을 통해 그래프 이somorphism 식별 능력을 유지함으로써 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Quantum machine learning is a fast-emerging field that aims to tackle machine learning using quantum algorithms and quantum computing. Due to the lack of physical qubits and an effective means to map real-world data from Euclidean space to Hilbert space, most of these methods focus on quantum analogies or process simulations rather than devising concrete architectures based on qubits. In this paper, we propose a novel hybrid quantum-classical algorithm for graph-structured data, which we refer to as the Ego-graph based Quantum Graph Neural Network (egoQGNN). egoQGNN implements the GNN theoretical framework using the tensor product and unity matrix representation, which greatly reduces the number of model parameters required. When controlled by a classical computer, egoQGNN can accommodate arbitrarily sized graphs by processing ego-graphs from the input graph using a modestly-sized quantum device. The architecture is based on a novel mapping from real-world data to Hilbert space. This mapping maintains the distance relations present in the data and reduces information loss. Experimental results show that the proposed method outperforms competitive state-of-the-art models with only 1.68\% parameters compared to those models.

연구 동기 및 목표

• 작은 양자 장치에서 전체 그래프 처리가 필요한 기존의 양자 그래프 신경망의 확장성 한계를 해결하기 위해.
• 보편적인 크기의 그래프에서 작동하는, 중간 수준의 양자 하드웨어를 사용하는 양자-고전 아키텍처를 개발하기 위해.
• 원래의 유클리드 데이터에서의 거리 관계를 유지하면서 정보 손실을 최소화하는 새로운 데이터-힐버트 공간 매핑을 설계하기 위해.
• egoQGNN이 그래프 이somorphism 분류를 달성할 수 있으며, 고전적 GNN과 동일한 표현 능력을 가짐을 이론적으로 증명하기 위해.
• 그래프 분류 작업에서 최신 기술 수준의 모델들보다 뛰어난 파라미터 효율성과 성능 향상을 입증하기 위해.

제안 방법

• egoQGNN는 각 노드 중심의 에고그래프를 추출하여, 소규모 양자 장치에서 局소적 양자 계산을 가능하게 한다.
• 노드 및 이웃 표현을 결합하기 위해 텐서 곱 연산을 사용하여 구조적 정보를 인코딩하는 얽힘 양자 상태를 형성한다.
• 유니타리 행렬과 파arameterized 양자 회로를 사용하여 계층별로 노드 표현을 업데이트하고, 비선형 활성화를 양자 회로 계층을 통해 구현한다.
• 양자 상태 매핑 기법을 통해 고전적 유클리드 노드 특징을 힐버트 공간 내 양자 상태로 변환하면서도 쌍별 거리 관계를 유지한다.
• 최종 그래프 수준의 표현은 개별 노드 상태의 본 네umann 엔트로피의 합으로 계산되며, 이를 통해 분류가 가능하다.
• 아키텍처는 고전적 최적화를 통해 훈련되며, 양자 회로는 양자 특징 평가의 전방 전파 계산에만 사용된다.

실험 결과

연구 질문

• RQ1 작은 규모의 양자 장치만을 사용하여도 큰 그래프에 확장 가능한 양자 그래프 신경망을 설계할 수 있는가?
• RQ2 제안된 에고그래프 기반의 양자 아키텍처가 고전적 GNN의 분류 능력을 유지하는가, 특히 비이somorphic 그래프를 구분하는 데서?
• RQ3 새로운 양자 상태 인코딩 방법이 원래의 유클리드 데이터에서 힐버트 공간으로의 거리 관계를 유지할 수 있는가, 정보 손실을 최소화할 수 있는가?
• RQ4 egoQGNN의 파라미터 효율성은 그래프 분류 작업에서 최신 기술 수준의 고전적 및 양자 GNN들과 비교해 어떻게 되는가?
• RQ5 제안된 양자 모델이 이론적으로 Weisfeiler-Lehman 그래프 이somorphism 테스트와 동일한 표현 능력을 달성할 수 있는가?

주요 결과

• egoQGNN는 경쟁 모델 대비 필요한 파라미터의 1.68%만을 사용하면서도 그래프 분류 벤치마크에서 최신 기술 수준의 성능을 달성한다.
• 모델은 비이somorphic 그래프를 성공적으로 구분하여 이론적·실증적으로 Weisfeiler-Lehman 테스트와 동일한 표현 능력을 보여준다.
• 제안된 힐버트 공간 매핑은 데이터 포인트 간의 거리 관계를 유지하여 양자 상태 인코딩 중 정보 손실을 줄인다.
• 에고그래프의 사용은 소규모 양자 장치에서 국소 서브그래프만 처리함으로써 임의로 큰 그래프를 처리할 수 있도록 한다.
• 이론적 분석을 통해 egoQGNN가 메시지 전파 과정에서 단사성(injectivity)를 유지함을 확인하여, 구분되어야 할 노드 표현이 항상 구분됨을 보장한다.
• 실증 결과는 egoQGNN이 정확도 및 파라미터 효율성 측면에서 기존의 양자 및 고전적 GNN들을 능가함을 보여준다.