.png){kind=icon}
返回
Guided graph compression for quantum graph neural networks
.png){kind=icon}
OA
AI
DOI：10.1088/2632-2153/adffe2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图神经网络（GNNs）在处理图结构数据方面是有效的，但由于高内存需求和GPU上低效的稀疏矩阵运算，在处理大型图时面临挑战。量子计算为解决这些问题提供了有前景的途径，并启发新的算法方法。特别是，量子图神经网络（QGNNs）已在近期文献中得到探索。然而，当前的量子硬件限制了可有效编码的数据维度。现有方法要么手动简化数据集，要么使用人工图数据集。本研究引入了引导图压缩（GGC）框架，该框架使用图自编码器来减少节点数量和节点特征的维度。压缩过程被引导以增强下游分类任务的性能，该任务可应用于量子或经典分类器。该框架在喷注标记任务上进行了评估，这是一个在高能物理学中具有重要基础意义分类问题，涉及区分由夸克和胶子引发的粒子喷注。我们将GGC与将自编码器作为预处理步骤的模型以及基线经典GNN分类器进行了比较。我们的数值结果表明，GGC优于两种替代方案，同时也有助于在真实数据集上测试新颖的QGNN构型。
Keyword:
quantum machine learning
deep learning
particle physics
graph neural networks
quantum computing
期刊
M
IF:
4.6
论文数:
1.1K
被引数:
3.4K
机构
引用论文
.png){kind=icon}
Polynomial-Time Algorithms for Prime Factorization and Discrete Logarithms on a Quantum Computer量子计算机上质因数分解和离散对数的多项式时间算法OAAI
OAAI分享收藏分享收藏分享收藏
查看更多内容