.png){kind=icon}
返回
Quantum-enhanced hyperdimensional computing for graph representation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2026.116550.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在表示复杂结构化数据时，通常需要在计算成本和表示质量之间进行权衡，这主要由底层编码框架决定。高维计算（Hyperdimensional Computing, HDC），又称向量符号架构（Vector Symbolic Architecture, VSA），因其能通过高维编码表示复杂结构而受到认可。HDC中的传统表示技术通常依赖捆绑（bundling）操作进行数据记忆，但存在质量和容量限制。通过绑定（binding）操作建立关联提供了一种潜在替代方案，但其应用因分解过程复杂而受限，当候选因子和绑定组件数量增加时，经典分解方法（如谐振器网络）可能面临挑战。本研究探索了一种基于受Grover量子搜索算法启发的量子分解算法的新型HDC方法。该方法不仅解决了绑定HDC表示分解中的固有复杂性问题，还显著抑制噪声并提高表示保真度。针对图数据结构，我们的框架Quark通过量子解码过程的定理推导和经典模拟进行分析，展示了在不同图规模和维度下改进的图重建质量。量子计算与HDC的融合为可扩展且高保真度的图表示提供了有前景的方向。
Keyword:
Graph representation
Hyperdimensional Computing
Quantum computing
Vector Symbolic Architecture
