A2QTGN: Adaptive Amplitude Quantum-Integrated Temporal Graph Network for Dynamic Link Prediction

Riepilogo Tecnico: A2QTGN – Rete Temporale a Grafo Integrata Quantistica ad Ampiezza Adattiva

Enunciato del Problema
La previsione dinamica dei collegamenti è un compito critico per la modellazione delle interazioni in evoluzione in sistemi complessi quali reti sociali, ecosistemi finanziari e reti di trasporto. Sebbene i modelli temporali a grafo classici (ad es. TGN, TGAT) catturino le dipendenze sequenziali, spesso faticano a rappresentare interazioni nodo-bordo concorrenti e in rapida evoluzione in grafi dinamici su larga scala. Inoltre, gli approcci esistenti spesso non riescono a catturare dipendenze temporali a lungo raggio, deriva strutturale e comportamenti non stazionari. Le recenti tecniche di embedding quantistico offrono potenziali vantaggi geometrici trasformando gli input classici in stati quantistici strutturati, tuttavia gli attuali approcci ibridi quantistico-classici sono largamente limitati a scenari statici. Mancano meccanismi per adattare le rappresentazioni quantistiche man mano che il grafo evolve, creando un vuoto per embedding quantistici espressivi e responsivi al tempo.

Metodologia
Gli autori propongono A2QTGN (Rete Temporale a Grafo Integrata Quantistica ad Ampiezza Adattiva), un framework ibrido che integra la codifica adattiva delle caratteristiche quantistiche con un'architettura classica di Rete Temporale a Grafo (TGN) come colonna portante. Il flusso di lavoro elabora flussi di interazione temporale attraverso quattro moduli coordinati:

1. Formulazione del Grafo Temporale Discreto: Il grafo è modellato come una sequenza di istantanee $G_t = (V_t, E_t, X_t, F_t)$, dove l'obiettivo è prevedere la formazione futura di collegamenti basandosi sui dati storici fino al tempo $t$.
2. Codifica ad Ampiezza Adattiva (AAE): Questa è la novità centrale. Invece di ricodificare ogni nodo ad ogni passo temporale, l'AAE misura l'entità della variazione delle caratteristiche ($\Delta x_{i,t}$) e calcola un fattore di attività $\alpha_{i,t}$.
   • Se il fattore di attività supera una soglia definita $\tau$, le caratteristiche del nodo vengono normalizzate e codificate in uno stato quantistico $|\psi_{i,t}\rangle$ utilizzando la Codifica ad Ampiezza con entanglement a coppie (porte CNOT).
   • Se la variazione è insignificante, lo stato quantistico precedente viene mantenuto.
   • L'embedding quantistico $z_{i,t}$ è derivato misurando i valori di aspettazione degli operatori di Pauli-Z sui qubit.
3. Aggiornamento della Memoria Temporale: Basandosi sui principi TGN, ogni nodo mantiene un vettore di memoria persistente $m_i$. Questa memoria viene aggiornata solo quando si verificano nuovi eventi di interazione. Il nuovo stato di memoria è calcolato fondendo la memoria precedente con l'embedding quantistico-temporale corrente ($h_{i,t} = \text{NN}([m_{prev} \parallel z_{i,t}])$). Questo disaccoppia la storia a lungo termine dagli stati transitori specifici del compito.
4. Previsione dei Collegamenti: Gli embedding finali dei nodi per una coppia utente-articolo vengono concatenati e passati attraverso un Perceptron Multistrato (MLP) con attivazione sigmoide per prevedere la probabilità di formazione di un collegamento. Il modello è ottimizzato utilizzando la funzione di perdita Cross-Entropy Binaria (BCE).

Principali Contributi

1. Codifica ad Ampiezza Adattiva (AAE): Un meccanismo dinamico che aggiorna le rappresentazioni quantistiche ad ampiezza solo quando le variazioni temporali delle caratteristiche superano una soglia, evitando la ricodifica quantistica non necessaria e concentrando lo sforzo computazionale sulle regioni del grafo in evoluzione.
2. Pipeline Ibrida Quantistica–TGN: Una progettazione che combina l'AAE con un'architettura TGN leggera, abilitando l'apprendimento end-to-end su flussi di grafi in evoluzione senza aumentare la profondità del circuito rispetto alla dimensione del grafo.
3. Strategia di Aggiornamento Adattiva: Un meccanismo di aggiornamento condizionale che determina quando gli embedding quantistici dovrebbero essere aggiornati, dimostrando una migliore generalizzazione rispetto alle linee di base "aggiorna-sempre" e "non-aggiorna".
4. Valutazione Completa: Test estensivi su cinque dataset del Temporal Graph Benchmark (TGBL), inclusi studi di ablazione, analisi della convergenza e inferenza consapevole dell'hardware utilizzando un backend rumoroso (FakeTorino) ed esecuzione limitata su dispositivo reale (IBM ibm_torino).

Risultati Sperimentali

• Prestazioni: A2QTGN ha ottenuto prestazioni predittive e di ranking solide su cinque dataset (tgbl-wiki, tgbl-review, tgbl-coin, tgbl-comment, tgbl-flight). I valori AUC di test sono variati da 0,7657 (tgbl-review) a 0,9957 (tgbl-flight). Su tgbl-flight, il modello ha raggiunto un'accuratezza del 97,83% e un MRR di 0,7832.
• Studi di Ablazione: La rimozione del modulo di embedding quantistico ha causato un calo significativo delle prestazioni (ad es., l'AUC è sceso da 0,9857 a 0,6014 su tgbl-wiki). Anche la variante "aggiorna-sempre" ha ottenuto risultati inferiori rispetto alla strategia adattiva, confermando che l'aggiornamento selettivo è più efficace della ricodifica costante.
• Confronto sulla Codifica Quantistica: Tra varie strategie quantistiche (Angolo, IQP, QAOA), la Codifica ad Ampiezza combinata con il meccanismo adattivo ha prodotto i migliori risultati, superando significativamente le linee di base TGN classiche e altre codifiche quantistiche.
• Fattibilità Hardware: L'inferenza sul backend rumoroso FakeTorino (2048 scatti) ha mantenuto prestazioni solide, in particolare su tgbl-wiki (86,50% di accuratezza) e tgbl-flight (80,00% di accuratezza). Una esecuzione limitata su dispositivo reale (100 scatti) ha mostrato risultati promettenti ma variabili, a supporto della fattibilità dell'apprendimento assistito quantistico a breve termine, pur evidenziando la sensibilità ai budget di scatti e al rumore.

Significato e Affermazioni
Il documento afferma che A2QTGN affronta le limitazioni dei modelli a grafo quantistici statici introducendo un'architettura responsiva al tempo. Il significato risiede nel dimostrare che la codifica quantistica adattiva – aggiornando gli stati solo quando necessario – può preservare l'espressività delle rappresentazioni quantistiche migliorando al contempo l'efficienza e la generalizzazione. Gli autori affermano che il successo del modello deriva non semplicemente dall'aggiunta di un livello quantistico a un TGN, ma dal controllo specifico di quando le rappresentazioni quantistiche vengono aggiornate. Inoltre, i risultati consapevoli dell'hardware suggeriscono che tali modelli ibridi sono eseguibili su dispositivi quantistici a scala intermedia rumorosi (NISQ) a breve termine, a condizione che i budget di scatti e il rumore siano gestiti. Il lavoro conclude che, sebbene l'approccio sia promettente, la ricerca futura dovrà affrontare la selezione della soglia e la scalabilità del circuito per grafi più grandi e più eterogenei.