🤖 machine learning

Quantum Evolution Kernel for Node-Attributed Graphs

Dit artikel stelt een nieuwe kwantumevolutie-kernel voor voor knoop-geattribueerde grafen die gebruikmaakt van drie-niveau kwantumtoestanden-codering en de Wasserstein-afstand om een hogere nauwkeurigheid te bereiken in taken voor cijferherkenning vergeleken met klassieke methoden gebaseerd op de Jensen-Shannon-afstand, alles gesimuleerd op neutrale-atoom kwantumcomputers met behulp van de Pulser-bibliotheek van Pasqal.

Oorspronkelijke auteurs: Manuel Padovani, Alessandra Di Pierro, Claudia Daffara

Gepubliceerd 2026-10-28

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Manuel Padovani, Alessandra Di Pierro, Claudia Daffara

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Computers zijn al lang experts in het herkennen van patronen in data, van het sorteren van foto's van katten tot het lezen van handgeschreven aantekeningen. Decennialang hebben de meest succesvolle instrumenten voor deze taak vertrouwd op klassieke wiskunde, waarbij informatie werd behandeld als vaste lijsten met getallen of eenvoudige verbindingen. Echter, er opent zich een nieuwe grens in het vakgebied van machine learning, waar wetenschappers beginnen de vreemde wetten van de kwantummechanica te gebruiken om informatie te verwerken op manieren die voorheen onmogelijk waren. In dit domein wordt data niet alleen berekend; het wordt geëvolueerd. In plaats van simpelweg getallen te verwerken, kunnen onderzoekers een systeem door een reeks fysieke veranderingen leiden, waardoor de data met zichzelf kan interageren op een manier die verborgen relaties onthult. Deze aanpak is bijzonder veelbelovend voor het analyseren van complexe vormen en netwerken, bekend als grafen, die overal voorkomen, van sociale netwerken tot chemische moleculen. De uitdaging is geweest om een manier te vinden om deze complexe, veelzijdige grafen in kwantummachines te voeden zonder de subtiele details te verliezen die hen uniek maken.

Een team van onderzoekers aan de Universiteit van Verona heeft een belangrijke stap gezet naar het oplossen van dit probleem door een nieuwe methode te ontwikkelen om grafen te vertalen naar de taal van neutrale-atoom kwantumcomputers. Deze machines gebruiken individuele atomen, op hun plaats gehouden door lasers, om datapunten te vertegenwoordigen. De onderzoekers richtten zich op een specifiek type graaf waarbij elk punt, of knoop, zijn eigen set kenmerken draagt, zoals de kleur van een pixel in een tekening of de chemische eigenschappen van een atoom in een molecuul. Hun doel was om een systeem te creëren dat niet alleen de vorm van de graaf kon zien, maar ook de unieke kenmerken kon begrijpen die aan elk deel ervan verbonden zijn. Om dit te doen, ontwierpen ze een proces dat de structuur van een graaf mapt op de fysieke posities van atomen en vervolgens de specifieke details van elke knoop codeert in de interne energietoestanden van die atomen.

De kern van hun innovatie ligt in de manier waarop ze deze interne toestanden afhandelen. Traditionele methoden behandelen atomen vaak als eenvoudige schakelaars die ofwel aan of uit staan. Het team uit Verona maakte echter gebruik van een complexer drieniveausysteem. Ze gebruikten lasers om de atomen voorzichtig naar een middelste toestand te duwen, die onderscheidend is van zowel hun rusttoestand als hun hoog geëxciteerde toestand. Dit stelde hen in staat om simultaan twee verschillende stukken informatie voor elke enkele knoop te coderen. Eén deel van het systeem legde de algemene vorm van de graaf vast door de atomen in een specif으로 patroon te arrangeren, terwijl het andere deel de unieke kenmerken van elke knoop gebruikte om de interne energieniveaus op te slaan. Deze scheiding betekende dat de computer de structuur en de details onafhankelijk van elkaar kon verwerken, waardoor de rijkdom van de oorspronkelijke data behouden bleef.

Om hun idee te testen, wenden de onderzoekers zich tot een klassiek probleem: het herkennen van handgeschreven cijfers. Ze namen afbeeldingen van getallen uit een standaarddataset en zetten deze om in grafen, waarbij elke pixel een knoop werd en de verbindingen tussen hen de lijnen van het cijfer vormden. Vervolgens voedden ze deze grafen aan een simulatie van een neutrale-atoom kwantumcomputer. Het systeem liet de atomen een kort moment evolueren, waardoor ze konden interageren en verstrengelen, waarna de onderzoekers de uiteindelijke toestand maten. In plaats van te zoeken naar één enkel antwoord, analyseerden ze de statistische patronen van de resultaten, wat een unieke "vingerafdruk" voor elk cijfer creëerde. Ze vergeleken vervolgens deze vingerafdrukken om te zien hoe vergelijkbaar of verschillend de cijfers van elkaar waren.

De onderzoekers ontdekten dat de manier waarop ze het verschil tussen deze vingerafdrukken maten, er groot toe deed. Ze testten verschillende wiskundige manieren om de patronen te vergelijken, inclusief methoden die populair waren in eerdere studies. Ze vonden dat een specifieke benadering, bekend als de Wasserstein-afstand, superieur was voor hun data. Deze methode is bijzonder goed in het meten van hoeveel "werk" het zou kosten om één patroon in een ander te transformeren, waarbij de subtiele geometrische verschuivingen worden gevangen die andere methoden misten. Wanneer ze deze afstandsmaat gebruikten, bereikte hun kwantumsysteem een hogere gemiddelde nauwkeurigheid bij het herkennen van de cijfers dan de oudere, meer gangbare methoden.

De studie benadrukte ook het belang van de extra informatie die aan de knopen is gekoppeld. Wanneer de onderzoekers de specifieke kenmerken van de knopen verwijderden en zich alleen vertrouwden op de vorm van de graaf, daalde de prestatie van het systeem. Dit bevestigde dat hun methode om lokale details in de interne toestanden van de atomen te coderen essentieel was voor de taak. Hoewel het kwantumsysteem de meest geavanceerde klassieke computerprogramma's die voor deze specifieke taak zijn ontworpen nog niet evenaarde, presteerde het op gelijke voet met enkele van de beste traditionele graaf-matching tools. Dit is een opmerkelijk resultaat omdat het kwantumsysteem draaide op een simulatie met strikte limieten op het aantal atomen dat het kon verwerken, en toch slaagde het erin om betekenisvolle patronen uit de data te extraheren.

De onderzoekers waren zorgvuldig om te vermelden dat hun werk een prototype is. Het gehele proces werd op een klassieke computer gesimuleerd om het gedrag van een echt kwantumapparaat na te bootsen, wat betekent dat de resultaten een bewijs van concept zijn en geen demonstratie van een voltooid product. Ze ontdekten ook dat het systeem gevoelig was voor de timing van de laserpulsen; als de atomen te lang werden toegelaten om te evolueren, werd het signaal ruizig en leed de nauwkeurigheid eronder. Door het precieze moment te vinden om de evolutie te stoppen, maximaliseerden ze de helderheid van de informatie. De studie suggereert dat naarmate echte kwanthardware verbetert en meer atomen kan verwerken, deze aanpak een krachtig hulpmiddel kan worden voor het analyseren van complexe datastructuren.

Uiteindelijk demonstreert dit werk dat het mogelijk is om de rijke, meerlaagse informatie van real-world grafen te mappen op de delicate toestanden van kwantumatomen. Door de fysieke rangschikking van atomen te combineren met hun interne energieniveaus, en door een slimme manier te gebruiken om de resulterende patronen te vergelijken, hebben de onderzoekers een levensvatbaar pad naar de toekomst van kwantum grafen leren opgezeigt. De bevindingen suggereren dat deze machines in de toekomst een nieuwe manier kunnen bieden om complexe systemen te begrijpen, van het herkennen van handschrift tot het voorspellen van het gedrag van nieuwe materialen, door data niet alleen als getallen te zien, maar als evoluerende fysieke vormen.

Technische Samenvatting: Quantum Evolution Kernel voor Node-Attributed Graphs

Probleemstelling

Graph machine learning is een cruciaal veld voor het representeren van real-world problemen, maar klassieke methoden kampen met aanzienlijke beperkingen. Traditionele graph kernels (bijv. Weisfeiler-Lehman) negeren vaak continue node-features, terwijl Graph Convolutional Networks (GCNs) theoretisch begrensd worden door de 1-WL isomorfisme-test, lijden onder over-smoothing, en hoge computationele kosten meten naarmate de grafiek grootte toeneemt. Bovendien blijft het integreren van meerdere continue node-attributen in analoge quantum graph kernels een grotendeels onontgonnen uitdaging. Dit artikel adresseert de behoefte aan een quantum paradigma dat zowel de grafiekstructuur als continue node-level features kan coderen op neutrale-atoom quantum processors, specifiek gericht op het low-data regime waarin quantum kernels veelbelovend zijn gebleken.

Methodologie

De voorgestelde aanpak breidt het Quantum Evolution Kernel (QEK) framework uit om node-attributed graphs te verwerken met behulp van de neutrale-atoom quantum processors van Pasqal. De methodologie bestaat uit drie primaire stadia:

1. Fysieke Codering en Hamiltonian

Het systeem maakt gebruik van neutrale atomen met drie relevante toestanden: twee laag-energetische hyperfine grondtoestanden ( $|g\rangle$ en $|h\rangle$ ) en een hoog-energetische Rydberg-toestand ( $|r\rangle$ ).

Grafiekstructuur: Gecodeerd via de ruimtelijke positionering van atomen. Verbonden nodes worden geplaatst binnen een Rydberg-blokkade radius ( $R_b$ ) om interacties via de van der Waals-kracht ( $1/R^6$ ) mogelijk te maken, terwijl niet-verbonden nodes buiten deze radius worden geplaatst.
Node Features: In tegenstelling tot eerdere werken die alleen Rydberg-lasers gebruikten, introduceert deze methode lokale Raman-laserpulsen om de $|g\rangle$ en $|h\rangle$ toestanden te koppelen. Dit creëert een drie-niveau (qutrit) systeem per atoom. Node feature vectoren worden genormaliseerd en gemapt naar rotatiehoeken ( $\theta_1, \theta_2$ ) op de Bloch-sfeer, wat effectief de populatieoverdracht tussen $|g\rangle$ en $|h\rangle$ moduleert.
Evolutie: Het systeem evolueert onder een Hamiltonian bestaande uit lokale rotaties ( $U_{local}$ ) en globale Rydberg-interacties ( $U_{int}$ ). De uiteindelijke toestand $|\Psi(t)\rangle$ is het resultaat van deze opeenvolgende lagen.

2. Meting en Distributie-extractie

Omdat hardware niet direct alle drie de toestanden kan onderscheiden, worden metingen uitgevoerd in de grond-Rydberg basis (bit 0 voor $|g\rangle$ of $|h\rangle$ , bit 1 voor $|r\rangle$ ).

Occupatie Distributie: Afgeleid van het Hamming-gewicht van de bitstrings (fractie geëxciteerde atomen).
Correlatie Distributie: Afgeleid van twee-punts correlaties $\langle Z_i Z_j \rangle - \langle Z_i \rangle \langle Z_j \rangle$ .
Schaalinvariantie: Deze distributies worden geaggregeerd om grootte-invariante grafiekrepresentaties te creëren.

3. Kernel Constructie

Het artikel definieert een quantum kernel gebaseerd op de afstand tussen waarschijnlijkheidsdistributies afgeleid van de metingen.

Afstandsmethriek: De auteurs maken gebruik van de Wasserstein-afstand ( $W_1$ ) (Earth Mover's Distance) in plaats van de veelgebruikte Jensen-Shannon (JS) afstand. $W_1$ behoudt geometrische informatie en voorkomt discretisatieverliezen geassocieerd met binning, hoewel het een hogere computationele complexiteit heeft.
Kernel Formulering: De kernel wordt gedefinieerd als $K(P, Q) = \exp(-\gamma D(P, Q))$ . Er worden twee aggregatiestrategieën getest: een gewogen som van individuele kernels en een product van gesommeerde afstanden.
Classificatie: De resulterende kernel wordt gevoed aan een Support Vector Classifier (SVC) met een one-vs-one strategie voor multi-class classificatie.

Experimentele Opstelling

Dataset: Een subset van de MNIST handgeschreven cijferdataset werd omgezet in grafieken. Afbeeldingen ondergingen binarisatie, skeletonisatie en grafiek-verfijning (het samenvoegen van nabijgelegen nodes, verwijderen van collinear nodes).
Restricties: Vanwege simulatielimieten met de Pasqal Pulser library, werden grafieken gefilterd om maximaal $|V| \le 9$ nodes te bevatten.
Features: Vier node-level features werden gecodeerd: pixelcoördinaten (geschaald), de afwijkingshoek van opeenvolgende randen, en de bissectie-richting.
Baselines: De methode werd vergeleken met klassieke Weisfeiler-Lehman (WL) graph kernels (met diverse feature configuraties) en een Graph Convolutional Network (GCN).

Belangrijkste Resultaten

Effectiviteit van de Afstandsmethriek: De Wasserstein-afstand behaalde de hoogste gemiddelde nauwkeurigheid over alle trainingsset-groottes vergeleken met Jensen-Shannon, Hellinger en L2 afstanden. De JS-afstand presteerde iets minder goed, en de prestaties verslechterden bij het verhogen van het aantal bins, wat suggereert dat de capaciteit van $W_1$ om continue distributies zonder binning te behandelen superieur is voor deze taak.
Feature Belang: De quantum kernel met node-level features presteerde beter dan de versie zonder deze features, wat bevestigt dat lokale informatie de classificatie verbetert.
Vergelijking met Klassieke Baselines:
- De GCN behaalde de hoogste algehele nauwkeurigheid, zoals verwacht bij deep learning modellen.
- De Quantum Kernel (gebruikmakend van Wasserstein) presteerde vergelijkbaar met de positional-only WL kernel en presteerde beter dan de angle-only en featureless WL kernels.
- Echter, de quantum kernel overtrof niet de gecombineerde positional-angle WL kernel of de GCN in gemiddelde nauwkeurigheid.

Betekenis en Claims

Het artikel claimt de architecturale haalbaarheid aan te tonen van het coderen van multi-attribuut continue features op analoge neutrale-atoom hardware. De primaire bijdragen zijn:

Nieuwe Codering: Het introduceren van een drie-niveau systeem per atoom via Raman-lasers om de node feature codering te scheiden van de topologische codering, waardoor de lokale Hilbert-ruimte wordt verrijkt.
Selectie van Metriek: Het vaststellen dat de Wasserstein-afstand effectiever is dan de Jensen-Shannon metriek voor graph kernels gebaseerd op quantum-metingsdistributies in deze context.
Prototype Validatie: Het aantonen dat zelfs met een eenvoudig circuit en korte evolutietijden, de methode in staat is om correlatie-gebaseerde informatie te extraheren die nuttig is voor classificatietaken.

De auteurs blijven bescheiden over de huidige prestaties en merken op dat het eenvoudige circuitontwerp en de korte evolutietijden voorkamen dat de methode de state-of-the-art klassieke kernels of GCNs overtrof. Zij stellen dat meer verfijnde ontwerpen met uitgebreidere coderingen en langere evolutietijden de prestaties zouden kunnen verbeteren. Dit werk dient als een baseline voor toekomstige grootschalige implementaties, waarbij wordt benadrukt dat hoewel de codering lineair schaalt met de grafiek grootte op echte hardware, het beheren van de klassieke post-processing kosten voor correlatiematrices een kritieke uitdaging blijft voor de schaalbaarheid.