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

Resumo Técnico: A2QTGN – Rede de Grafo Temporal Integrada a Amplitude Quântica Adaptativa

Declaração do Problema
A previsão de links dinâmica é uma tarefa crítica para modelar interações em evolução em sistemas complexos, como redes sociais, ecossistemas financeiros e redes de transporte. Embora os modelos clássicos de grafos temporais (por exemplo, TGN, TGAT) capturem dependências sequenciais, eles frequentemente lutam para representar interações simultâneas e rapidamente mutáveis entre nós e arestas em grafos dinâmicos em grande escala. Além disso, as abordagens existentes frequentemente falham em capturar dependências temporais de longo alcance, deriva estrutural e comportamentos não estacionários. Técnicas recentes de incorporação quântica oferecem vantagens geométricas potenciais ao transformar entradas clássicas em estados quânticos estruturados, no entanto, as abordagens híbridas quântico-clássicas atuais são amplamente limitadas a cenários estáticos. Elas carecem de mecanismos para adaptar representações quânticas à medida que o grafo evolui, criando uma lacuna para incorporações quânticas expressivas e responsivas ao tempo.

Metodologia
Os autores propõem o A2QTGN (Rede de Grafo Temporal Integrada a Amplitude Quântica Adaptativa), um framework híbrido que integra codificação de características quânticas adaptativa com um backbone clássico de Rede de Grafo Temporal (TGN). O fluxo de trabalho processa fluxos de interações temporais através de quatro módulos coordenados:

1. Formulação de Grafo Temporal Discreto: O grafo é modelado como uma sequência de instantâneos $G_t = (V_t, E_t, X_t, F_t)$, onde o objetivo é prever a formação futura de arestas com base em dados históricos até o tempo $t$.
2. Codificação de Amplitude Adaptativa (AAE): Esta é a principal novidade. Em vez de recodificar cada nó em cada passo de tempo, a AAE mede a magnitude da mudança de características ($\Delta x_{i,t}$) e calcula um fator de atividade $\alpha_{i,t}$.
   • Se o fator de atividade exceder um limiar definido $\tau$, as características do nó são normalizadas e codificadas em um estado quântico $|\psi_{i,t}\rangle$ usando Codificação de Amplitude com emaranhamento em pares (portas CNOT).
   • Se a mudança for insignificante, o estado quântico anterior é mantido.
   • A incorporação quântica $z_{i,t}$ é derivada medindo os valores esperados dos operadores Pauli-Z nos qubits.
3. Atualização de Memória Temporal: Baseando-se nos princípios do TGN, cada nó mantém um vetor de memória persistente $m_i$. Esta memória é atualizada apenas quando ocorrem novos eventos de interação. O novo estado de memória é computado fundindo a memória anterior com a incorporação quântico-temporal atual ($h_{i,t} = \text{NN}([m_{prev} \parallel z_{i,t}])$). Isso desacopla o histórico de longo prazo dos estados transitórios específicos da tarefa.
4. Previsão de Links: As incorporações finais dos nós para um par usuário-item são concatenadas e passadas por um Perceptron de Múltiplas Camadas (MLP) com ativação sigmoide para prever a probabilidade de formação de um link. O modelo é otimizado usando a perda de Entropia Cruzada Binária (BCE).

Principais Contribuições

1. Codificação de Amplitude Adaptativa (AAE): Um mecanismo dinâmico que atualiza representações de amplitude quântica apenas quando variações temporais de características excedem um limiar, evitando recodificação quântica desnecessária e focando o esforço computacional em regiões do grafo em evolução.
2. Pipeline Híbrido Quântico–TGN: Um design que combina AAE com um backbone TGN leve, permitindo aprendizado ponta a ponta em fluxos de grafos em evolução sem aumentar a profundidade do circuito em relação ao tamanho do grafo.
3. Estratégia de Atualização Adaptativa: Um mecanismo de atualização condicional que determina quando as incorporações quânticas devem ser atualizadas, demonstrando melhor generalização em relação às linhas de base de "sempre-atualizar" e "nunca-atualizar".
4. Avaliação Abrangente: Testes extensivos em cinco conjuntos de dados do Benchmark de Grafos Temporais (TGBL), incluindo estudos de ablação, análise de convergência e inferência consciente de hardware usando um backend ruidoso (FakeTorino) e execução limitada em dispositivo real (IBM ibm_torino).

Resultados Experimentais

• Desempenho: O A2QTGN alcançou forte desempenho preditivo e de classificação em cinco conjuntos de dados (tgbl-wiki, tgbl-review, tgbl-coin, tgbl-comment, tgbl-flight). Os valores de AUC de teste variaram de 0,7657 (tgbl-review) a 0,9957 (tgbl-flight). No tgbl-flight, o modelo alcançou 97,83% de precisão e um MRR de 0,7832.
• Estudos de Ablação: A remoção do módulo de incorporação quântica causou uma queda significativa no desempenho (por exemplo, o AUC caiu de 0,9857 para 0,6014 no tgbl-wiki). A variante "sempre-atualizar" também teve desempenho inferior à estratégia adaptativa, confirmando que a atualização seletiva é mais eficaz do que a recodificação constante.
• Comparação de Codificação Quântica: Entre várias estratégias quânticas (Ângulo, IQP, QAOA), a Codificação de Amplitude combinada com o mecanismo adaptativo produziu os melhores resultados, superando significativamente as linhas de base clássicas do TGN e outras codificações quânticas.
• Viabilidade de Hardware: A inferência no backend ruidoso FakeTorino (2048 disparos) manteve forte desempenho, particularmente no tgbl-wiki (86,50% de precisão) e tgbl-flight (80,00% de precisão). Uma execução limitada em dispositivo real (100 disparos) mostrou resultados promissores, mas variáveis, apoiando a viabilidade do aprendizado assistido por quântica a curto prazo, ao mesmo tempo que destaca a sensibilidade a orçamentos de disparos e ruído.

Significado e Alegações
O artigo afirma que o A2QTGN aborda as limitações dos modelos de grafos quânticos estáticos ao introduzir uma arquitetura responsiva ao tempo. O significado reside em demonstrar que a codificação quântica adaptativa — atualizando estados apenas quando necessário — pode preservar a expressividade das representações quânticas enquanto melhora a eficiência e a generalização. Os autores afirmam que o sucesso do modelo decorre não meramente da adição de uma camada quântica a um TGN, mas do controle específico de quando as representações quânticas são atualizadas. Além disso, os resultados conscientes de hardware sugerem que tais modelos híbridos são viáveis para execução em dispositivos quânticos de escala intermediária ruidosa (NISQ) de curto prazo, desde que orçamentos de disparos e ruído sejam gerenciados. O trabalho conclui que, embora a abordagem seja promissora, pesquisas futuras devem abordar a seleção de limiares e a escalabilidade de circuitos para grafos maiores e mais heterogêneos.