🤖 机器学习

Quantum Evolution Kernel for Node-Attributed Graphs

本文提出了一种用于节点属性图的新型量子演化核，该核利用三能级量子态编码和 Wasserstein 距离，在基于 Jensen-Shannon 距离的经典方法基础上，在数字识别任务中实现了更高的准确度，且全部在利用 Pasqal 的 Pulser 库的中性原子量子计算机上进行了模拟。

原作者： Manuel Padovani, Alessandra Di Pierro, Claudia Daffara

发布于 2026-10-28

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Manuel Padovani, Alessandra Di Pierro, Claudia Daffara

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

长期以来，计算机一直是识别数据模式的专家，从对猫的照片进行分类到阅读手写笔记。几十年来，用于此类任务最成功的工具一直依赖于经典数学，将信息视为固定的数字列表或简单的连接。然而，机器学习领域正在开启一个新的前沿，科学家们开始利用量子力学的奇异法则来处理以前无法实现的信息处理方式。在这个领域中，数据不仅仅是被计算，而是被“演化”。研究人员不再仅仅是进行数字运算，而是引导一个系统经历一系列物理变化，使数据能够以一种揭示隐藏关系的方式与自身进行交互。这种方法对于分析复杂的形状和网络（即图，graphs）特别具有前景，这些结构广泛存在于从社交网络到化学分子的各个领域。挑战在于，如何将这些复杂且多维的图输入到量子机器中，而不丢失使其变得独特的细微细节。

维罗纳大学的一支研究团队通过开发一种新方法，将图转化为中性原子量子计算机的语言，在解决这一问题上迈出了重要一步。这些机器使用由激光固定在原位的单个原子来代表数据点。研究人员专注于一种特定类型的图，其中每个点（或称节点）都携带其自身的一套特征，例如绘画中像素的颜色或分子中原子的化学性质。他们的目标是创建一个不仅能识别图的形状，还能理解附着在每个部分上的独特特征的系统。为此，他们设计了一个过程，将图的结构映射到原子的物理位置上，然后将每个节点的具体细节编码到这些原子的内部能量状态中。

他们的核心创新在于如何处理这些内部状态。传统方法通常将原子视为简单的开关，要么是“开”，要么是“关”。然而，维罗纳团队利用了一个更复杂的三能级系统。他们使用激光将原子轻轻推入一个中间态，该状态既不同于它们的静止态，也不同于它们的高激发态。这使得他们能够为每一个节点同时编码两个不同的信息片段。系统的一部分通过将原子排列成特定模式来捕捉图的整体形状，而另一部分则利用内部能量级来存储每个节点的独特特征。这种分离意味着计算机可以独立地处理结构和细节，从而保留了原始数据的丰富性。

为了测试他们的想法，研究人员转向了一个经典问题：识别手写数字。他们从一个标准数据集中提取数字图像，并将其转换为图，其中每个像素变成一个节点，而像素之间的连接则形成了数字的线条。随后，他们将这些图输入到一个中性原子量子计算机的模拟器中。系统让原子演化了极短的一段时间，使它们发生相互作用并产生纠缠，之后研究人员测量了最终状态。研究人员并没有寻找单一答案，而是分析了结果的统计模式，为每个数字创建了一个独特的“指纹”。然后，他们通过比较这些指纹来观察数字之间的相似性或差异性。

研究人员发现，测量这些指纹差异的方式至关重要。他们测试了几种数学上的比较方法，包括在以往研究中广受欢迎的方法。他们发现，一种被称为 Wasserstein 距离（Wasserstein distance）的特定方法在处理其数据时表现优异。这种方法特别擅长测量将一种模式转化为另一种模式所需的“功”，能够捕捉到其他方法会忽略的微妙几何偏移。当使用这种距离度量时，他们的量子系统在识别数字方面的平均准确率高于那些较旧、更常见的算法。

研究还强调了附加在节点上的额外信息的重要性。当研究人员移除节点的特定特征并仅依赖图的形状时，系统的性能出现了下降。这证实了他们将局部细节编码进原子内部状态的方法对于完成任务是必不可少的。虽然该量子系统目前尚未超越专门为这项工作设计的最先进经典计算机程序，但它的表现已能与一些最好的传统图匹配工具相媲美。这是一个显著的结果，因为该量子系统是在一个对原子数量有严格限制的模拟环境下运行的，但它仍然成功地从数据中提取出了有意义的模式。

研究人员谨慎地指出，他们的工作是一个原型。整个过程是在经典计算机上进行的模拟，旨在模仿真实量子设备的行为，这意味着其结果是概念验证而非成品展示。他们还发现，系统对激光脉冲的时机非常敏感；如果让原子演化时间过长，信号就会变得嘈杂，准确度也会随之下降。通过找到停止演化的精确时刻，他们实现了信息清晰度的最大化。这项研究表明，随着真实量子硬件的改进以及能够处理更多的原子，这种方法可能会成为分析复杂数据结构的强大工具。

最终，这项工作证明了将现实世界图中丰富的、多层的信息映射到脆弱的量子原子状态中是可行的。通过将原子的物理排列与其内部能量级相结合，并利用一种智能的方式来比较产生的模式，研究人员展示了量子图学习的一个可行路径。研究结果表明，在未来，这些机器可以通过将数据视为不断演化的物理形式，而非仅仅是数字，从而为理解复杂系统（从识别手写体到预测新材料的行为）提供一种全新的方式。

技术摘要：用于带属性图的量子演化核

问题陈述

图机器学习是表示现实世界问题的关键领域，然而经典方法面临着显著的局限性。传统的图核（如 Weisfeiler-Lehman）通常忽略连续节点特征，而图卷积网络（GCN）在理论上受限于 1-WL 同构测试，并存在过度平滑（over-smoothing）以及随着图规模增大而导致计算成本过高的问题。此外，如何在模拟量子图核中整合多个连续节点属性仍是一个尚未得到充分探索的挑战。本文旨在解决开发一种能够同时在中性原子量子处理器上编码图结构和连续节点级特征的量子范式需求，特别针对量子核展现出优势的低数据量场景。

方法论

所提出的方法扩展了量子演化核（QEK）框架，以处理使用 Pasqal 中性原子量子处理器的带属性图。该方法包含三个主要阶段：

1. 物理编码与哈密顿量

系统利用具有三种相关状态的中性原子：两个低能超精细基态（ $|g\rangle$ 和 $|h\rangle$ ）以及一个高能里德堡态（ $|r\rangle$ ）。

图结构： 通过原子的空间定位进行编码。相连的节点被放置在里德堡封锁半径（ $R_b$ ）内，以通过范德华力（ $1/R^6$ ）实现相互作用；而不相连的节点则被放置在该半径之外。
节点特征： 不同于以往仅使用里德堡激光的工作，本方法引入了局部拉曼激光脉冲来耦合 $|g\rangle$ 和 $|h\rangle$ 态。这为每个原子创建了一个三能级（qutrit）系统。节点特征向量被归一化并映射到布洛赫球上的旋转角（ $\theta_1, \theta_2$ ），从而有效地调制 $|g\rangle$ 与 $|h\rangle$ 之间的布居转移。
演化： 系统在包含局部旋转（ $U_{local}$ ）和全局里德堡相互作用（ $U_{int}$ ）的哈密顿量下进行演化。最终状态 $|\Psi(t)\rangle$ 是这些连续层级的演化结果。

2. 测量与分布提取

由于硬件无法直接区分所有三种状态，测量是在基态-里德堡基组下进行的（位 0 代表 $|g\rangle$ 或 $|h\rangle$ ，位 1 代表 $|r\rangle$ ）。

占据分布： 由比特串的汉明重量（激发的原子比例）推导得出。
相关性分布： 由两点相关函数 $\langle Z_i Z_j \rangle - \langle Z_i \rangle \langle Z_j \rangle$ 推导得出。
尺度不变性： 这些分布被聚合以创建尺寸无关的图表示。

3. 核构建

本文定义了一种基于测量所得概率分布之间的距离的量子核。

距离度量： 作者采用了 Wasserstein 距离（ $W_1$ ）（推土机距离），而非常用的 Jensen-Shannon (JS) 距离。 $W_1$ 保留了几何信息并避免了与分箱（binning）相关的离散化损失，尽管其时间复杂度更高。
核公式： 核定义为 $K(P, Q) = \exp(-\gamma D(P, Q))$ 。文中测试了两种聚合策略：单个核的加权和以及求和距离的乘积。
分类： 生成的核被输入到带有 one-vs-one 策略的支持向量分类器（SVC）中进行多类分类。

实验设置

数据集： MNIST 手写数字数据集的一个子集被转换为图。图像经过二值化、骨架化以及图精炼处理（合并靠近的节点，移除共线节点）。
约束： 由于使用 Pasqal 的 Pulser 库进行模拟的限制，图经过过滤，使其节点数满足 $|V| \le 9$ 。
特征： 编码了四个节点级特征：像素坐标（缩放后）、连续边的偏转角以及平分线方向。
基准模型： 该方法与经典的 Weisfeiler-Lehman (WL) 图核（具有各种特征配置）以及图卷积网络 (GCN) 进行了对比。

关键结果

距离度量的有效性： 与 Jensen-Shannon、Hellinger 和 L2 距离相比，Wasserstein 距离在所有训练集规模下均取得了最高的平均准确率。JS 距离的表现略差，且当增加分箱数量时性能会下降，这表明 $W_1$ 处理连续分布而无需分箱的能力在本项目中更为优越。
特征重要性： 带有节点级特征的量子核表现优于不带特征的版本，证实了局部信息增强了分类能力。
与经典基准模型的比较：
- GCN 达到了最高的整体准确率，这符合深度学习模型的预期。
- 量子核（使用 Wasserstein 距离）的表现与仅基于位置信息的 WL 核相当，并且优于仅基于角度或无特征的 WL 核。
- 然而，量子核在平均准确率上并未超越结合了位置与角度信息的 WL 核或 GCN。

意义与主张

本文声称展示了在模拟中性原子硬件上编码多属性连续特征的架构可行性。其主要贡献包括：

新型编码方式： 通过拉曼激光引入每个原子的三能级系统，将节点特征编码与拓扑编码分离，从而丰富了局部希尔伯特空间。
度量选择： 确立了在此背景下，Wasserstein 距离比 Jensen-Shannon 度量更适用于基于量子测量分布的图核。
原型验证： 展示了即使使用简单的电路设计和较短的演化时间，该方法也能提取出对分类任务有用的基于相关性的信息。

作者对目前的性能保持谦逊，指出简单的电路设计和较短的演化时间限制了该方法超越最先进的经典核或 GCN 的能力。他们认为，采用更精细的设计、更复杂的编码以及更长的演化时间可以提升性能。这项工作作为一个基准，为未来的大规模实现提供了参考，同时也强调了虽然在真实硬件上编码随图规模线性扩展，但管理相关矩阵的经典后处理成本仍然是实现可扩展性的关键挑战。