Reti convoluzionali quantistiche su grafi: implementazione e analisi della trainabilità

Abstract degli autori

Le reti neurali a grafo (GNN) raggiungono prestazioni allo stato dell’arte sui dati strutturati a grafo, ma l’addestramento e l’inferenza su grafi di grandi dimensioni sono spesso limitati dai vincoli di memoria e dai carichi di lavoro di algebra lineare sparsa. La computazione quantistica offre un insieme alternativo di primitive che potrebbe migliorare la scalabilità dell’apprendimento su grafi. Basandosi sul framework delle reti neurali quantistiche a grafo (QGNN) di Liao \textit{et al.}, questo lavoro implementa due architetture rappresentative — i modelli Simplified Graph Convolution (SGC) e Linear Graph Convolution (LGC) — e li valuta su dataset a grafo aperti di benchmark e attività di apprendimento semi-supervisionato, ricorrendo alla simulazione quantistica. Confrontiamo le prestazioni predittive e il comportamento di ottimizzazione con quelli delle baseline classiche, mostrando che i modelli quantistici raggiungono prestazioni competitive con un numero inferiore di parametri. Infine, presentiamo un’analisi del gradiente del costo che individua le attività per le quali i modelli presentati sono addestrabili. A questa fa seguito uno studio sulla simulabilità classica, per individuare i regimi in cui i circuiti proposti rimangono robusti durante l’addestramento.