Guided Graph Compression for Quantum Graph Neural Networks

要約

グラフニューラルネットワーク（GNNS）は、グラフ構造データの処理に効果的ですが、高いメモリ要件とGPUの非効率的なスパースマトリックス操作のために大きなグラフで課題に直面しています。
Quantum Computing（QC）は、これらの問題に対処するための有望な手段を提供し、新しいアルゴリズムアプローチを刺激します。
特に、最近の文献では、量子グラフニューラルネットワーク（QGNNS）が調査されています。
ただし、現在の量子ハードウェアは、効果的にエンコードできるデータの次元を制限します。
既存のアプローチは、データセットを手動で簡素化するか、人工グラフデータセットを使用します。
この作業では、Guided Graph Compression（GGC）フレームワークを紹介します。これは、グラフオートエンコーダーを使用して、ノードの数とノード機能の寸法の両方を減らすことです。
圧縮は、ダウンストリーム分類タスクのパフォーマンスを強化するように導かれます。ダウンストリーム分類タスクは、量子または古典的な分類器のいずれかで適用できます。
このフレームワークは、ジェットタグ付けタスクで評価されます。これは、クォークによって開始された粒子ジェットをグルオンによるものと区別する高エネルギー物理学における根本的な重要性の分類問題です。
GGCは、自動エンコーダーをスタンドアロン前処理ステップとして使用し、ベースラインクラシックGNN分類器と比較して比較されます。
私たちの数値結果は、GGCが両方の代替案よりも優れていると同時に、現実的なデータセットでの新しいQGNN Ansatzesのテストを促進することを示しています。

要約(オリジナル)

Graph Neural Networks (GNNs) are effective for processing graph-structured data but face challenges with large graphs due to high memory requirements and inefficient sparse matrix operations on GPUs. Quantum Computing (QC) offers a promising avenue to address these issues and inspires new algorithmic approaches. In particular, Quantum Graph Neural Networks (QGNNs) have been explored in recent literature. However, current quantum hardware limits the dimension of the data that can be effectively encoded. Existing approaches either simplify datasets manually or use artificial graph datasets. This work introduces the Guided Graph Compression (GGC) framework, which uses a graph autoencoder to reduce both the number of nodes and the dimensionality of node features. The compression is guided to enhance the performance of a downstream classification task, which can be applied either with a quantum or a classical classifier. The framework is evaluated on the Jet Tagging task, a classification problem of fundamental importance in high energy physics that involves distinguishing particle jets initiated by quarks from those by gluons. The GGC is compared against using the autoencoder as a standalone preprocessing step and against a baseline classical GNN classifier. Our numerical results demonstrate that GGC outperforms both alternatives, while also facilitating the testing of novel QGNN ansatzes on realistic datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google