IPQC：一种智能量子图卷积网络，用于绿色物联网中的拓扑数据处理

《IEEE Transactions on Green Communications and Networking》：IPQC: An Intelligent Quantum Graph Convolutional Network for Topological Data Processing on Green IoT

　　量子图神经网络在绿色物联网中的应用研究，提出智能参数化量子电路和残差注入优化，在Cora数据集上达到83.3%准确率且能耗更低。

　　

摘要：

在绿色物联网（Green IoT）应用中处理图结构数据需要同时关注分析精度和能源效率。尽管量子图神经网络（QGNNs）提供了一种有前景的计算范式，但它们所依赖的参数化量子电路（PQC）通常需要过高的计算深度且缺乏鲁棒性，这限制了其在资源受限环境中的应用。本文的核心问题是如何设计一种受量子启发的图卷积网络（GCN），使其在保持表达能力的同时，采用浅层、低能耗的电路设计，从而实现可持续的绿色物联网部署。我们的主要贡献有三个方面：首先，我们设计了智能参数化量子电路（IPQC），这是一种紧凑的、包含15个参数的双向控制量子卷积模块，它在提升表达能力的同时保持了参数效率和抗噪声能力；其次，基于该模块，我们开发了带有残差注入的量子图卷积网络（QGCN-RI），该网络通过两阶段归一化和幅度编码显著提高了优化稳定性；最后，我们在引用网络基准测试上进行了全面实验。实验结果表明，QGCN-RI的性能与GAT等传统模型相当，在Cora数据集上的准确率达到了83.3%。更重要的是，我们的定量分析表明，该模型的浅层电路设计使其能够在较低的能耗下实现这一竞争力强的准确率。通过证明紧凑型QGCN能够在降低资源消耗的情况下接近传统模型的性能，我们的工作验证了量子图学习在开发可持续且资源敏感的绿色物联网解决方案方面的可行性。