用量子图神经网络优化设备直连通信功率，提升效率且参数更少。
D2D Power Allocation via Quantum Graph Neural Network
- 用参数化量子电路实现图神经网络的消息传递机制
- 在设备直连场景下达到与经典方法相当的信号干扰比性能
- 适合对低参数量和并行计算有需求的无线资源优化任务
无线网络复杂度提升带来可扩展资源管理需求。经典图神经网络虽擅长图学习，但在大规模场景中计算成本高。我们提出一种全量子图神经网络（QGNN），通过参数化量子电路（PQC）实现消息传递。量子图卷积层（QGCL）将特征编码为量子态，使用适用于当前量子硬件（NISQ）的酉算子处理图结构，并通过测量提取嵌入表示。该方法应用于设备直连（D2D）通信中的功率控制以最大化信干噪比（SINR），在参数更少的情况下性能媲美经典模型，并具备天然并行性。这一基于端到端PQC的图神经网络，标志着向量子加速无线优化迈出关键一步。
原文摘要 · Abstract (English)
Increasing wireless network complexity demands scalable resource management. Classical GNNs excel at graph learning but incur high computational costs in large-scale settings. We present a fully quantum Graph Neural Network (QGNN) that implements message passing via Parameterized Quantum Circuits (PQCs). Our Quantum Graph Convolutional Layers (QGCLs) encode features into quantum states, process graphs with NISQ-compatible unitaries, and retrieve embeddings through measurement. Applied to D2D power control for SINR maximization, our QGNN matches classical performance with fewer parameters and inherent parallelism. This end-to-end PQC-based GNN marks a step toward quantum-accelerated wireless optimization.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。