一种针对三维图分类问题的量子群等变图神经网络

作     者：刘文杰 朱奕帆 吴青山 LIU Wenjie;ZHU Yifan;WU Qingshan

作者机构：南京信息工程大学软件学院南京210044 南京信息工程大学江苏省大气环境与装备技术协同创新中心南京210044 南京信息工程大学江苏省先进计算与智能服务工程研究中心南京210044 

出 版 物：《中国科学:物理学、力学、天文学》 (Scientia Sinica Physica,Mechanica & Astronomica)

年 卷 期：2025年第55卷第4期

页      面：108-115页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(编号:62071240) 科技创新2030—“量子通信与量子计算机”重大项目(编号:2021ZD0302901) 江苏省自然科学基金(编号:BK20231142)资助项目 

主　　题：等变图神经网络 三维图数据 E(3)等变群 排列等变 点云分类 三维模型分类 

摘      要：作为三维图数据的重要特征,等变性近年来一直受到研究者们的密切关注.研究者们通过设计针对不同等变性的量子门集来构建等变量子图神经网络,显著提升了图学习模型的性能.然而,三维图数据包含多种等变性,如旋转等变性、平移等变性、反射等变性和排列等变性等,使研究者们难以构建满足所有等变性的量子等变图神经网络.为了解决上述问题,本文设计了一种三维图节点相对坐标计算方法,并提出了一种新型的量子群等变图神经网络.在该网络中,我们构建了一个群等变编码模块以编码相对坐标,并用一个排列等变卷积模块来学习编码的几何信息,最后采用一个纠缠模块来聚合全局特征.ModelNet40数据集和ShapeNet数据集上的分类实验表明,所提模型表现优于QGCNN,sQCNN-3D和PI-QSVM,同时在训练参数更少的情况下,准确度接近Q3DGL.