VQIL：用于图上扰动响应排序的可见量子干涉学习

arXiv:2610.13689v1 公告类型：新提交 摘要：学习局部扰动如何影响网络，对于识别哪些组件驱动或吸收系统响应至关重要。我们将这一问题表述为以种子节点为条件的响应排序：给定一个种子节点上的扰动，按响应强度对所有其他节点进行排序。当模型仅获得相互作用拓扑，而支配扰动传播的机制必须从数据中学习时，这项任务具有挑战性。我们提出 VQIL（Visible Quantum Interference Learning），一种用于以种子节点为条件进行排序的可训练 Szegedy 量子行走。边权重、连接相位以及各节点的相位旋转通过反向传播进行端到端优化，同时行走算符在整个训练过程中始终保持酉性。节点得分由量子行走振幅经过几何折扣的相干叠加得到，使量子干涉能够在最终的范数平方读出之前发生。由于每个学习参数都关联到一条具名边或一个具名节点，训练后的模型能够就各个图组件在传播机制中的作用提供可直接检验的假设。在六个输电网络的交流潮流扰动任务中，即使未向模型提供电气参数，VQIL 仍将 Spearman 秩相关系数从未训练行走的 0.147 提升至 0.831，并优于采用相同方式训练的随机游走模型。在以 Perturb-seq 为监督的五个蛋白质相互作用网络的基因扰动任务中，VQIL 将秩相关系数从 0.171 提升至 0.620，超越了表现最强的已训练经典基线模型和神经网络基线模型。这些结果表明，可训练的量子行走干涉为学习图上以种子节点为条件的响应排序提供了一种可扩展且可解释的归纳偏置。