量子前哨重磅推出独家专题《量子科学家人》，我们将遍访全球量子计算相关领域位优秀科学家，多角度、多维度、多层面讲述该领域的最前沿科学故事，为读者解析科学洞见：量子科技前沿的最新观察与行业评析。
全文共字，阅读时间大约需要10分钟。
早在90年代，量子神经网络就提出来了。
将“量子”与“神经计算”相结合是美国路易斯安那（Louisiana)州立大学SubhashKak教授的创举，他在年发表的《OnQuantumNeuralComputing》一文中首次提出量子神经计算的概念，由此开创了该领域的先河。同年英国Sussex大学的RonChrisley提出了量子学习（QuantumLearning）的概念，并给出非叠加态的量子神经网络模型和相应的学习算法。
与经典图神经网络相比，量子图神经网络（QGNN）具有更快的计算速度、指数级的记忆容量、更小的网络规模、可消除灾变性失忆现象等优势，因此非常适合于未来面对海量图数据、复杂计算要求等任务中。
北京航空航天大学教授高庆博士告诉量子前哨：“工业互联网就是一个典型具有巨大规模与复杂拓扑结构的网络，在未来，利用量子图神经网络将有望对其百亿个数据节点进行深层挖掘。即使在目前有限的量子计算资源下，量子图神经网络仍然可以在电网、社交网络、生物制药等复杂计算场景找到应用落地点。”
北京航空航天大学教授高庆博士
目前，高庆博士带领的课题团队主要从事面向真实量子计算平台的量子卷积神经网络方向的研究工作，目前的研究工作主要面向以量子超导电路为代表的量子计算平台。
高庆博士在研究中发现，超导量子电路的架构类似传统电路，也是采用多个级联门电路实现计算功能。这一技术架构有着易于理解与拓展设计的显著优势，但是当处理图层级任务时，甚至是在图数据规模并不怎么大但是拓扑结构复杂时，需要耗费相当数量的量子比特去编码图数据的拓扑信息。这一做法对量子比特的浪费相当显著。
鉴于量子计算平台的现状，这很奢侈。幸运的是，对相干伊辛机（CoherentIsingMachine，CIM）来说，这一问题可迎刃而解。
相干伊辛机,一种采用光量子的耗散式架构的量子计算机。与超导、离子阱等使用逻辑门计算架构的其他技术路线相比，采用量子失谐而不是量子纠缠作为计算资源，更加类似于人脑神经突触的工作模式，天然更适合于形成超大规模的量子图神经网络，对环境噪声和错误有很强的抵抗力。
高庆博士告诉量子前哨，“相干伊辛机是一个天然的图结构，在构建图卷积神经网络时，将不再需要额外的量子比特去进行图形编码，这会省去很多不必要的工作。”
量子图卷积神经网络的优势与挑战
早在年，图像识别技术就已经发展的非常成熟，识别度已经从99.9%提升至99.99%。但面对某些客户需求时，仅靠像识别技术来处理海量数据远远不够。
高庆博士举了一个例子，一个男子在打高尔夫球的画面，当一个物体在镜头前飞速前行时会很模糊，无法确定它到底是什么，如果仅用固定模式方案去识别判定，误码率就会比较高，但将其作为图中的某个元素去推断，看到男子打杆的动作以及环境识别等，就能确定飞过来的是球。显然，图像中的元素之间具有关联性，这就很容易判定，所以这种“关联性”非常重要。
高庆博士讲道：“在未来人工智能领域里，面对数据处理时，一定会用到大量冗余的计算，如果不加入‘关联性’，可能还需要其他大量数据去学习。图神经网络是目前AI领域的一个研究热点，而量子图神经网络的研究尚是一片蓝海。我们课题组在这一方向做了一些国际上比较早的初步工作，但是限于目前的量子计算平台，我们在高效经济编码问题上遇到了很大的困难。CIM天然图结构的性质无疑给我们提供了一条重要的思路。”
高庆博士曾在普林斯顿大学化学系访学，其导师从事研究过量子化学方向，课题团队曾专注于生物制药分析，所以高庆博士一直对这一方向较为