摘要
網路關鍵節點識別是網路科學的一個基本問題。本研究提出了一種量子深度強化學習（QDRL）框架，該框架將強化學習與變分量子圖神經網路相結合，有效識別分佈式影響節點，同時保留網路的基本拓撲特性。透過利用量子計算原理，與傳統神經網路相比，我們的方法旨在減少模型參數和計算複雜度。在小型網路上訓練，它在不同的場景中表現出很強的泛化能力。我們將該演算法與一些經典的節點排序和網路拆解演算法在各種綜合網路和經驗網路上進行了比較。結果顯示，該演算法優於現有的基準方法。此外，在基於Erdős-Rényi和Watts-Strogatz模型的合成網路中，QDRL證明它能夠降低網路資訊傳播和節點影響力排序中的局部性問題。我們的研究為使用量子機器學習解決複雜網路中的基本問題提供了見解，展示了量子方法在網路分析任務中的潛力。
關鍵詞：量子深度強化學習（QDRL）、複雜網路、關鍵節點識別、變分量子電路（VQC）、網路拆解
論文題目：Finding Key Nodes in Complex Networks Through Quantum Deep Reinforcement Learning
發表時間：2025年4月3日
論文地址：https://www.mdpi.com/1099-4300/27/4/382
發表期刊：Entropy
複雜網路是描述現實世界系統（如社交網路、交通網路、蛋白質相互作用）的重要工具，而識別其中的關鍵節點對理解網路魯棒性、資訊傳播效率等至關重要。傳統方法依賴度中心性、介數中心性等指標，但面臨高計算複雜度或局部性偏差的局限。隨著量子計算的發展，研究者開始探索其解決組合最佳化問題的潛力。近期發表於Entropy的一篇文章，提出了一種量子深度強化學習框架（QDRL），將變分量子圖神經網路與深度Q學習結合，透過量子計算的疊加與糾纏特性，高效識別分散式關鍵節點，同時降低模型參數規模。這一方法在小規模網路訓練後，展現了強大的跨場景泛化能力，並在合成與真實網路中超越經典演算法。
量子深度強化學習的框架設計
QDRL的核心由編碼器（Encoder）和解碼器（Decoder）組成。編碼器透過量子圖卷積網路（Quantum GraphSage）將網路拓撲映射到量子態：每個節點及其鄰居的拓撲特徵（如度中心性、聚類係數）被編碼為量子旋轉門參數，並透過糾纏門（CNOT）聚合鄰域資訊。這一過程保留了網路全域結構，生成的量子態作為解碼器的輸入。解碼器採用變分量子電路（VQC）近似Q函數，並將處理後的量子態表示映射為節點重要性排序向量。透過多組參數化旋轉門與糾纏操作，學習節點移除對網路連通性的長期影響。訓練中引入雙Q網路（DDQN）和經驗回放機制，以量子測量的期望值作為Q值，指導智能體選擇最大化累積獎勵（即最小化網路連通性）的節點移除策略。
圖 1. QDRL模型整體框架圖
實驗結果：效率與效能的雙重提升
在美國航空網路（USAir）、大學足球聯賽網路（Football）等真實資料集上，QDRL的拆解效率（以累積網路連通性ANC為指標）與經典方法（PageRank、介數中心性）相當，但參數量僅為傳統神經網路的線性規模。考量到訓練過程中使用的量子位元數量有限，QDRL的資訊聚合能力在應用於較小規模的網路時達到了最佳狀態。
圖 2. 不同方法在真實網路上的拆解效能。x軸表示被移除節點的比例。（a-c）中，y軸表示節點移除後的ANC值，（d-f）中，y軸表示GCC （giant connected component）的大小。
此外，QDRL在訓練階段僅需數百個量子線路參數，且在小規模合成網路（30-50節點）訓練後，可直接泛化至數百節點的真實網路，無需微調。這種「小樣本學習」能力為未來量子-經典混合架構的大規模應用提供了可能。
突破局部性：量子優勢的直觀體現
進一步，單獨對Football資料集進行了節點排名視覺化和相關性分析。下圖展示了基於所有節點排名計算得到的成對皮爾遜相關係數，該指標為不同節點排序方法之間的一致性提供了定量評估。可以看出傳統方法傾向於選擇高度連接的「富人俱樂部」節點，而QDRL識別出分佈更均勻的關鍵節點。
圖 3. 六種方法下的節點排名的視覺化和相關性分析，以Football網路為例。
未來展望：量子計算與網路科學的交叉點
儘管當前量子硬體限制使QDRL暫無法處理超大規模網路，但其框架驗證了量子演算法在複雜網路分析中的可行性。隨著量子位元數量的增長和糾錯技術的進步，QDRL有望在社交網路影響力最大化、基礎設施抗毀性最佳化等領域展現更大潛力。這項研究不僅為關鍵節點識別提供了新工具，更啟示了一條通向「量子網路科學」的道路——利用量子平行性重新定義我們對複雜系統的認知與操控。
彭晨 | 編譯
關於集智俱樂部
集智俱樂部成立於 2003 年，是一個從事學術研究、享受科學樂趣的探索者團體，也是國內最早研究人工智慧、複雜系統的科學社群。它倡導以平等開放的態度、科學實證的精神，進行跨學科的研究與交流，致力於搭建一個中國的「沒有圍牆的研究所」。集智科學研究中心（民間非營利企業）是集智俱樂部的營運主體，長期營運社群生態，催化理論創新。使命：營造跨學科探索小生境，催化複雜性科學新理論。
非平衡統計物理讀書會
2024年諾貝爾物理學獎授予人工神經網路，這是一場統計物理引發的機器學習革命。統計物理學不僅能解釋熱學現象，還能幫助我們理解從微觀粒子到宏觀宇宙的各個層級如何聯繫起來，複雜現象如何湧現。它透過研究大量粒子的集體行為，成功地將微觀世界的隨機性與宏觀世界的確定性聯繫起來，為我們理解自然界提供了強大的工具，也為機器學習和人工智慧領域的發展提供了重要推動力。
為了深入探索統計物理前沿進展，集智俱樂部聯合西湖大學理學院及交叉科學中心講座教授湯雷翰、紐約州立大學石溪分校化學和物理學系教授汪勁、德累斯頓系統生物學中心博士後研究員梁師翎、香港浸會大學物理系助理教授唐乾元，以及多位國內外知名學者共同發起「非平衡統計物理」讀書會。讀書會旨在探討統計物理學的最新理論突破，統計物理在複雜系統和生命科學中的應用，以及與機器學習等前沿領域的交叉研究。讀書會已完結，現在報名可加入社群並解鎖回放影片權限。
詳情請見：從熱力學、生命到人工智慧的統計物理之路：非平衡統計物理讀書會啟動！
推薦閱讀
1. Science Advances速遞：量子網路中非最短路徑的重要性
2. Nat. Commun.速遞：多任務神經網路預測多體量子態物理性質
3. PRL 速遞：高效通訊量子演算法用於分散式機器學習
4. 遊戲化科研——讓我們突破內捲、共研湧現
5. 探索者計畫 | 集智俱樂部2025內容團隊招募（全職&兼職）
6. 加入集智，玩轉複雜，共創斑圖！集智俱樂部線下志工招募
點擊「閱讀原文」，報名讀書會