Quanten-GNN optimiert D2D-Powersteuerung – weniger Parameter, mehr Parallelität

In einer neuen Veröffentlichung auf arXiv (2511.15246v1) stellen Forscher ein vollständig quantenbasiertes Graph Neural Network (QGNN) vor, das die klassische Graphverarbeitung für die Power‑Allocation in Device‑to‑Device (D2D)-Netzwerken ersetzt. Durch die Nutzung von Parameterized Quantum Circuits (PQCs) werden Nachrichten zwischen Knoten in einem Netzwerk in Quantenzustände kodiert, verarbeitet und anschließend mittels Messung in klassische Embeddings zurückverwandelt.

Die Kernkomponente, die Quantum Graph Convolutional Layer (QGCL), nutzt NISQ‑kompatible Unitäroperationen, um die Rechenlast zu reduzieren und gleichzeitig die Parallelität zu erhöhen. Im Vergleich zu herkömmlichen GNNs erreicht das QGNN dieselbe Leistung bei der Maximierung des Signal‑zu‑Interferenz‑Rausch‑Verhältnisses (SINR), jedoch mit deutlich weniger Parametern.

Diese Entwicklung markiert einen wichtigen Schritt in Richtung quantenbeschleunigter Optimierung von drahtlosen Netzwerken. Durch die Kombination von Quantencomputing und Graph Learning können künftig komplexere Netzwerke effizienter verwaltet werden, ohne die Rechenkosten exponentiell zu steigern.