QStruct：用于数据高效分子表示学习的量子电路结构先验

基于摘要分析。QStruct 面向标签稀缺及化学分布偏移下的分子性质预测，将几何 GNN 表示与浅层量子电路生成的特征融合，探索局部几何之外的结构先验；研究对象是分子表示学习，而非 EEG 或 BCI。 机制上，池化后的几何 GNN 嵌入用于设定有界旋转角，驱动一个八量子比特环形浅层电路。电路输出八个单量子比特 Z 期望值和七个相邻 ZZ 关联量，构成 15 维特征，再与图表示融合。电路通过精确经典态矢量计算求值，作者不主张量子优势。具体 GNN 架构、旋转角映射、融合方式、损失及训练流程尚未验证。 作者报告在 QM9、MD17、PCQM4Mv2 和 OC20 上的结果支持数据效率与外推能力，同时保持有竞争力的全数据准确性。在仅用 100 个 QM9 分子训练的设置下，作者报告 MAE 为 0.059，对照基线为 0.070–0.074；摘要未给出对应预测目标、单位及完整划分。在全数据 OC20 的 OOD-Adsorbate／OOD-Catalyst 设置下，作者报告误差分别由 0.58／0.62 降至 0.54／0.59，但摘要未明确误差指标、单位及具体对照模型，不能据此与其他协议直接比较。 作者报告受控消融更支持可学习电路特征，而非冻结电路或经典替代方案；覆盖率曲线仍显示校准差距。摘要另述不确定性排序、计算权衡及目标相关残差的描述性记录，但这些不构成独立验证的基准证据。复现需核对低标注抽样、数据划分、基线容量与计算预算、随机种子及统计信息。摘要提供匿名代码入口，其内容与可运行性尚未验证。材料未提供 EEG／BCI 验证，不能将分子任务中的收益直接解释为神经信号解码效果；相关工作尚未检索确认。