理大研發AI圖神經網絡革新跨學科應用

人工智能（AI）技術近年來在各領域的應用愈發廣泛，但其核心算法仍面臨許多挑戰。圖神經網絡（Graph Neural Network, GNN）雖然在社交網絡分析、推薦系統等場景中表現出色，但在處理高階數據關係時，往往只能捕捉簡單的成對關係，難以應對更複雜的交互模式。然而，這一技術瓶頸有望解決。香港理工大學（理大）的研究團隊近日發表了一項重要成果：一種名為「霍奇-拉普拉斯異構圖注意力網絡（Hodge-Laplacian Heterogeneous Graph Attention Network，HL-HGAT）」的新型AI模型，成功應對了這一挑戰，並為腦科學、物流、電腦視覺等多個領域帶來顯著進展。

該研究由理大醫療科技及資訊學系教授、傑出創科學人仇安琪教授率領的團隊完成。據仇教授介紹，HL-HGAT的核心創新是引入數學工具——霍奇-拉普拉斯算子，用以分析幾何與拓樸結構，捕捉數據中的高階關係。這意味著，HL-HGAT不僅能處理「A連接B」的簡單關係，還能分析「A、B、C三者如何協同作用」的群體動態。這種能力對於理解複雜系統至關重要，從而大幅提升AI處理複雜數據的能力。

這一技術突破的重要性顯而易見。在物流領域，HL-HGAT成功應對了經典的「旅行商問題」，協助企業規劃最短配送路線，從而大幅節省時間和成本。在醫療診斷方面，研究團隊將該模型應用於腦部掃描數據分析。結果顯示，抑鬱症患者的腦網絡中存在「三方神經區域互動」（即三個或更多腦區之間的協同作用）異常，這是傳統方法無法察覺的。此外，HL-HGAT還能在阿茲海默症早期檢測中識別皮質變薄與神經連接中斷的細微變化，為及早干預提供重要依據。

除了醫療與物流，HL-HGAT在電腦視覺和化學領域亦有出色表現。例如，在CIFAR-10影像分類測試中，該模型超越了傳統GNN，能夠更精準地捕捉影像細節。此外，在化學領域，HL-HGAT展現出預測分子特性的卓越能力，為新藥開發提供了有力支持。

仇教授表示：「HL-HGAT作為統一框架，已在多種應用場景中展現出跨學科的廣泛用途。無論是理論優化還是實際應用，該模型都能有效處理複雜任務。」這項研究成果已發表於國際頂尖期刊《IEEE 模式分析與機器智能學報》（IEEE Transactions on Pattern Analysis and Machine Intelligence），標誌著圖神經網絡技術的重要進展。

隨著AI技術的持續發展，HL-HGAT的出現為腦科學、物流、醫療等領域提供了更具針對性的解決方案，展現出廣泛的應用前景。憑藉其跨學科應用潛力與技術突破，HL-HGAT有望成為推動AI技術發展的重要引擎。

技術背景與未來展望

圖神經網絡（GNN）作為AI領域的新興技術，專注於處理圖結構數據，其應用範圍涵蓋社交網絡分析、推薦系統以及自然語言處理等。然而，傳統GNN的局限性使其難以處理高階的複雜連結。HL-HGAT的出現不僅彌補了這一缺陷，還進一步拓展了GNN的應用邊界。未來，這一技術有望在更多領域發揮作用。例如，在智慧城市的交通管理中，HL-HGAT可優化路網設計；而在教育科技中，它能分析學生的學習行為模式以提供個性化建議。