香港理工大學研究團隊今日宣布在人工智能（AI）領域取得重大突破，成功研發出一種新型的圖神經網絡（GNN）模型——「霍奇-拉普拉斯異構圖注意力網絡（HL-HGAT）」。這項新技術革新了圖結構數據的複雜關係建模，有效解決了傳統 GNN 難以捕捉高階群體互動的痛點，並已在神經科學、物流及電腦視覺等多個跨學科領域展現出卓越的應用價值。
傳統的 GNN 模型主要處理數據中「點對點」的成對關係（如 A 連接 B），往往忽略了更複雜的高階連結（如 A、B、C 三者的群體互動）。由理大醫療科技及資訊學系仇安琪教授帶領的團隊，引入了高維幾何中的「k-單體」概念（即節點、邊、三角形等多層次結構），並利用霍奇-拉普拉斯（Hodge-Laplacian，HL）算子作為核心數學框架。這使得 HL-HGAT 能夠像理解單體複形一樣解釋圖形，從而精確捕捉節點、邊與高階結構之間的複雜關聯，甚至能將這些拓樸表徵擴展至時間領域，揭示動態的變化模態。
在實際應用方面，HL-HGAT 在醫療診斷上取得了顯著成果。團隊將其應用於功能性磁振造影（fMRI）數據分析，不僅能準確預測智力表現與大腦年齡，更在抑鬱症研究中發現了傳統方法無法察覺的細微變化——即預設模式網絡和邊緣系統中異常的「三方神經區域互動」。此外，該模型亦能檢測出阿茲海默症患者早期的皮質變薄與神經連接中斷，為早期診斷提供了強有力的技術支持。
除了醫療領域，HL-HGAT 在工業與化學領域同樣表現出色。在物流配送的經典難題「旅行商問題」中，該模型能有效規劃最短路線，協助企業節省成本；在化學領域，它能精準預測分子特性，加速新藥開發；在電腦視覺的 CIFAR-10 影像分類測試中，其表現更超越了傳統 GNN。相關研究成果已發表於國際權威期刊《IEEE 模式分析與機器智能學報》。
