摘要将升级欧洲核研究组织（CERN）的大型强生对撞机（LHC），以进一步提高粒子碰撞（发光度）的瞬时速率，并成为高光度LHC（HL-LHC）。这种发光度的增加将显着增加与检测器相互作用的颗粒数量。颗粒与检测器的相互作用称为“命中”。HL-LHC将产生更多的检测器命中，这将通过使用重建算法来确定这些命中的粒子轨迹构成组合挑战。这项工作探讨了将新颖的图神经网络模型转换的可能性，该模型可以最佳地考虑到跟踪探测器数据的稀疏性质及其复杂的几何形状，并将其带入混合量子古典图神经网络，该图从使用各种量子层中受益。我们表明，这种混合模型可以执行类似于经典方法。此外，我们还探索具有不同表达能力和纠缠能力的参数化量子电路（PQC），并比较其训练性能以量化预期收益。这些结果可用于构建未来的路线图，以进一步开发基于电路的混合量子古典图神经网络。