グラフニューラルネットワーク（GNN）は、ニューラルアルゴリズム的推論において顕著な成果を上げている。多くの従来のアルゴリズムは、データ構造として明示的なメモリを活用している。しかし、GNNに外部メモリを統合する試みは限定的であった。本論文では、アルゴリズム的優先度キュー（priority queue）の微分可能アナログとして、Neural Priority Queues（ニューラル優先度キュー）を提案する。我々は、メモリモジュールに求められる望ましい特性（desiderata）を提示・説明し、Neural PQがその特性を満たすことを示すとともに、アルゴリズム的推論との連携における有効性を議論する。この有効性は、CLRS-30データセットにおける実証結果によってさらに裏付けられている。さらに、Long-Range Graph Benchmarkから得られたデータセット上での実験により、Neural PQが長距離相互作用を効果的に捉える有用性が実証された。