图神经网络（Graph Neural Networks, GNNs）在神经算法推理任务中已展现出显著成效。许多传统算法依赖于以数据结构形式存在的显式记忆机制，然而，将外部记忆机制引入GNNs的研究仍较为有限。本文提出了一种可微分的算法优先队列模拟——神经优先队列（Neural Priority Queues），用于增强GNN的计算能力。我们提出了记忆模块应满足的一组理想特性（desiderata），并证明神经优先队列能够满足这些特性，同时探讨了其在算法推理任务中的合理性与适用性。这一结论在CLRS-30数据集上的实验结果中得到了进一步验证。此外，我们在长程图基准（Long-Range Graph Benchmark）的实证数据上发现，神经优先队列在捕捉长距离图结构依赖关系方面具有显著优势。