論文の概要: Explainable Quantum Machine Learning
- arxiv url: http://arxiv.org/abs/2301.09138v1
- Date: Sun, 22 Jan 2023 15:17:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-24 14:45:47.988270
- Title: Explainable Quantum Machine Learning
- Title(参考訳): 説明可能な量子機械学習
- Authors: Raoul Heese, Thore Gerlach, Sascha M\"ucke, Sabine M\"uller, Matthias
Jakobs, Nico Piatkowski
- Abstract要約: 人工知能(AI)や特に機械学習(ML)の手法は、これまで以上に複雑になってきている。
並行して、量子機械学習(QML)が登場し、量子コンピューティングハードウェアの改善が進行中である。
- 参考スコア(独自算出の注目度): 0.7046417074932257
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Methods of artificial intelligence (AI) and especially machine learning (ML)
have been growing ever more complex, and at the same time have more and more
impact on people's lives. This leads to explainable AI (XAI) manifesting itself
as an important research field that helps humans to better comprehend ML
systems. In parallel, quantum machine learning (QML) is emerging with the
ongoing improvement of quantum computing hardware combined with its increasing
availability via cloud services. QML enables quantum-enhanced ML in which
quantum mechanics is exploited to facilitate ML tasks, typically in form of
quantum-classical hybrid algorithms that combine quantum and classical
resources. Quantum gates constitute the building blocks of gate-based quantum
hardware and form circuits that can be used for quantum computations. For QML
applications, quantum circuits are typically parameterized and their parameters
are optimized classically such that a suitably defined objective function is
minimized. Inspired by XAI, we raise the question of explainability of such
circuits by quantifying the importance of (groups of) gates for specific goals.
To this end, we transfer and adapt the well-established concept of Shapley
values to the quantum realm. The resulting attributions can be interpreted as
explanations for why a specific circuit works well for a given task, improving
the understanding of how to construct parameterized (or variational) quantum
circuits, and fostering their human interpretability in general. An
experimental evaluation on simulators and two superconducting quantum hardware
devices demonstrates the benefits of the proposed framework for classification,
generative modeling, transpilation, and optimization. Furthermore, our results
shed some light on the role of specific gates in popular QML approaches.
- Abstract(参考訳): 人工知能(AI)や機械学習(ML)の手法はますます複雑化しており、同時に人々の生活にも影響を及ぼしている。
これにより、人間によるMLシステムの理解を深めるための重要な研究分野として、AI(XAI)が自己を示すようになる。
並行して、量子機械学習(QML)が登場し、量子コンピューティングハードウェアの改善とクラウドサービスによる可用性の向上が進行中である。
QMLは、量子力学を利用して、通常量子と古典のリソースを組み合わせた量子古典ハイブリッドアルゴリズムの形で、MLタスクを促進する量子強化MLを可能にする。
量子ゲートは、ゲートベースの量子ハードウェアと、量子計算に使用できるフォーム回路の構成要素を構成する。
QMLアプリケーションの場合、量子回路は通常パラメータ化され、そのパラメータは古典的に最適化され、適切に定義された目的関数が最小化される。
XAIに触発されて、特定の目標に対するゲートの重要性を定量化することで、そのような回路の説明可能性に関する疑問を提起する。
この目的のために、確立されたShapley値の概念を量子領域に転送し、適応する。
結果として生じる帰属は、特定の回路が与えられたタスクに対してうまく機能する理由の説明として解釈でき、パラメータ化された(あるいは変動的な)量子回路を構築する方法の理解を改善し、一般に人間の解釈可能性を高めることができる。
シミュレータと2つの超伝導量子ハードウェアデバイスに関する実験的評価は、分類、生成モデリング、トランスパイル、最適化のためのフレームワークの利点を示している。
さらに, この結果から, 一般的なQMLアプローチにおける特定のゲートの役割に光を当てた。
関連論文リスト
- QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳(メタデータ) (2024-01-10T22:33:00Z) - Quantum Machine Learning: from physics to software engineering [58.720142291102135]
古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。
量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
論文 参考訳(メタデータ) (2023-01-04T23:37:45Z) - Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。
機械学習の観点からQGLMの現状を概観する。
従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
論文 参考訳(メタデータ) (2022-06-07T07:32:57Z) - An Introduction to Quantum Machine Learning for Engineers [36.18344598412261]
量子機械学習は、ゲートベースの量子コンピュータをプログラムするための支配的なパラダイムとして登場しつつある。
この本は、確率と線形代数の背景を持つエンジニアの聴衆のために、量子機械学習の自己完結した紹介を提供する。
論文 参考訳(メタデータ) (2022-05-11T12:10:52Z) - Theory of Quantum Generative Learning Models with Maximum Mean
Discrepancy [67.02951777522547]
量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。
まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。
次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
論文 参考訳(メタデータ) (2022-05-10T08:05:59Z) - Optimal quantum kernels for small data classification [0.0]
本稿では,量子ゲートシーケンスをデータに適応させるベクトルマシンをサポートするために,量子カーネルを構築するアルゴリズムを示す。
少数のトレーニングポイントを持つ分類問題に対する結果の量子モデルの性能は、最適化された古典モデルよりも著しく高い。
論文 参考訳(メタデータ) (2022-03-25T18:26:44Z) - Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。
本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文 参考訳(メタデータ) (2021-05-30T12:19:27Z) - A semi-agnostic ansatz with variable structure for quantum machine
learning [0.9449650062296824]
量子機械学習(QML)のためのアンサーゼを構築するための可変構造アプローチを提案する。
我々のアプローチはVAnsと呼ばれ、最適化中に量子ゲートを拡大および(厳密には)除去するために一連のルールを適用します。
我々は、凝縮物質および量子化学応用のための変分量子固有解法にVAnを用いる。
論文 参考訳(メタデータ) (2021-03-11T14:58:40Z) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳(メタデータ) (2020-10-20T12:06:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。