論文の概要: Explicability and Inexplicability in the Interpretation of Quantum
Neural Networks
- arxiv url: http://arxiv.org/abs/2308.11098v1
- Date: Tue, 22 Aug 2023 00:43:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-23 19:38:07.589580
- Title: Explicability and Inexplicability in the Interpretation of Quantum
Neural Networks
- Title(参考訳): 量子ニューラルネットワークの解釈における説明可能性と説明可能性
- Authors: Lirand\"e Pira, Chris Ferrie
- Abstract要約: AI手法の解釈可能性、特にディープニューラルネットワークは、AI支援システムの普及によって大きな関心を集めている。
本稿では,量子ニューラルネットワークと古典ニューラルネットワークの局所的モデルに依存しない解釈可能性尺度を用いて,量子ニューラルネットワークの解釈可能性について検討する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Interpretability of artificial intelligence (AI) methods, particularly deep
neural networks, is of great interest due to the widespread use of AI-backed
systems, which often have unexplainable behavior. The interpretability of such
models is a crucial component of building trusted systems. Many methods exist
to approach this problem, but they do not obviously generalize to the quantum
setting. Here we explore the interpretability of quantum neural networks using
local model-agnostic interpretability measures of quantum and classical neural
networks. We introduce the concept of the band of inexplicability, representing
the interpretable region in which data samples have no explanation, likely
victims of inherently random quantum measurements. We see this as a step toward
understanding how to build responsible and accountable quantum AI models.
- Abstract(参考訳): 人工知能(AI)手法の解釈可能性、特にディープニューラルネットワークは、しばしば説明不能な振る舞いを持つAI支援システムの普及によって大きな関心を集めている。
このようなモデルの解釈性は、信頼できるシステムを構築する上で重要な要素である。
この問題にアプローチするために多くの方法が存在するが、量子設定に明らかに一般化していない。
本稿では,量子ニューラルネットワークと古典ニューラルネットワークの局所的モデルに依存しない解釈可能性尺度を用いて,量子ニューラルネットワークの解釈可能性を検討する。
我々は、データサンプルが説明できない解釈可能な領域、おそらくは本質的にランダムな量子測定の犠牲者を表す、説明不能な帯域の概念を導入する。
これは、責任と説明責任を持つ量子AIモデルを構築する方法を理解するためのステップだと考えています。
関連論文リスト
- Entanglement transition in deep neural quantum states [0.0]
深部ニューラルネットワークにおける情報伝達が深部神経量子状態の物理的絡み合い特性にどのように影響するかを示す。
このブリッジにより、領域と体積法が絡み合った状態を表すために最適な神経量子状態ハイパーパラメーターレギュレーションを特定できる。
正確な量子状態表現のためのネットワーク構成の理解の進歩は、容積法則量子状態を扱う効果的な表現を開発するのに役立ちます。
論文 参考訳(メタデータ) (2023-12-19T08:40:23Z) - XpookyNet: Advancement in Quantum System Analysis through Convolutional
Neural Networks for Detection of Entanglement [0.0]
量子システムに適したカスタムディープ畳み込みニューラルネットワーク(CNN)モデルを導入する。
提案するCNNモデルであるXpookyNetは,複素数データを扱うという課題を効果的に克服する。
まず第一に、量子状態は完全かつ部分的に絡み合った状態を調べるためにより正確に分類されるべきである。
論文 参考訳(メタデータ) (2023-09-07T17:52:43Z) - ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。
ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。
量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
論文 参考訳(メタデータ) (2023-08-22T09:11:53Z) - Deep learning of many-body observables and quantum information
scrambling [0.0]
物理オブザーバブルの力学を学習する際のデータ駆動型ディープニューラルネットワークの能力が、量子情報のスクランブルとどのように相関するかを考察する。
ニューラルネットワークを用いて、モデルのパラメータからランダム量子回路における可観測物の進化へのマッピングを求める。
特定のタイプのリカレントニューラルネットワークは、局所的およびスクランブルされた状態の両方でトレーニングされたシステムサイズと時間ウィンドウ内での予測を一般化する上で非常に強力であることを示す。
論文 参考訳(メタデータ) (2023-02-09T13:14:10Z) - Towards Neural Variational Monte Carlo That Scales Linearly with System
Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。
量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。
ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文 参考訳(メタデータ) (2022-12-21T19:00:04Z) - An Invitation to Distributed Quantum Neural Networks [0.0]
分散量子ニューラルネットワークにおける技術の現状を概観する。
量子データセットの分布は、量子モデルの分布よりも古典的な分布と類似性があることが分かる。
論文 参考訳(メタデータ) (2022-11-14T00:27:01Z) - 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) - The Hintons in your Neural Network: a Quantum Field Theory View of Deep
Learning [84.33745072274942]
線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。
ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
論文 参考訳(メタデータ) (2021-03-08T17:24:29Z) - Learning Potentials of Quantum Systems using Deep Neural Networks [6.270305440413689]
NNは古典的なハミルトン力学を学ぶことができる。
NNは、量子現象に関する洞察を提供する手段として、観測を通して誘導バイアスを付与することができるか?
論文 参考訳(メタデータ) (2020-06-23T20:10:25Z) - Phase Detection with Neural Networks: Interpreting the Black Box [58.720142291102135]
ニューラルネットワーク(NN)は通常、予測の背後にある推論に対する洞察を妨げます。
本研究では,1次元拡張スピンレスFermi-Hubbardモデルの位相を半充足で予測するために,NNのブラックボックスをいかに影響関数が解き放つかを示す。
論文 参考訳(メタデータ) (2020-04-09T17:45:45Z) - Entanglement Classification via Neural Network Quantum States [58.720142291102135]
本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。
我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
論文 参考訳(メタデータ) (2019-12-31T07:40:23Z)
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。