論文の概要: Deep Quantum Graph Dreaming: Deciphering Neural Network Insights into Quantum Experiments

• arxiv url: http://arxiv.org/abs/2309.07056v2
• Date: Wed, 4 Oct 2023 18:57:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-06 21:31:12.744052
• Title: Deep Quantum Graph Dreaming: Deciphering Neural Network Insights into Quantum Experiments
• Title（参考訳）: Deep Quantum Graph Dreaming: ニューラルネットワークの洞察を量子実験に解読する
• Authors: Tareq Jaouni, S\"oren Arlt, Carlos Ruiz-Gonzalez, Ebrahim Karimi, Xuemei Gu, Mario Krenn
• Abstract要約: ニューラルネットワークが量子光学実験で何を学ぶかを調べるために、$inception$または$deep$$dreaming$というテクニックを使用します。 私たちのストーリーは、量子システムの特性に関するディープニューラルネットワークのトレーニングから始まります。 ネットワークは、量子システムの特性の初期分布をシフトすることができ、ニューラルネットワークの学習戦略を概念化できる。
• 参考スコア（独自算出の注目度）: 0.5242869847419834
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite their promise to facilitate new scientific discoveries, the opaqueness of neural networks presents a challenge in interpreting the logic behind their findings. Here, we use a eXplainable-AI (XAI) technique called $inception$ or $deep$ $dreaming$, which has been invented in machine learning for computer vision. We use this technique to explore what neural networks learn about quantum optics experiments. Our story begins by training deep neural networks on the properties of quantum systems. Once trained, we "invert" the neural network -- effectively asking how it imagines a quantum system with a specific property, and how it would continuously modify the quantum system to change a property. We find that the network can shift the initial distribution of properties of the quantum system, and we can conceptualize the learned strategies of the neural network. Interestingly, we find that, in the first layers, the neural network identifies simple properties, while in the deeper ones, it can identify complex quantum structures and even quantum entanglement. This is in reminiscence of long-understood properties known in computer vision, which we now identify in a complex natural science task. Our approach could be useful in a more interpretable way to develop new advanced AI-based scientific discovery techniques in quantum physics.
• Abstract（参考訳）: 新たな科学的発見を促進するという彼らの約束にもかかわらず、ニューラルネットワークの不透明さは、彼らの発見の背後にある論理を解釈する上での課題である。 ここでは、コンピュータビジョンのための機械学習で発明された$inception$または$deep$$dreaming$と呼ばれるeXplainable-AI(XAI)技術を使用します。 この技術を使って、ニューラルネットワークが量子光学実験について何を学ぶかを調べる。 私たちのストーリーは、量子システムの特性に関するディープニューラルネットワークのトレーニングから始まります。 ニューラルネットワークは、特定の特性を持つ量子システムをどのように想像するか、そして、その特性を変更するために量子システムを継続的に修正するかを、効果的に問う。 ネットワークは量子システムの特性の初期分布をシフトすることができ、ニューラルネットワークの学習戦略を概念化することができる。 興味深いことに、第1層ではニューラルネットワークが単純な特性を識別する一方で、より深い層では複雑な量子構造や量子絡み合いを識別できる。 これはコンピュータビジョンで知られている長い誤解された特性を思い出させるもので、現在では複雑な自然科学のタスクで特定されている。 我々のアプローチは、量子物理学における新しい高度なAIベースの科学発見技術を開発するために、より解釈可能な方法で役立つかもしれない。

関連論文リスト

• CTRQNets & LQNets: Continuous Time Recurrent and Liquid Quantum Neural Networks [76.53016529061821]
  Liquid Quantum Neural Network (LQNet) とContinuous Time Recurrent Quantum Neural Network (CTRQNet) を開発した。 LQNetとCTRQNetは、バイナリ分類によってCIFAR 10で40%の精度向上を実現している。
  論文  参考訳（メタデータ） (2024-08-28T00:56:03Z)
• A Quick Introduction to Quantum Machine Learning for Non-Practitioners [0.0]
  この論文では、重ね合わせ、位相空間、絡み合いなど、基本的な量子力学の原理を取り上げている。 また、人工知能、勾配降下、バックプロパゲーションといった古典的なディープラーニングの概念もレビューしている。 量子ニューラルネットワークの潜在的な利点を例に挙げる。
  論文  参考訳（メタデータ） (2024-02-22T16:48:17Z)
• VIOLET: Visual Analytics for Explainable Quantum Neural Networks [6.3356849928129]
  VIOLETは、量子ニューラルネットワークの説明可能性を改善するための、新しいビジュアル分析手法である。 可視化ビューはAnsatz View, Feature View, Satellite chartの3つを開発した。 VOLETは2つのケーススタディと12のドメインエキスパートとの詳細なインタビューを通じて評価した。
  論文  参考訳（メタデータ） (2023-12-23T15:06:43Z)
• 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)
• On the Interpretability of Quantum Neural Networks [0.0]
  人工知能(AI)手法、特にディープニューラルネットワークの解釈可能性は非常に興味深い。 本稿では,古典的ニューラルネットワークによく用いられる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。 我々の説明の1つの特徴は、データサンプルが本質的にランダムな量子測定の対象であるランダムなラベルを与えられた領域の描写である。
  論文  参考訳（メタデータ） (2023-08-22T00:43:14Z)
• Quantum activation functions for quantum neural networks [0.0]
  情報を符号化する状態を測定することなく、必要な精度で解析関数を近似する方法を示す。 この結果は,ゲートモデル量子コンピュータのアーキテクチャにおける人工ニューラルネットワークの科学を再放送するものである。
  論文  参考訳（メタデータ） (2022-01-10T23:55:49Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• On quantum neural networks [91.3755431537592]
  量子ニューラルネットワークの概念は、その最も一般的な関数の観点から定義されるべきである。 我々の推論は、量子力学におけるファインマン経路積分定式化の利用に基づいている。
  論文  参考訳（メタデータ） (2021-04-12T18:30:30Z)
• 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)
• The power of quantum neural networks [3.327474729829121]
  しかし、短期的には、量子機械学習の利点はあまり明確ではない。 我々は、情報幾何学のツールを使用して、量子モデルと古典モデルの表現可能性の概念を定義します。 量子ニューラルネットワークは、同等の古典的ニューラルネットワークよりもはるかに優れた次元を達成可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-30T18:13:32Z)
• Quantum Deformed Neural Networks [83.71196337378022]
  我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。 入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
  論文  参考訳（メタデータ） (2020-10-21T09:46:12Z)

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。