論文の概要: VIOLET: Visual Analytics for Explainable Quantum Neural Networks
- arxiv url: http://arxiv.org/abs/2312.15276v1
- Date: Sat, 23 Dec 2023 15:06:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-27 18:51:53.582954
- Title: VIOLET: Visual Analytics for Explainable Quantum Neural Networks
- Title(参考訳): VIOLET: 説明可能な量子ニューラルネットワークのためのビジュアル分析
- Authors: Shaolun Ruan, Zhiding Liang, Qiang Guan, Paul Griffin, Xiaolin Wen,
Yanna Lin, Yong Wang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 6.3356849928129
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the rapid development of Quantum Machine Learning, quantum neural
networks (QNN) have experienced great advancement in the past few years,
harnessing the advantages of quantum computing to significantly speed up
classical machine learning tasks. Despite their increasing popularity, the
quantum neural network is quite counter-intuitive and difficult to understand,
due to their unique quantum-specific layers (e.g., data encoding and
measurement) in their architecture. It prevents QNN users and researchers from
effectively understanding its inner workings and exploring the model training
status. To fill the research gap, we propose VIOLET, a novel visual analytics
approach to improve the explainability of quantum neural networks. Guided by
the design requirements distilled from the interviews with domain experts and
the literature survey, we developed three visualization views: the Encoder View
unveils the process of converting classical input data into quantum states, the
Ansatz View reveals the temporal evolution of quantum states in the training
process, and the Feature View displays the features a QNN has learned after the
training process. Two novel visual designs, i.e., satellite chart and augmented
heatmap, are proposed to visually explain the variational parameters and
quantum circuit measurements respectively. We evaluate VIOLET through two case
studies and in-depth interviews with 12 domain experts. The results demonstrate
the effectiveness and usability of VIOLET in helping QNN users and developers
intuitively understand and explore quantum neural networks
- Abstract(参考訳): 量子機械学習の急速な発展に伴い、量子ニューラルネットワーク(QNN)はここ数年で大きな進歩を遂げ、古典的な機械学習タスクを大幅に高速化する量子コンピューティングの利点を活用している。
その人気は高まっているが、量子ニューラルネットワークは、そのアーキテクチャにおいてユニークな量子特異的層(例えば、データエンコーディングと測定)のため、非常に直観的かつ理解が難しい。
qnnのユーザや研究者がその内部動作を効果的に理解し、モデルのトレーニング状況を探求することを妨げる。
研究ギャップを埋めるために、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視覚分析手法VIOLETを提案する。
Encoder Viewは古典的な入力データを量子状態に変換するプロセスを明らかにし、Ansatz Viewはトレーニングプロセスにおける量子状態の時間的進化を明らかにし、Feature Viewはトレーニングプロセス後にQNNが学んだ特徴を表示する。
2つの新しいビジュアルデザイン、すなわち衛星チャートと拡張ヒートマップを提案し、それぞれ変動パラメータと量子回路の測定を視覚的に説明する。
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。
結果は、qnnユーザや開発者が量子ニューラルネットワークを直感的に理解し探索する上で、violetの有効性と使い勝手を示す。
関連論文リスト
- Deep Quantum Graph Dreaming: Deciphering Neural Network Insights into
Quantum Experiments [0.5242869847419834]
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。
論文 参考訳(メタデータ) (2023-09-13T16:13:54Z) - 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) - Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。
量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。
実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文 参考訳(メタデータ) (2023-04-04T12:47:35Z) - QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional
Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。
現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。
我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文 参考訳(メタデータ) (2022-11-09T21:43:16Z) - 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) - Quantum Neural Network Classifiers: A Tutorial [1.4567067583556714]
我々は、パラメータ化量子回路の形で量子ニューラルネットワークに焦点を当てる。
我々は主に、教師付き学習タスクのための量子ニューラルネットワークの異なる構造と符号化戦略について議論する。
Julia言語で記述された量子シミュレーションパッケージであるYoo.jlを使って、パフォーマンスをベンチマークする。
論文 参考訳(メタデータ) (2022-06-06T18:00:01Z) - 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) - Variational learning for quantum artificial neural networks [0.0]
まず、量子プロセッサ上での人工ニューロンとフィードフォワードニューラルネットワークの実装について、最近の一連の研究を概説する。
次に、変分アンサンプリングプロトコルに基づく効率的な個別量子ノードのオリジナル実現を提案する。
メモリ効率の高いフィードフォワードアーキテクチャとの完全な互換性を維持しながら、単一ニューロンの活性化確率を決定するのに必要な量子回路深さを効果的に削減する。
論文 参考訳(メタデータ) (2021-03-03T16:10:15Z) - Quantum neural networks with deep residual learning [29.929891641757273]
本稿では,深層残留学習(resqnn)を用いた新しい量子ニューラルネットワークを提案する。
ResQNNは未知のユニタリを学び、驚くべきパフォーマンスを得ることができます。
論文 参考訳(メタデータ) (2020-12-14T18:11:07Z) - 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) - Experimental Quantum Generative Adversarial Networks for Image
Generation [93.06926114985761]
超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。
我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
論文 参考訳(メタデータ) (2020-10-13T06:57:17Z)
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。