論文の概要: Interpretable representation learning of quantum data enabled by probabilistic variational autoencoders

• arxiv url: http://arxiv.org/abs/2506.11982v2
• Date: Wed, 18 Jun 2025 14:06:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 13:10:45.351527
• Title: Interpretable representation learning of quantum data enabled by probabilistic variational autoencoders
• Title（参考訳）: 確率的変分オートエンコーダによる量子データの解釈可能な表現学習
• Authors: Paulin de Schoulepnikoff, Gorka Muñoz-Gil, Hendrik Poulsen Nautrup, Hans J. Briegel,
• Abstract要約: 変分オートエンコーダ(VAE)は、いくつかの入力データの隠れた物理的特徴を抽出する際の約束を示す。 VAEは、量子データを扱う際に固有のランダム性や複雑な相関を考慮しなければならない。 ここでは,2つの重要な修正により,VAEが物理的に意味のある潜在表現を学習できることを実証する。
• 参考スコア（独自算出の注目度）: 0.5999777817331317
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Interpretable machine learning is rapidly becoming a crucial tool for scientific discovery. Among existing approaches, variational autoencoders (VAEs) have shown promise in extracting the hidden physical features of some input data, with no supervision nor prior knowledge of the system at study. Yet, the ability of VAEs to create meaningful, interpretable representations relies on their accurate approximation of the underlying probability distribution of their input. When dealing with quantum data, VAEs must hence account for its intrinsic randomness and complex correlations. While VAEs have been previously applied to quantum data, they have often neglected its probabilistic nature, hindering the extraction of meaningful physical descriptors. Here, we demonstrate that two key modifications enable VAEs to learn physically meaningful latent representations: a decoder capable of faithfully reproduce quantum states and a probabilistic loss tailored to this task. Using benchmark quantum spin models, we identify regimes where standard methods fail while the representations learned by our approach remain meaningful and interpretable. Applied to experimental data from Rydberg atom arrays, the model autonomously uncovers the phase structure without access to prior labels, Hamiltonian details, or knowledge of relevant order parameters, highlighting its potential as an unsupervised and interpretable tool for the study of quantum systems.
• Abstract（参考訳）: 解釈可能な機械学習は、科学的な発見の重要なツールになりつつある。 既存の手法の中で、変分オートエンコーダ (VAE) は、いくつかの入力データの隠れた物理的特徴を、研究中のシステムの監督や事前の知識なしに抽出する可能性を示唆している。 しかし、VAEが意味のある解釈可能な表現を作成する能力は、その入力の基盤となる確率分布の正確な近似に依存する。 量子データを扱う場合、VAEはその固有のランダム性と複雑な相関を考慮しなければならない。 VAEは以前は量子データに適用されていたが、しばしば確率論的性質を無視し、意味のある物理的記述子の抽出を妨げる。 ここでは, 量子状態の忠実な再現が可能なデコーダと, このタスクに適した確率的損失の2つの重要な修正により, VAEが物理的に有意な潜在表現を学習できることを実証する。 ベンチマーク量子スピンモデルを用いて、我々のアプローチで学習した表現が意味を持ち、解釈可能なまま、標準手法が失敗する状況を特定する。 Rydberg atom arrays からの実験データに適用されたこのモデルは、事前のラベルやハミルトンの詳細、関連する順序パラメータの知識にアクセスできることなく、位相構造を自律的に発見し、量子システムの研究の教師なしで解釈可能なツールとしての可能性を強調している。

関連論文リスト

• I Predict Therefore I Am: Is Next Token Prediction Enough to Learn Human-Interpretable Concepts from Data? [76.15163242945813]
  大規模言語モデル (LLM) は、多くの人が知能の形式を示すと結論づけている。 本稿では,潜在離散変数として表現される人間解釈可能な概念に基づいてトークンを生成する新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-03-12T01:21:17Z)
• $ζ$-QVAE: A Quantum Variational Autoencoder utilizing Regularized Mixed-state Latent Representations [1.0687104237121408]
  量子コンピューティングにおける大きな課題は、量子ハードウェアリソースが不足しているため、大規模な実世界のデータセットに適用することである。 古典的VAEのすべての機能を含む完全量子フレームワークである$zeta$-QVAEを提示する。 我々の結果は、$zeta$-QVAEが潜在空間の容量をよりよく活用する表現を学習していることを示している。
  論文  参考訳（メタデータ） (2024-02-27T18:37:01Z)
• Gaussian Mixture Models for Affordance Learning using Bayesian Networks [50.18477618198277]
  Affordancesはアクション、オブジェクト、エフェクト間の関係の基本的な記述である。 本稿では,世界を探究し,その感覚経験から自律的にこれらの余裕を学習するエンボディエージェントの問題にアプローチする。
  論文  参考訳（メタデータ） (2024-02-08T22:05:45Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• IB-UQ: Information bottleneck based uncertainty quantification for neural function regression and neural operator learning [11.5992081385106]
  本稿では,科学的機械学習タスクのための情報ボトルネック(IB-UQ)による不確実性定量化のための新しいフレームワークを提案する。 我々は,入力データの信頼度に応じて,入力を潜在表現に符号化する信頼認識エンコーダによってボトルネックを埋め込む。 また,外挿不確かさの質を高めるために,データ拡張に基づく情報ボトルネック目標を提案する。
  論文  参考訳（メタデータ） (2023-02-07T05:56:42Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• Unsupervised Interpretable Learning of Phases From Many-Qubit Systems [2.4352963290061993]
  短距離多ビット系を理解するために,教師なしの機械学習技術を用いる方法を示す。 我々の研究は、教師なしの強い解釈性を目指して、ハイブリッドアルゴリズムを第一原理で適用するための扉を開く。
  論文  参考訳（メタデータ） (2022-08-18T14:35:28Z)
• Generative Quantum Machine Learning [0.0]
  この論文の目的は、新しい生成量子機械学習アルゴリズムを開発することである。 本稿では,パラメータ化量子回路で実現可能な量子生成逆数ネットワークと量子ボルツマンマシンの実装を紹介する。
  論文  参考訳（メタデータ） (2021-11-24T19:00:21Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• Tree tensor network classifiers for machine learning: from quantum-inspired to quantum-assisted [0.0]
  本稿では,データベクトルの長さが指数関数的に大きいヒルベルト空間において,多変量データを量子状態に符号化する量子支援機械学習(QAML)法について述べる。 本稿ではゲートベースの量子コンピューティングデバイスに実装可能なアプローチを提案する。
  論文  参考訳（メタデータ） (2021-04-06T02:31:48Z)

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。