論文の概要: Towards Explainable Quantum AI: Informing the Encoder Selection of Quantum Neural Networks via Visualization

• arxiv url: http://arxiv.org/abs/2512.14181v1
• Date: Tue, 16 Dec 2025 08:21:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.635721
• Title: Towards Explainable Quantum AI: Informing the Encoder Selection of Quantum Neural Networks via Visualization
• Title（参考訳）: 説明可能な量子AIに向けて:可視化による量子ニューラルネットワークのエンコーダ選択
• Authors: Shaolun Ruan, Feng Liang, Rohan Ramakrishna, Chao Ren, Rudai Yan, Qiang Guan, Jiannan Li, Yong Wang,
• Abstract要約: 量子ニューラルネットワーク(QNN)は、量子コンピューティングとニューラルネットワークアーキテクチャの有望な融合を表す。 QNNの重要なコンポーネントは、古典的な入力データを量子状態にマッピングするエンコーダである。 XQAI-Eyesは、QNN開発者が古典的なデータ機能と対応する量子状態を比較することができる新しい視覚化ツールである。
• 参考スコア（独自算出の注目度）: 13.887583052955277
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum Neural Networks (QNNs) represent a promising fusion of quantum computing and neural network architectures, offering speed-ups and efficient processing of high-dimensional, entangled data. A crucial component of QNNs is the encoder, which maps classical input data into quantum states. However, choosing suitable encoders remains a significant challenge, largely due to the lack of systematic guidance and the trial-and-error nature of current approaches. This process is further impeded by two key challenges: (1) the difficulty in evaluating encoded quantum states prior to training, and (2) the lack of intuitive methods for analyzing an encoder's ability to effectively distinguish data features. To address these issues, we introduce a novel visualization tool, XQAI-Eyes, which enables QNN developers to compare classical data features with their corresponding encoded quantum states and to examine the mixed quantum states across different classes. By bridging classical and quantum perspectives, XQAI-Eyes facilitates a deeper understanding of how encoders influence QNN performance. Evaluations across diverse datasets and encoder designs demonstrate XQAI-Eyes's potential to support the exploration of the relationship between encoder design and QNN effectiveness, offering a holistic and transparent approach to optimizing quantum encoders. Moreover, domain experts used XQAI-Eyes to derive two key practices for quantum encoder selection, grounded in the principles of pattern preservation and feature mapping.
• Abstract（参考訳）: 量子ニューラルネットワーク(QNN)は、量子コンピューティングとニューラルネットワークアーキテクチャの有望な融合であり、高次元の絡み合ったデータのスピードアップと効率的な処理を提供する。 QNNの重要なコンポーネントは、古典的な入力データを量子状態にマッピングするエンコーダである。 しかし、システマティックガイダンスの欠如や、現在のアプローチの試行錯誤性のため、適切なエンコーダを選択することは依然として大きな課題である。 このプロセスは、(1)訓練前に符号化された量子状態を評価することの難しさ、(2)データ特徴を効果的に識別するエンコーダの能力を分析するための直感的な方法の欠如の2つの主要な課題によってさらに阻害される。 これらの問題に対処するために、QNN開発者が古典的データ特徴と対応する符号化量子状態を比較し、異なるクラスにわたる混合量子状態を調べることができる新しい可視化ツールXQAI-Eyesを導入する。 古典的および量子的視点をブリッジすることで、XQAI-EyesはエンコーダがQNNのパフォーマンスにどのように影響するかをより深く理解する。 多様なデータセットやエンコーダ設計に対する評価は、XQAI-Eyesがエンコーダ設計とQNNの有効性の探索を支援する可能性を示し、量子エンコーダを最適化するための全体的かつ透明なアプローチを提供する。 さらに、ドメインの専門家はXQAI-Eyesを使用して、パターン保存と特徴マッピングの原則に基づく量子エンコーダ選択の2つの重要なプラクティスを導出した。

関連論文リスト

• Fidelity-Preserving Quantum Encoding for Quantum Neural Networks [2.9621136443259872]
  既存の符号化方式は、ノイズ中間スケール量子NISQデバイスの限られた量子ビットに高次元画像を適用する際に、空間情報や意味情報を破棄する。 本稿では、ほぼロスレスなデータ圧縮と量子符号化を行うフィデリティ保存量子保存フレームワークを提案する。 実験の結果、FPQEはMNISTのような単純なデータセットの従来の手法と相容れない性能を示し、より複雑なデータセットの明確な改善を実現している。
  論文  参考訳（メタデータ） (2025-11-19T11:44:39Z)
• QCircuitBench: A Large-Scale Dataset for Benchmarking Quantum Algorithm Design [63.02824918725805]
  量子コンピューティングは、量子アルゴリズムによる古典的コンピューティングよりも大幅にスピードアップされていることが認識されている。 QCircuitBenchは、量子アルゴリズムの設計と実装におけるAIの能力を評価するために設計された最初のベンチマークデータセットである。
  論文  参考訳（メタデータ） (2024-10-10T14:24:30Z)
• 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)
• Bridging Classical and Quantum Machine Learning: Knowledge Transfer From Classical to Quantum Neural Networks Using Knowledge Distillation [0.0]
  本稿では,古典的畳み込みニューラルネットワーク(CNN)から量子ニューラルネットワーク(QNN)へ知識を伝達するための新しい枠組みを提案する。 我々は、MNIST, Fashion MNIST, CIFAR10データセット上の4および8キュービットを持つ2つのパラメタライズド量子回路(PQC)を用いて、広範な実験を行う。 我々の結果は、古典的なディープラーニングと新しい量子コンピューティングをブリッジし、量子マシンインテリジェンスにおいてより強力でリソースを意識したモデルを構築するための、有望なパラダイムを確立します。
  論文  参考訳（メタデータ） (2023-11-23T05:06:43Z)
• Optical Quantum Sensing for Agnostic Environments via Deep Learning [59.088205627308]
  本稿では,革新的な深層学習に基づく量子センシング手法を提案する。 これにより、光学量子センサーは、非依存環境でハイゼンベルク限界(HL)に達することができる。 我々の発見は、光学量子センシングタスクを加速する新しいレンズを提供する。
  論文  参考訳（メタデータ） (2023-11-13T09:46:05Z)
• 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)
• Variational Quantum Neural Networks (VQNNS) in Image Classification [0.0]
  本稿では,量子最適化アルゴリズムを用いて量子ニューラルネットワーク(QNN)のトレーニングを行う方法について検討する。 本稿では、変分量子ニューラルネットワーク(VQNN)と呼ばれる入力層として、変分パラメータ化回路を組み込んだQNN構造を作成する。 VQNNは、MNIST桁認識(複雑でない)とクラック画像分類データセットで実験され、QNNよりも少ない時間で、適切なトレーニング精度で計算を収束させる。
  論文  参考訳（メタデータ） (2023-03-10T11:24:32Z)
• 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)
• QTN-VQC: An End-to-End Learning framework for Quantum Neural Networks [71.14713348443465]
  可変量子回路(VQC)上に量子埋め込みを行うためのトレーニング可能な量子テンソルネットワーク(QTN)を導入する。 QTNは、量子埋め込みの生成から出力測定まで、エンドツーエンドのパラメトリックモデルパイプライン、すなわちQTN-VQCを可能にする。 MNISTデータセットに対する我々の実験は、他の量子埋め込み手法に対する量子埋め込みに対するQTNの利点を実証している。
  論文  参考訳（メタデータ） (2021-10-06T14:44:51Z)
• Decentralizing Feature Extraction with Quantum Convolutional Neural Network for Automatic Speech Recognition [101.69873988328808]
  特徴抽出のための量子回路エンコーダからなる量子畳み込みニューラルネットワーク(QCNN)を構築した。 入力音声はまず、Mel-spectrogramを抽出するために量子コンピューティングサーバにアップストリームされる。 対応する畳み込み特徴は、ランダムパラメータを持つ量子回路アルゴリズムを用いて符号化される。 符号化された機能は、最終認識のためにローカルRNNモデルにダウンストリームされる。
  論文  参考訳（メタデータ） (2020-10-26T03:36:01Z)

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。