論文の概要: A train--prune--readout--rewrite workflow for interpretable quantum learning

• arxiv url: http://arxiv.org/abs/2609.15139v1
• Date: Mon, 14 Sep 2026 07:12:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.128604
• Title: A train--prune--readout--rewrite workflow for interpretable quantum learning
• Title（参考訳）: 解釈可能な量子学習のためのトレイン-プルー-プルー-読み取り--書き換えワークフロー
• Abstract要約: AI for Scienceは、データから複雑な物理システムを予測するだけでなく、数学的構造や学習モデルから物理的にテスト可能な表現を抽出することを目的としている。 ここでは、3つの厳格な分析クレームから物理ドメイングラウンドを分離するトレイン-プルアウト-リードアウト-リライトワークフローが開発されている。 ワークフローは複雑に評価されたネットワークで実装され、明示的なエッジ関数により、保持された計算を解析的に読み取ることができる。
• 参考スコア（独自算出の注目度）: 5.641464469724376
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI for Science aims not only to predict complex physical systems from data, but also to extract mathematical structure and physically testable representations from learned models. Here, a train--prune--readout--rewrite workflow is developed that separates physical-domain grounding from three increasingly stringent analysis claims: algebraically equivalent readout of a trained predictor, compact teacher-faithful symbolic rewriting on the sampled physical domain, and transformation-based tests of learned internal representations. The workflow is implemented with complex-valued Kolmogorov--Arnold networks, whose explicit edge functions enable post-pruning analytic readout of the retained computation. In analytically controlled single-qubit tasks, rewriting recovered the quadratic structure of purity, whereas von Neumann entropy yielded only a domain-bounded symbolic surrogate; physics-aligned variable grouping preserved symbolic fidelity. For two-qubit entanglement-related tasks, shared learning exposed a common internal representation whose physical content was interrogated directly. Local-unitary transformations rejected a direct invariant-coordinate interpretation, while fixed-decoder transfer showed that the shared activation carries Pauli-correlation information in a transformation-consistent form. Task-related invariant spectral features were subsequently recovered through low-order nonlinear readouts. Separate predictive tests retained high accuracy for three-qubit classification and controlled ten-qubit purity regression with over one million complex inputs. These results establish an evidence-resolved framework for distinguishing physical grounding, readable computation, faithful symbolic compression and transformation-tested physical structure in constrained complex-valued scientific learning.
• Abstract（参考訳）: AI for Scienceは、データから複雑な物理システムを予測するだけでなく、数学的構造や学習モデルから物理的にテスト可能な表現を抽出することを目的としている。 ここでは、トレーニングされた予測器の代数的に等価な読み出し、サンプル化された物理ドメインのコンパクトな教師忠実な記号書き換え、学習された内部表現の変換に基づくテストという、3つの厳密な分析クレームから物理ドメイングラウンドを分離するトレイン-プルー-プルー-リードアウト-リライトワークフローが開発されている。 ワークフローは複雑に評価されたコルモゴロフ-アルノルドネットワークで実装され、明示的なエッジ関数により保持された計算を解析的に読み取ることができる。 解析的に制御された単一キュービットのタスクにおいて、書き換えは純粋性の二次構造を回復する一方、フォン・ノイマンエントロピーは領域有界な記号代用体(英語版)(ドメイン有界な記号代用体)のみを得る。 2ビットの絡み合いに関連するタスクに対して、共有学習は、物理コンテンツを直接尋問する共通の内部表現を明らかにする。 局所単位変換は直接不変コーディネート解釈を拒絶する一方、固定デコーダ変換は共有活性化がパウリ相関情報を変換一貫性のある形で持つことを示した。 タスク関連の不変スペクトル特徴はその後、低次非線形読み出しによって回収された。 別個の予測テストでは3ビット分類の精度が保たれ、100万以上の複雑な入力で10ビットの純度回帰が制御された。 これらの結果は、制約付き複素数値科学学習において、物理的基盤、可読性計算、忠実な記号圧縮、および変換テストされた物理的構造を識別するためのエビデンス解決の枠組みを確立する。

関連論文リスト

• Synthics: Synthetic Physics-like Datasets for Machine Learning [0.18275108630751835]
  与えられた方程式コーパスから物理方程式に構造的に類似した合成回帰データセットを生成する。 生成された方程式は、研究された8つの構造的特徴の全てでコーパスと一致する。 合成データピックを調整した勾配式回帰器は、実データでは20個中6個目だ。
  論文  参考訳（メタデータ） (2026-06-04T21:20:08Z)
• On the Mechanism and Dynamics of Modular Addition: Fourier Features, Lottery Ticket, and Grokking [49.1352577985191]
  本稿では,2層ニューラルネットワークがモジュール追加タスクを解くために,機能をどのように学習するかを包括的に分析する。 我々の研究は、学習したモデルの完全な機械論的解釈と、その訓練力学の理論的説明を提供する。
  論文  参考訳（メタデータ） (2026-02-18T20:25:13Z)
• The Kinetics of Reasoning: How Chain-of-Thought Shapes Learning in Transformers? [25.29458951592086]
  チェーン・オブ・シント(CoT)の監督はトランスフォーマーの性能を大幅に向上させることができる。 シンボリック推論タスクにおけるトランスフォーマーの事前学習により、これらの学習ダイナミクスをグラクキングのレンズを通して検討する。
  論文  参考訳（メタデータ） (2025-10-28T20:14:26Z)
• Provable In-Context Learning of Nonlinear Regression with Transformers [66.99048542127768]
  In-context Learning (ICL) は、パラメータを更新することなくタスク固有のプロンプトを使用して見えないタスクを実行する能力である。 最近の研究はICLの背後にあるトレーニングのダイナミクスを積極的に探求しており、その多くは比較的単純なタスクに重点を置いている。 本稿では、変換器が文脈内学習能力をいかに獲得するかを明らかにすることを目的として、より複雑な非線形回帰タスクについて検討する。
  論文  参考訳（メタデータ） (2025-07-28T00:09:28Z)
• Transformers Are Universally Consistent [14.904264782690639]
  ソフトマックスに基づく非線形アテンションを備えたトランスフォーマーは,最小二乗の回帰処理を行う場合,一様に整合性を示す。 我々は経験的誤差の上限を導出し、この条件下では$mathcalO(t-1/2d)$の証明可能な速度で減衰し、$t$は入力トークンの数を表し、$d$は埋め込み次元を表す。
  論文  参考訳（メタデータ） (2025-05-30T12:39:26Z)
• Unsupervised Representation Learning from Sparse Transformation Analysis [79.94858534887801]
  本稿では,潜在変数のスパース成分への変換を分解し,シーケンスデータから表現を学習することを提案する。 入力データは、まず潜伏活性化の分布として符号化され、その後確率フローモデルを用いて変換される。
  論文  参考訳（メタデータ） (2024-10-07T23:53:25Z)
• In-Context Convergence of Transformers [63.04956160537308]
  勾配降下法により訓練したソフトマックスアテンションを有する一層変圧器の学習力学について検討した。 不均衡な特徴を持つデータに対しては、学習力学が段階的に収束する過程をとることを示す。
  論文  参考訳（メタデータ） (2023-10-08T17:55:33Z)
• From Bricks to Bridges: Product of Invariances to Enhance Latent Space Communication [19.336940758147442]
  異なるニューラルネットワークによって学習された表現は、モデルが同様の誘導バイアスの下で訓練されたときに構造的類似性を隠蔽することが観察されている。 我々は,不変成分の積空間を潜在表現の上に構築し,その表現に不変量の集合を直接組み込む汎用的手法を導入する。 我々は,ゼロショット縫合設定において,一貫した遅延類似性および下流性能向上を観察し,分類および再構成タスクに対するソリューションの有効性を検証した。
  論文  参考訳（メタデータ） (2023-10-02T13:55:38Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)

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。