論文の概要: Watching Quantum Models Think: Hilbert-Space Interpretability in Quantum Transformer Blocks
- arxiv url: http://arxiv.org/abs/2609.23016v1
- Date: Sat, 19 Sep 2026 13:34:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:00.648598
- Title: Watching Quantum Models Think: Hilbert-Space Interpretability in Quantum Transformer Blocks
- Title（参考訳）: 量子モデルを見る:量子変換器ブロックにおけるヒルベルト空間の解釈可能性
- Abstract要約: 量子力学の数学的構造を利用して、深層学習モデルを本質的に解釈可能とする。
量子計算の物理は、古典的直接計算を伴わない本質的な解釈可能性信号を提供できることを示す。
結果はIBM Quantumハードウェア上で検証される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning models are powerful but opaque. As quantum machine learning matures, the field faces a defining choice: build quantum models that are equally opaque, or exploit the mathematical structure of quantum mechanics to make them inherently interpretable. We show that the latter is possible. By tracking quantum mutual information~(MI), entanglement entropy, and state fidelity through the layers of a Quantum Transformer Block (\qtb{}), a fully-coherent variational circuit with quantum analogues of both attention and feedforward, we gain direct insight into how the model processes information: which tokens it attends to, when correlations form, and why predictions fail. On four tasks with known dependency structure we show that (i)~learned MI matrices align with ground-truth task structure (AUC$\,{=}\,0.69$ on lookup), (ii)~disabling entangling gates collapses accuracy from 100\% to 15\% while MI$\to 0$, proving entanglement is the mechanism, (iii)~accuracy and MI co-evolve during training ($ρ\,{=}\,0.92$ on lookup), and (iv)~per-sample MI predicts prediction correctness on the conditional task with ROC AUC$\,{=}\,0.84$. All results are validated on IBM Quantum hardware (ibm\_kingston, Heron~r2): the circuit's reasoning process, from product state through structured entanglement, is directly observable on a superconducting processor. These proof-of-concept results, obtained on small synthetic tasks, suggest that the physics of quantum computation can provide intrinsic interpretability signals with no direct classical counterpart, motivating study of whether this advantage persists at scale.
- Abstract（参考訳）: ディープラーニングモデルは強力だが不透明だ。
量子機械学習が成熟するにつれて、フィールドは決定的な選択に直面し、等しく不透明な量子モデルを構築したり、量子力学の数学的構造を利用して本質的に解釈することができる。
後者が可能であることを示す。
量子相互情報~(MI)、絡み合いエントロピー、状態の忠実さを量子トランスフォーマーブロック(\qtb{})の層を通して追跡することにより、注意とフィードフォワードの両方の量子アナログを持つ完全コヒーレントな変動回路が、モデルがどのように情報を処理するか、どのトークンが生成され、なぜ相関が形成されるのか、なぜ予測が失敗するのか、といった直接的な洞察を得る。
既知の依存構造を持つ4つのタスクについて、そのことを示す。
(i)~学習MI行列は、ルックアップにおいて、基底構造と整合する(AUC$\,{=}\,0.69$)。
(ii)–解離ゲートは100\%から15\%まで精度が低下する一方、MI$\to 0$は絡み合いを証明するメカニズムである。
(iii)トレーニング中のMIとMIの共進化(ルックアップでρ\,{=}\,0.92$)
(iv)~Sample MI は ROC AUC$\,{=}\,0.84$ で条件タスクの予測精度を予測する。
全ての結果はIBM Quantumハードウェア(ibm\_kingston, Heron~r2)上で検証される。
これらの概念実証結果は、量子計算の物理学が、直接古典的手法を使わずに本質的な解釈可能性信号を提供できることを示唆し、この利点が大規模に持続するかどうかを動機付けている。
関連論文リスト
- SpinGQE: A Generative Quantum Eigensolver for Spin Hamiltonians [42.007194397302825]
基底状態探索は量子コンピューティングの中心である。
我々は、生成量子固有ソルバフレームワークをスピンハミルトニアンに拡張したSpinGQEを提案する。
我々は、低エネルギー状態を生成する量子回路について学ぶために、トランスフォーマーベースのデコーダを用いる。
論文 参考訳（メタデータ） (2026-03-25T13:38:15Z) - Quantum simulation of massive Thirring and Gross--Neveu models for arbitrary number of flavors [40.72140849821964]
我々は、任意の数のフェルミオンフレーバーを持つ巨大なThiringとGross-Neveuモデルを、大きさ$L$の空間1次元格子上で離散化した$N_f$と考えている。
我々は、N_f = 1,2,3,4$の20キュービットまでのシステムサイズに優れた忠実度を持つ両モデルの基底状態を作成する。
我々の研究は、大規模なN_f$フェルミオン量子場理論モデルのリアルタイムダイナミクスの量子シミュレーションに向けた具体的なステップである。
論文 参考訳（メタデータ） (2026-02-25T19:00:01Z) - Quantum Machine Learning for Predicting Binding Free Energies in Structure-Based Virtual Screening [0.0]
分子情報を量子状態にエンコードする量子機械学習手法を導入する。
6つの量子回路ユニットを持つモデルでは、RMSDは2.37 kcal/mol、ピアソン相関は0.650である。
論文 参考訳（メタデータ） (2025-07-24T14:01:39Z) - Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか?
我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。
そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
論文 参考訳（メタデータ） (2024-08-22T08:21:28Z) - Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。
我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。
これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
論文 参考訳（メタデータ） (2023-06-29T18:00:01Z) - Quantum neural networks [0.0]
この論文は、過去数十年で最もエキサイティングな研究分野である量子コンピューティングと機械学習を組み合わせたものだ。
本稿では、汎用量子計算が可能で、トレーニング中にメモリ要求の少ない散逸型量子ニューラルネットワーク(DQNN)を紹介する。
論文 参考訳（メタデータ） (2022-05-17T07:47:00Z) - Quantum kernels to learn the phases of quantum matter [0.0]
カーネルは自然にエンフィダリティと関係しているため、量子情報ツールの助けを借りて学習プロセスを解釈することが可能である。
小型システムでは, 臨界から遠ざかっても, アルゴリズムが正確な結果が得られることを示す。
量子プロセッサにおける物質相を分類するために, サイト毎の忠実度に基づくアルゴリズムと, サイト毎の忠実度に基づくアルゴリズムを2つ提案する。
論文 参考訳（メタデータ） (2021-09-06T18:11:05Z) - Information Scrambling in Computationally Complex Quantum Circuits [56.22772134614514]
53量子ビット量子プロセッサにおける量子スクランブルのダイナミクスを実験的に検討する。
演算子の拡散は効率的な古典的モデルによって捉えられるが、演算子の絡み合いは指数関数的にスケールされた計算資源を必要とする。
論文 参考訳（メタデータ） (2021-01-21T22:18:49Z) - Probing the Universality of Topological Defect Formation in a Quantum
Annealer: Kibble-Zurek Mechanism and Beyond [46.39654665163597]
一次元横フィールドイジングモデルによるトポロジカル欠陥生成の実験的検討について報告する。
位相フリップ誤差を伴う開系量子力学のKZMにより量子シミュレータの結果を実際に説明できることが判明した。
これは、環境からの孤立を仮定する一般化KZM理論の理論的予測が、その元のスコープを越えてオープンシステムに適用されることを意味する。
論文 参考訳（メタデータ） (2020-01-31T02:55:35Z)
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。