.png){kind=icon}
返回
Explaining quantum circuits with Shapley values: towards explainable quantum machine learning
.png){kind=icon}
OA
AI
DOI：10.1007/s42484-025-00254-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人工智能（AI）的方法，尤其是机器学习（ML）的方法，正变得越来越复杂，同时对社会生活的影响也日益加深。这促使可解释人工智能（XAI）成为一个重要的研究领域，它帮助人类更好地理解ML系统。与此同时，随着量子计算硬件的不断改进及其通过云服务日益增加的可及性，量子机器学习（QML）正崭露头角。QML实现了量子增强的ML，其中利用量子力学来促进ML任务，通常采用结合量子与经典资源的量子-经典混合算法形式。量子门构成了基于门的量子硬件的基本单元，并形成可用于量子计算的电路。对于QML应用，量子电路通常是参数化的，其参数通过经典方法进行优化，以使一个适当地定义的目标函数最小化。受XAI启发，我们提出了关于这些电路可解释性的问题，通过量化（一组）门对特定目标的重要性来实现。为此，我们应用了已确立的Shapley值概念。由此得到的归因可以解释为什么特定电路在给定任务中表现良好，从而加深对如何构建参数化（或变分）量子电路的理解，并普遍促进其可解释性。在模拟器以及两种超导量子硬件设备上的实验评估证明了所提出框架在分类、生成建模、转译和优化方面的优势。此外，我们的结果为特定门在流行的QML方法中的作用提供了一些见解。
Keyword:
Quantum machine learning
Explainable machine learning
Shapley values
期刊
Q
IF:
4.4
论文数:
453
被引数:
796
机构
引用论文
分享收藏From the Quantum Approximate Optimization Algorithm to a Quantum Alternating Operator Ansatz从量子近似优化算法到量子交替算子Ansatz.png)
Algorithms
OAAI
AlgorithmsIF0
OAAI分享收藏
查看更多内容