Quantum Capsule Networks

要約

コネクショニズムとシンボリズムのパラダイムを取り入れたカプセル・ネットワークは、人工知能に新たな知見をもたらした。カプセル・ネットワークの構成要素であるカプセルは、ある実体のさまざまな特徴を符号化するためのベクトルで表現されたニューロン群である。情報はルーティングアルゴリズムによってカプセル層を通して階層的に抽出される。本稿では、量子カプセルネットワーク（QCapsNet）と効率的な量子ダイナミックルーティングアルゴリズムを紹介する。QCapsNetの性能を評価するために、手書き数字と対称性が保たれた位相の分類に関する大規模な数値シミュレーションを行い、QCapsNetが従来の量子分類器よりも高い精度を達成できることを示しました。さらに、出力されたカプセルの状態を解析し、特定の部分空間が入力データの人間にとって理解しやすい特徴に対応している可能性を見出し、このようなネットワークが説明可能であることを示しました。本研究は、量子機械学習における量子カプセルネットワークが、説明可能な量子人工知能に向けた貴重な指針になることを明らかにした。

要約(オリジナル)

Capsule networks, which incorporate the paradigms of connectionism and symbolism, have brought fresh insights into artificial intelligence. The capsule, as the building block of capsule networks, is a group of neurons represented by a vector to encode different features of an entity. The information is extracted hierarchically through capsule layers via routing algorithms. Here, we introduce a quantum capsule network (dubbed QCapsNet) together with an efficient quantum dynamic routing algorithm. To benchmark the performance of the QCapsNet, we carry out extensive numerical simulations on the classification of handwritten digits and symmetry-protected topological phases, and show that the QCapsNet can achieve an enhanced accuracy and outperform conventional quantum classifiers evidently. We further unpack the output capsule state and find that a particular subspace may correspond to a human-understandable feature of the input data, which indicates the potential explainability of such networks. Our work reveals an intriguing prospect of quantum capsule networks in quantum machine learning, which may provide a valuable guide towards explainable quantum artificial intelligence.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL