Explainable Classification Techniques for Quantum Dot Device Measurements

要約

物理科学では、画像データの堅牢な特徴表現の必要性が高まっています。2 次元データの一般的な意味での画像取得は、現在、ここで検討する量子情報科学を含む多くの分野にわたって普及しています。
。
このような場合には従来の画像特徴が広く利用されていますが、その使用は急速に、高精度と引き換えに説明可能性を犠牲にするニューラル ネットワーク ベースの技術に取って代わられています。
このトレードオフを改善するために、説明可能な特徴をもたらす合成データベースの手法を提案します。
我々は、Explainable Boosting Machines (EBM) を使用して、この方法が精度を犠牲にすることなく優れた説明可能性を提供することを示します。
具体的には、現在の開発段階では人間の介入が必要な量子ドット調整の文脈において、この技術に有意義な利点があることを示します。

要約(オリジナル)

In the physical sciences, there is an increased need for robust feature representations of image data: image acquisition, in the generalized sense of two-dimensional data, is now widespread across a large number of fields, including quantum information science, which we consider here. While traditional image features are widely utilized in such cases, their use is rapidly being supplanted by Neural Network-based techniques that often sacrifice explainability in exchange for high accuracy. To ameliorate this trade-off, we propose a synthetic data-based technique that results in explainable features. We show, using Explainable Boosting Machines (EBMs), that this method offers superior explainability without sacrificing accuracy. Specifically, we show that there is a meaningful benefit to this technique in the context of quantum dot tuning, where human intervention is necessary at the current stage of development.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google