Towards interpretable quantum machine learning via single-photon quantum walks

要約

変分量子アルゴリズムは、古典的なニューラル ネットワークがパラメータ化された量子回路に置き換えられる、量子機械学習への有望なアプローチを表します。
ただし、どちらのアプローチにも、解釈可能性の欠如という明らかな制限があります。
ここでは、解釈可能な人工知能を目的とした強化学習モデルである射影シミュレーション (PS) を量子化する変分法を紹介します。
PS における意思決定は、エージェントの記憶を記述するグラフ上のランダム ウォークとしてモデル化されます。
量子化モデルを実装するために、変分アルゴリズムを介してトレーニングされた調整可能なマッハツェンダー干渉計の格子内の単一光子の量子ウォークを考慮します。
転移学習の例を使用して、量子化 PS モデルが量子干渉を利用して、古典的なモデルを超える能力を獲得できることを示します。
最後に、意思決定プロセスのトレーニングと追跡における量子干渉の役割について説明し、解釈可能な量子学習エージェントの実現への道を開きます。

要約(オリジナル)

Variational quantum algorithms represent a promising approach to quantum machine learning where classical neural networks are replaced by parametrized quantum circuits. However, both approaches suffer from a clear limitation, that is a lack of interpretability. Here, we present a variational method to quantize projective simulation (PS), a reinforcement learning model aimed at interpretable artificial intelligence. Decision making in PS is modeled as a random walk on a graph describing the agent’s memory. To implement the quantized model, we consider quantum walks of single photons in a lattice of tunable Mach-Zehnder interferometers trained via variational algorithms. Using an example from transfer learning, we show that the quantized PS model can exploit quantum interference to acquire capabilities beyond those of its classical counterpart. Finally, we discuss the role of quantum interference for training and tracing the decision making process, paving the way for realizations of interpretable quantum learning agents.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google