研究者は、解釈可能で効率的な量子風機械学習のためのテンソルネットワークを研究しています

「解釈可能で効率的な量子風機械学習のためのテンソルネットワークの研究者」

<img alt=”” src=”https://ai.miximages.com/www.marktechpost.com/wp-content/uploads/2023/11/Screenshot-2023-11-30-at-11.23.30-PM.png”/><img alt=”” src=”https://ai.miximages.com/www.marktechpost.com/wp-content/uploads/2023/11/Screenshot-2023-11-30-at-11.23.30-PM-150×150.png”/><p>コンピュータビジョン、NLP、およびその他のドメインでは、深層機械学習（ML）アプローチが深層ニューラルネットワーク（NN）に基づいて顕著な成功を収めています。しかし、解釈性vs効率の長年の問題はいくつかの厄介な障害を提起しています。深層MLアプローチの疑問、理解、および信頼性は、解釈性に依存し、多くの場合、結論の根源をつかむことができるかどうかの程度として説明されます。</p><p>ベイジアンネットワーク、ボルツマンマシン、およびその他の確率的MLモデルは、「白箱」と見なされます。なぜなら、それらは本質的に解釈可能であるからです。これらのモデルが解釈する方法の1つは、隠れた因果関係を明らかにするために確率的な推論を使用することです。これは統計的に人間の心が働く方法と一致します。遺憾ながら、最新の深層NNはこれらの確率的モデルをかなり上回っています。現在のMLモデルは、高い効率と解釈性を同時に達成することはできないようです。</p><p>量子および従来のコンピューティングの指数関数的な成長のおかげで、効率性vs解釈性のジレンマを解決する新しいツールが登場しました：テンソルネットワーク（TN）。複数のテンソルの総和はTNと呼ばれます。テンソルの緊縮方法は、ネットワーク構造で定義されます。</p><p>中国首都师范大学と中国科学院大学の新たな論文は、効率的かつ解釈可能な量子に触発されたML向けのTNにおけるエンカレッジングな展開を調査しました。”TN ML butterfly”は、MLのTNによる利点を列挙しています。量子理論の解釈可能性と量子手続きの効率性の2つの主要な領域で、量子に触発されたTNを使用したMLの利点は要約されます。量子理論（量子もつれ理論や統計）とTNを使用することで、クラシカル情報や統計的アプローチの説明を超えた解釈可能性の確率的なフレームワークを構築することができます。</p><p>逆に、量子に触発されたTN MLアプローチは、堅牢な量子力学的TNアルゴリズムと大幅に改良された量子コンピューティング技術のおかげで、クラシカルおよび量子コンピューティングプラットフォームの両方で効率的に動作することができます。特に、最近は生成予め学習されたトランスフォーマが注目されており、前例のない計算能力とモデルの複雑さの急増をもたらしています。これはTN MLにとってポテンシャルと課題を提供します。新たな人工知能（AI）である生成予め学習されたトランスフォーマに直面した場合、結果を解釈する能力は以前以上に重要になり、より効果的な調査、より安全な制御、およびより良い利用が可能になります。</p><p>研究者たちは、真の量子コンピューティング時代と現在のNISQ時代に入ると共に、TNが、理論、モデル、アルゴリズム、ソフトウェア、ハードウェア、およびアプリケーションを含む様々な観点から量子AIを研究するための主要な数学的ツールに急速になりつつあると考えています。</p><p>記事は最初に<a href=”https://www.voagi.com/ai-paper-introduces-codebook-features-for-neural-networks.html”>「解釈可能で効率的な量子に触発された機械学習のためのテンソルネットワークを研究する」</a>という記事で発表されました。</p><p>参考元：<a href=”/?s=MarkTechPost”>MarkTechPost</a>。</p>

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!