固有可解释性为量子机器学习提供固有价值

量子机器学习（QML）领域已发展到重视那些被认为最直接与经典机器学习中提供效用的模型（即大规模神经网络）相媲美的模型。尽管最近，经典机器学习在部署不可解释的神经网络于实际应用方面吸取了惨痛教训：模型可解释性对于领域适配的协同设计和人类采用至关重要。我们采纳这一更广泛的机器学习视角，论证量子机器学习模型的价值可以通过表征其固有可解释性——即其数学结构对特定机器学习任务所需模型行为的有意义贡献——来发现。为支持我们的观点，我们提供了一个激励性示例，即用量子傅里叶模型和随机傅里叶特征（RFF）作为逼近高斯过程（GP）核的方法，用于机器学习中的不确定性量化任务。这两种数学结构的自上而下和自下而上的互补性表明，量子傅里叶模型为原则性的GP核设计和基于真实世界数据的不确定性量化的可解释发现提供了不同于RFF的工具。为了展示量子信息工具所启用的丰富多样的归纳偏置，我们回顾了QML文献中的示例——包括对称性、度量几何和拓扑——这些可用于为特定任务设计固有可解释的机器学习模型。我们希望这一框架能鼓励QML社区将量子模型的固有组件和机制与任务性能分开评估，因为固有可解释性可能是量子模型（以及潜在的量子计算机）在实践中用于机器学习的理由。