QIXAI：一种量子启发的框架用于增强经典和量子模型的透明度与理解

深度学习模型（特别是卷积神经网络 (CNN)）的卓越性能往往受到其缺乏可解释性的限制，使其成为黑盒子。这一不透明性在医疗、金融和自主系统等关键领域引发关切，其中信任和责任感至关重要。本文引入 QIXAI 框架 (Quantum-Inspired Explainable AI)，一种新方法，通过量子启发技术增强神经网络可解释性。通过利用来自量子力学原理的 Hilbert 空间、叠加、纠缠和特征值分解，QIXAI 框架揭示了不同神经网络层如何处理和组合特征以做出决策。我们批判性地评估了模型无关方法如 SHAP 和 LIME，以及诸如 Layer-wise Relevance Propagation (LRP) 等技术，指出其在提供神经网络操作综合视图方面的局限性。QIXAI 框架通过提供对特征重要性、跨层依赖关系和信息传播的更深入见解来克服这些局限性。以一种用于脑蚕虫检测的 CNN 作为案例研究，演示如何使用奇异值分解 (SVD)、主成分分析 (PCA) 和互信息 (MI) 等量子启发方法提供对模型行为的可解释解释。此外，我们探索了将 QIXAI 扩展到其他架构（包括循环神经网络 (RNN)、长短期记忆 (LSTM) 网络、Transformer 和自然语言处理 (NLP) 模型）以及其对生成模型和时间序列分析的应用。该框架适用于量子和经典系统，展示了其提升可解释性和透明度的潜力，推动了开发可信赖 AI 系统的更广泛目标。