VIOLET：面向可解释量子神经网络的可视化分析
人机交互
2023-12-27 v1 量子物理
摘要
随着量子机器学习的快速发展，量子神经网络（QNN）在过去几年中取得了巨大进步，利用量子计算的优势显著加速了经典机器学习任务。尽管其日益流行，但由于其架构中独特的量子特定层（例如数据编码和测量），量子神经网络相当反直觉且难以理解。这阻碍了QNN用户和研究人员有效理解其内部工作机制并探索模型训练状态。为填补这一研究空白，我们提出了VIOLET，一种新颖的可视化分析方法，以提高量子神经网络的可解释性。在通过与领域专家访谈和文献调研提炼的设计需求指导下，我们开发了三个可视化视图：编码器视图揭示了将经典输入数据转换为量子态的过程，拟设视图揭示了训练过程中量子态的时间演化，特征视图显示了训练后QNN学习到的特征。提出了两种新颖的可视化设计，即卫星图和增强热力图，分别用于直观解释变分参数和量子电路测量。我们通过两个案例研究和与12位领域专家的深入访谈评估了VIOLET。结果证明了VIOLET在帮助QNN用户和开发者直观理解和探索量子神经网络方面的有效性和可用性。
引用
@article{arxiv.2312.15276,
title = {VIOLET: Visual Analytics for Explainable Quantum Neural Networks},
author = {Shaolun Ruan and Zhiding Liang and Qiang Guan and Paul Griffin and Xiaolin Wen and Yanna Lin and Yong Wang},
journal= {arXiv preprint arXiv:2312.15276},
year = {2023}
}