MMSep, 2023

深度量子图探索：解读神经网络对量子实验的洞察

PDF
TL;DR使用可解释性人工智能技术（XAI）的深度学习神经网络，通过训练神经网络来研究量子光学实验的学习特性，发现在网络的不同层次中能够识别出简单和复杂的量子结构，甚至量子纠缠。这种方法可应用于发展基于人工智能的量子物理学科学发现技术，并提供更可解释的方式。
neural networksexplainable-aiquantum optics experimentsdeep learningquantum entanglement
发现论文，激发创造
  • 量子神经网络的解释性与不可解释性

    人工智能（AI）方法的可解释性，尤其是深度神经网络的可解释性，引起了广泛关注，因为 AI 支持的系统往往具有无法解释的行为。本文探讨了量子神经网络的可解释性，并使用量子和经典神经网络的本地模型无关解释性度量方法。我们引入了 “不可解释性带” 的概念，表示数据样本在该区域没有解释，很可能成为量子随机测量的受害者。我们将此视为向理解如何构建负责任和可追溯的量子 AI 模型迈出的一步。

    Aug, 2023

  • 使用深度神经网络学习量子系统的潜力

    本论文探讨通过无监督学习将量子系统的哈密顿量近似重构，以实现神经网络对量子现象的认识及理解。

    Jun, 2020

  • 量子深度梦境：一种新颖的量子电路设计方法

    本文提出了量子深度梦想算法（Quantum Deep Dreaming，QDD），通过在经过训练的神经网络上采用 “深度梦想” 技术，可以为指定目标生成最优的量子电路体系结构，例如准备基态，同时提供有关电路设计过程的见解。

    Nov, 2022

  • 使用多任务神经网络学习和发现量子特性

    采用深度神经网络可以同时预测量子态的多个特性，并可通过局部测量来推断多体量子系统的全局特性，用于识别对称保护拓扑态和发现不同相之间的未知边界。

    Oct, 2023

  • 深度学习与量子纠缠：基础联系及其对网络设计的影响

    本研究探讨深度卷积网络的归纳偏差，建立了量子物理和深度学习之间的基本联系，通过量子纠缠测量深度网络表达输入相关结构的能力，探索了 ConvAC（深度卷积算术电路）的新理论观察，提出了通过深层卷积网络的通道数直接控制归纳偏差的方法。

    Apr, 2017

  • 利用语言模型进行元设计量子实验

    人工智能的代码生成语言模型在量子物理实验领域发现了新的设计规则，为机器辅助科学理解提供了重要的工具。

    Jun, 2024

  • 使用循环神经网络从物理观测重构超导量子比特的量子动力学

    本文研究了基于神经网络的方法，能够预测量子系统的演化轨迹，同时提取系统哈密顿量，测量算符和物理参数。该方法可用于噪声表征，参数估计，反馈和优化量子控制。

    Nov, 2018

  • 利用量子计算推断生物和人工神经网络的动态行为

    利用 Grover 和 Deutsch-Josza 两个基础量子算法，研究如何通过输出测量来推断在一定时间内，简单的神经网络（适用于生物和人工网络）是否会继续支持动态活动，或者其动态是否会停止。

    Mar, 2024

  • 深度神经网络的理解、可视化和解释调查

    该篇论文综述了深度神经网络在机器学习中的应用，针对一些需要保证安全性的决策（如控制系统和医疗应用），介绍了当前解释性人工智能（XAI）领域的研究，探究和解释 DNNs 内部和整体行为的方法。

    Feb, 2021

  • 深度张量神经网络从量子化学角度的洞见

    本文提出了一种基于深度张量神经网络（DTNN）的方法，可以实现空间和化学分辨率高的分子系统在量子力学观测量方面的分析，此方法可以用于预测分子的原子能和局部化学势，同位素能和分子的电子结构，为揭示复杂的量子化学体系提供了新的突破。

    Sep, 2016