Uncertainty-aware quantum machine learning based on Dempster-Shafer theory
Dit artikel introduceert een op onzekerheid gebaseerd kwantumclassificatiekader gebaseerd op de Dempster-Shafer-theorie dat geparametriseerde kwantumcircuits in staat stelt om voorspellingsonzekerheid over verzamelingen van labels te leren en uit te drukken, wat een efficiënte aanpak biedt voor kwantum-Dempster-Shafer-fusie met beperkte middelen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteur. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de wereld van kunstmatige intelligentie is een model dat simpelweg de meeste tijd het juiste antwoord geeft, vaak niet genoeg. Stel je een zelfrijdende auto voor die een voetganger negen van de tien keer correct identificeert, maar de tiende keer een zeldzaam, ongebruikelijk obstakel niet herkent. Als het systeem niet kan aangeven dat het onzeker is, kunnen de gevolgen ernstig zijn. Dit is de uitdaging van onzekerheid: weten niet alleen wat een computer denkt, maar ook hoe zeker hij is van die gedachte. Terwijl traditionele machine learning manieren heeft ontwikkeld om deze twijfel te meten, heeft het opkomende veld van quantum machine learning zich grotendeels gericht op ruwe snelheid en nauwkeurigheid, waardoor de vraag naar betrouwbaarheid grotendeels onbeantwoord bleef. Onderzoekers vragen zich nu af hoe ze quantumcomputers kunnen bouwen die kunnen toegeven wanneer ze het antwoord niet weten, een capaciteit die essentieel is voor het inzetten van deze krachtige instrumenten in situaties met hoge belangen in de echte wereld.
Een team van onderzoekers heeft een belangrijke stap gezet naar het oplossen van dit probleem door quantumcircuits te leren onzekerheid uit te drukken met behulp van een wiskundig raamwerk genaamd de Dempster-Shafer-theorie. In tegen tegenstelling tot standaard waarschijnlijkheid, die een enkel percentage van de waarschijnlijkheid aan een specifieke uitkomst toekent, staat deze theorie een model toe om gewicht toe te kennen aan groepen mogelijkheden tegelijkertijd. Denk aan het verschil tussen zeggen: "Ik ben 90% zeker dat het een hond is" en zeggen: "Ik ben er zeker van dat het ofwel een hond of een wolf is, maar ik kan het niet onderscheiden." Dit onderscheid is cruciaal omdat het de onzekerheid veroorzaakt door een gebrek aan informatie scheidt van de onzekerheid die wordt veroorzaakt door de inherente ambiguïteit van de gegevens zelf. Door deze klassieke methode aan te passen voor quantumsystemen, creëerden de onderzoekers een nieuw type classifier dat niet alleen een enkele voorspelling geeft, maar eerder een gestructureerde kaart van wat het wel en wat het niet weet.
De kern van hun werk betreft een geparametriseerd quantumcircuit, een type quantumprogramma waarbij de instellingen tijdens de training kunnen worden aangepast. De onderzoekers ontwierpen een trainingsproces dat het circuit aanmoedigt om zijn "vertrouwen" te verdelen over verschillende sets labels, in plaats van het volledig op één specifiek antwoord te laten rusten. Wanneer het circuit een afbeelding krijgt, produceert het een quantumtoestand waarbij de waarschijnlijkheden van verschillende uitkomsten overeenkomen met deze vertrouwensgewichten. Als de input duidelijk en bekend is, concentreert het model zijn gewicht op het enkele juiste label. Echter, als de input verwarrend of ongebruikelijk is, verspreidt het model zijn gewicht op natuurlijke wijze over een grotere groep potentiële labels, wat effectief signaleert dat het onzeker is. Dit gedrag komt rechtstreeks voort uit de data tijdens de training en vereist geen complexe externe aanpassingen.
Om te testen of deze aanpak daadwerkelijk werkt, voerde het team simulaties uit met echte beelddatasets. Ze trainden hun quantummodellen om cijfers te herkennen en daagden ze vervolgens uit met afbeeldingen die ze nog nooit eerder hadden gezien. Een betrouwbaar onzekerheidssysteem zou deze onbekende afbeeldingen als risicovol moeten markeren. De resultaten lieten zien dat hun methode zeer effectief was bij deze taak. De modellen slaagden erin om bekende afbeeldingen te onderscheiden van vreemde, ongewone beelden, waarbij de onzekerheidsmaten de onbekende data met hoge nauwkeurigheid correct identificeerden. Dit suggereert dat de quantumcircuits leerden de grenzen van hun eigen kennis te herkennen, een vitale eigenschap voor elk systeem dat veilig in de echte wereld bedoeld is om te opereren.
De onderzoekers verkenden ook hoe deze modellen samen zouden kunnen werken. In veel complexe scenario's kunnen meerdere sensoren of verschillende soorten gegevens conflicterende of gedeeltelijke informatie leveren. Het team demonstreerde dat hun quantummodellen hun individuele beoordelingen konden combineren tot één enkele, meer betrouwbare conclusie. Door de onzekerheidskaarten van verschillende quantumclassifiers samen te voegen, kon het systeem tot een helderder beeld komen dan welk enkel model alleen zou kunnen bereiken. Dit proces, bekend als massafusie, bleek de algehele nauwkeurigheid te verbeteren, wat bewees dat deze quantummodellen kunnen samenwerken om twijfel te verminderen en voorspellingen te verscherpen.
Hoewel de huidige experimenten werden uitgevoerd op gesimuleerde quantumcomputers in plaats van op fysieke hardware, bieden de bevindingen een praktisch blauwdruk voor de toekomst. De studie suggereert dat quantummachines getraind kunnen worden om eerlijk te zijn over hun beperkingen, waarbij ze verder gaan dan eenvoudige nauwkeurigheidsscores om een rijker, betrouwbaarder oordeel over hun beslissingen te geven. Door deze onzekerheidsbewuste methoden te integreren, beweegt het veld dichter naar quantumsystemen die niet alleen krachtig zijn, maar ook veilig en betrouwbaar genoeg voor kritieke toepassingen zoals autonoom rijden of medische diagnose. Het werk stelt vast dat quantummodellen geleerd kunnen worden om het volledige spectrum van hun kennis uit te drukken, van absolute zekerheid tot volledige onwetendheid, wat een noodzakelijke basis vormt voor de volgende generatie intelligente machines.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.