← 最新论文
⚛️ 量子物理

Uncertainty-aware quantum machine learning based on Dempster-Shafer theory

本文介绍了一种基于 Dempster-Shafer 理论的不确定性感知量子分类框架,该框架使参数化量子电路能够学习并表达对标签集的预测不确定性,为量子 Dempster-Shafer 融合提供了一种资源高效的方法。

原作者: Marie Kempkes, Jakob Spiegelberg, Evert van Nieuwenburg, Vedran Dunjko

发布于 2026-11-13
📖 1 分钟阅读🧠 深度阅读

原作者: Marie Kempkes, Jakob Spiegelberg, Evert van Nieuwenburg, Vedran Dunjko

原始论文采用 CC BY 4.0 许可(http://creativecommons.org/licenses/by/4.0/)。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性,请参阅原始论文。 阅读完整免责声明

在人工智能领域,仅仅是一个大多数时候都能得到正确答案的模型往往是不够的。想象一辆自动驾驶汽车,它在十次中有九次能正确识别行人,但在第十次却未能识别出一个罕见且异常的障碍物。如果系统无法表达出自己的不确定性,后果可能会非常严重。这就是不确定性的挑战:不仅要了解计算机认为是什么,还要了解它对该想法有多大的信心。虽然传统的机器学习已经开发出了衡量这种怀疑的方法,但新兴的量子机器学习领域主要集中在原始的速度和准确性上,使得可靠性的问题在很大程度上仍未得到解决。研究人员现在正在探究如何构建能够承认自己不知道答案的量子计算机,这种能力对于在涉及高风险的现实世界场景中部署这些强大的工具至关重要。

一个研究团队通过教授量子电路使用一种称为丹普斯特-沙费尔理论(Dempster-Shafer theory)的数学框架来表达不确定性,在解决这一问题方面迈出了重要一步。与标准概率论(它为特定结果分配单一的可能百分比)不同,该理论允许模型同时为一组可能性分配权重。这可以理解为“我 90% 确定它是狗”与“我确定它要么是狗,要么是狼,但我无法分辨是哪一个”之间的区别。这种区别至关重要,因为它将由信息缺乏引起的不确定性与由数据本身固有的歧义引起的不确定性区分开来。通过将这种经典方法应用于量子系统,研究人员创建了一种新型分类器,它不仅输出单一预测,而且输出一张关于它所知与所不知的结构化地图。

他们的核心工作涉及一种参数化量子电路,这是一种可以在训练期间调整设置的量子程序。研究人员设计了一种训练过程,旨在鼓励电路将其“信心”分布在不同的标签集上,而不是将其全部锁定在一个特定的答案上。当电路接收到图像时,它会产生一个量子态,其中不同结果的概率对应于这些置信权重。如果输入清晰且熟悉,模型会将权重集中在单个正确标签上。然而,如果输入令人困惑或异常,模型会自然地将其权重分散到更大的一组潜在标签中,从而有效地发出不确定的信号。这种行为直接从数据在训练过程中产生,不需要复杂的外部调整。

为了测试这种方法是否真的有效,团队使用真实世界的图像数据集进行了模拟实验。他们训练量子模型来识别数字,然后用它们从未见过的图像来挑战它们。一个可靠的不确定性系统应该将这些陌生的图像标记为具有风险。结果表明,他们的方法在执行这项任务时非常有效。模型成功地区分了熟悉的图像和奇怪的、非寻常的图像,其不确定性度量以很高的准确率正确识别了不熟悉的数据。这表明量子电路学会了识别自身知识的界限,这是任何旨在安全运行在现实世界中的系统所必备的特质。

研究人员还探索了这些模型如何协同工作。在许多复杂场景中,多个传感器或不同类型的数据可能会提供冲突或部分的信息。团队展示了他们的量子模型如何将各自的评估合并为一个单一的、更可靠的结论。通过合并来自几个不同量子分类器的不确定性图,系统可以得出比任何单一模型单独实现时更清晰的结论。这个被称为“质量融合”(mass fusion)的过程被证明可以提高整体准确性,证明了这些量子模型可以通过协作来减少怀疑并使预测更加精准。

虽然目前的实验是在模拟量子计算机而非物理硬件上进行的,但研究结果为未来提供了一个实用的蓝图。该研究表明,量子机器可以被训练得对其局限性保持诚实,从而超越简单的准确率评分,为决策提供更丰富、更可靠的评估。通过整合这些具备不确定性感知能力的算法,该领域正朝着能够处理自动驾驶或医疗诊断等关键应用的、既强大又安全可靠的量子系统迈进。这项工作确立了量子模型可以学习表达其知识的全谱系,从绝对确定到完全无知,为下一代智能机器提供了必要的基石。

您所在领域的论文太多了?

获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。

试用 Digest →