Améliorer l’interprétabilité et l’efficacité de l’apprentissage automatique d’inspiration quantique
L’apprentissage automatique profond a obtenu des succès remarquables dans divers domaines de l’intelligence artificielle, mais parvenir simultanément à une interprétabilité élevée et à une efficacité élevée reste un défi crucial. Shi-Ju Ran de la Capital Normal University et Gang Su de l’Université de l’Académie chinoise des sciences ont examiné une approche innovante basée sur les réseaux tenseurs, s’inspirant de la mécanique quantique. Cette approche offre une solution prometteuse au défi de longue date consistant à concilier interprétabilité et efficacité dans l’apprentissage automatique profond.
La revue a été publiée le 17 novembre dans Informatique intelligente.
Les modèles d’apprentissage automatique profond, en particulier les modèles de réseaux neuronaux, sont souvent considérés comme des « boîtes noires » car leurs processus décisionnels sont complexes et difficiles à expliquer. Selon les auteurs, « les réseaux de neurones, les modèles d’apprentissage automatique les plus puissants de nos jours, ont évolué au fil de décennies de conceptions et d’optimisations délicates, soutenues par d’importants investissements humains et financiers. Un exemple typique démontrant leur puissance est celui des transformateurs de pré-entraînement génératifs (GPT). Cependant, en raison du manque d’interprétabilité, même les GPT souffrent de graves problèmes tels que la robustesse et la protection de la vie privée. »
Le manque d’interprétabilité de ces modèles peut conduire à un manque de confiance dans leurs prédictions et décisions, limitant ainsi leurs applications dans des domaines importants.
Les réseaux tenseurs, basés sur l’information quantique et la physique à N corps, proposent une approche « boîte blanche » de l’apprentissage automatique. Les auteurs déclarent : « Les réseaux tenseurs jouent un rôle crucial en reliant les concepts, théories et méthodes quantiques avec l’apprentissage automatique et en mettant en œuvre efficacement l’apprentissage automatique basé sur les réseaux tenseurs. »
Servant de cadre mathématique, ils représentent efficacement des données ou des fonctions de grande dimension, en utilisant des produits tensoriels pour structurer de manière compacte des informations multidimensionnelles.
Un nouveau cadre d’apprentissage automatique basé sur un réseau de tenseurs, intrinsèquement interprétable, a émergé. Cette approche innovante construit efficacement un modèle probabiliste d’apprentissage automatique à partir d’états quantiques représentés et simulés par des réseaux tensoriels. Il est remarquable que l’interprétabilité de ce cadre soit non seulement comparable à l’apprentissage automatique probabiliste classique, mais pourrait même la surpasser. Ce schéma d’apprentissage automatique d’inspiration quantique introduit de nouvelles perspectives en intégrant des concepts physiques tels que l’entropie d’intrication et les corrélations quantiques dans les investigations d’apprentissage automatique, améliorant ainsi considérablement l’interprétabilité.
Pour améliorer l’efficacité, le cadre d’apprentissage automatique basé sur un réseau de tenseurs d’inspiration quantique doit être combiné avec des méthodes et techniques de calcul quantique. Les réseaux tenseurs jouent un rôle central dans la représentation des opérations quantiques, servant de modèles mathématiques pour des processus complexes en mécanique quantique. Cette approche innovante exploite les réseaux tensoriels comme représentations mathématiques de modèles de circuits quantiques, similaires aux circuits logiques classiques. Leur gestion efficace des portes quantiques, exécutables sur diverses plateformes quantiques, est la clé du succès de cette approche.
Les réseaux tensoriels, connus pour leur efficacité dans le calcul classique, offrent un accès stable aux qubits, dépassant dans plusieurs cas les capacités des ordinateurs quantiques dans le domaine quantique bruyant à échelle intermédiaire. L’intégration de réseaux tenseurs dans l’apprentissage automatique d’inspiration quantique répond non seulement aux défis associés aux espaces de grande dimension, mais améliore également l’efficacité des schémas d’apprentissage automatique sur les plates-formes quantiques.
De plus, les réseaux tensoriels trouvent des applications dans l’apprentissage automatique au-delà des interprétations probabilistes quantiques. Ils représentent et simulent efficacement les fonctions de partition des systèmes stochastiques classiques, contribuant ainsi à l’amélioration des réseaux neuronaux réguliers et à la création de nouveaux modèles d’apprentissage automatique. Les réseaux tensoriels jouent un rôle crucial dans la simplification de tâches telles que la réduction de dimensionnalité, l’extraction de caractéristiques et la mise en œuvre de machines à vecteurs de support, démontrant leur polyvalence.
En conclusion, les réseaux tensoriels constituent une avancée majeure pour relever le défi de l’efficacité et de l’interprétabilité de l’intelligence artificielle, en particulier dans l’apprentissage automatique d’inspiration quantique.
Les auteurs observent : « Sur la base de recherches antérieures, nous pensons qu’avec plus de temps et d’investissements, les réseaux tensoriels atteindront éventuellement des précisions égales ou supérieures, ainsi qu’une interprétabilité améliorée, par rapport aux réseaux neuronaux. Nous considérerions les réseaux tensoriels comme un outil mathématique fondamental pour étudier l’intelligence artificielle, surtout lorsque nous sommes équipés de matériel informatique quantique.
Leur capacité unique à mélanger les théories quantiques pour l’interprétabilité et les méthodes quantiques pour l’efficacité positionne les réseaux tensoriels comme un outil clé pour naviguer dans les complexités de l’intelligence artificielle émergente.
Fourni par l’informatique intelligente
