Ricercatori studiano reti tensoriali per l’apprendimento automatico interpretabile ed efficiente ispirato alla meccanica quantistica
La ricerca delle reti tensoriali nella meccanica quantistica per un apprendimento automatico interpretato ed efficiente
La computer vision, l’elaborazione del linguaggio naturale e altri settori hanno visto un notevole successo con approcci di apprendimento automatico basati su reti neurali profonde. Tuttavia, il problema di vecchia data dell’interpretabilità rispetto all’efficienza presenta diverse sfide formidabili. La capacità di interrogare, comprendere e fidarsi degli approcci di apprendimento automatico profondo dipende dalla loro interpretabilità, spesso descritta come il grado con cui una persona può comprendere la fonte di una conclusione.
Le reti bayesiane, le macchine Boltzmann e altri modelli di apprendimento automatico probabilistico vengono considerati “scatole bianche” poiché sono intrinsecamente interpretabili. Uno dei modi in cui questi modelli affermano di interpretare è utilizzando il ragionamento probabilistico per scoprire collegamenti causali nascosti; ciò si allinea con il modo in cui funzionano statisticamente le menti umane. Sfortunatamente, le attuali reti neurali profonde sono superiori a questi modelli probabilistici di un margine considerevole. Sembra che i modelli di apprendimento automatico attuali non possano raggiungere contemporaneamente alta efficienza e interpretabilità.
Grazie alla crescita esponenziale dei calcoli quantistici e convenzionali, è emerso uno strumento nuovo per risolvere il dilemma dell’efficienza rispetto all’interpretabilità: la rete di tensori (TN). La contrazione di più tensori è chiamata TN. Il modo in cui i tensori vengono contratti è definito dalla sua struttura di rete.
- Svelando i Segreti dell’Interazione Uomo-Macchina Questa Ricerca sull’IA dalla Spagna Introduce un Dataset Completo per Avanzare il Design dell’Interfaccia Adattiva
- Tutorial su Sklearn Modulo 3
- DeepSeek la Dominanza del Modello Linguistico più Recente della Cina
Un nuovo articolo dell’Università Capitale Normale e dell’Università dell’Accademia Cinese delle Scienze ha analizzato gli sviluppi incoraggianti delle TN verso un apprendimento automatico quantistico efficiente e interpretabile. “TN ML butterfly” enumera i benefici delle TN per l’apprendimento automatico. I benefici delle TN per l’apprendimento automatico con un tocco quantistico possono essere riassunti in due principali aree: l’interpretabilità delle teorie quantistiche e l’efficienza delle procedure quantistiche. Con le TN che utilizzano teorie quantistiche come le teorie di intrico e statistiche, è possibile costruire un quadro probabilistico per l’interpretabilità che può andare oltre la descrizione delle informazioni classiche o degli approcci statistici.
Viceversa, gli approcci di apprendimento automatico TN ispirati alla quantistica saranno in grado di operare efficientemente su piattaforme di calcolo sia classiche che quantistiche grazie a robusti algoritmi TN quantistici e a tecnologie di calcolo quantistico notevolmente migliorate. In particolare, i trasformatori generativi preaddestrati hanno recentemente ottenuto un notevole sviluppo, portando a una potenza di calcolo e a un aumento della complessità del modello senza precedenti, il che presenta sia potenziali che sfide per TN ML. Di fronte alla nuova intelligenza artificiale (AI) dei trasformatori preaddestrati generativi, la capacità di interpretare i risultati sarà più importante che mai, consentendo indagini più efficaci, un controllo più sicuro e una migliore utilizzazione.
I ricercatori ritengono che, mentre entriamo nel periodo di vera computazione quantistica e nell’era attuale NISQ, TN stia rapidamente diventando uno strumento matematico principale per indagare sull’IA quantistica da vari angoli, inclusi teorie, modelli, algoritmi, software, hardware e applicazioni.
L’articolo Ricercatori studiano le reti di tensori per un apprendimento automatico quantistico interpretabile ed efficiente è apparso per primo su MarkTechPost.
