尽管神经网络有望促进新的科学发现,但它的不透明性给解释其发现背后的逻辑带来了挑战。在这里,我们使用一种名为 inception 或 deep dreaming 的可解释人工智能 (XAI) 技术,该技术是在计算机视觉机器学习中发明的。我们使用这种技术来探索神经网络对量子光学实验的了解。我们的故事始于对量子系统属性进行深度神经网络训练。训练完成后,我们会“反转”神经网络——有效地询问它如何想象具有特定属性的量子系统,以及它将如何不断修改量子系统以改变属性。我们发现网络可以改变量子系统属性的初始分布,我们可以概念化神经网络的学习策略。有趣的是,我们发现,在第一层,神经网络识别简单属性,而在更深的层,它可以识别复杂的量子结构甚至量子纠缠。这让人想起计算机视觉中已知的长期理解的属性,我们现在在复杂的自然科学任务中识别这些属性。我们的方法可以以更易于解释的方式用于开发量子物理学中新的基于人工智能的先进科学发现技术。
主要关键词
![arXiv:2309.07056v1 [quant-ph] 2023 年 9 月 13 日PDF文件第1页](/bimg/8/80471234e1fbf64590a4b23ebd0b48fbc2e5cebf.webp)
![arXiv:2309.07056v1 [quant-ph] 2023 年 9 月 13 日PDF文件第2页](/bimg/6/6271968328d0b6dfc69aaa1c5d52edd404697cba.webp)
![arXiv:2309.07056v1 [quant-ph] 2023 年 9 月 13 日PDF文件第3页](/bimg/1/1aa02e4dd844ef79e33c054a7cedd65e115e98db.webp)
![arXiv:2309.07056v1 [quant-ph] 2023 年 9 月 13 日PDF文件第4页](/bimg/3/336e2630dc9e35dd25311cc327b0c4bb2d74d446.webp)
![arXiv:2309.07056v1 [quant-ph] 2023 年 9 月 13 日PDF文件第5页](/bimg/6/642b1a30c441f18cbd45e0774ad5cf25cba1a9ac.webp)
