基于GPU的CUDA-Q混合量子神经网络的图像分类与可解释性分析

《IEEE Access》：Image Classification and Explainability Analysis Using GPU-based CUDA-Q Hybrid Quantum Neural Networks

　　

摘要：

由于量子计算资源有限以及缺乏实用的可解释性技术，可解释人工智能（XAI）在量子机器学习（QML）领域尚未得到充分研究。在这项研究中，我们在CUDA-Q框架内实现了局部可解释模型不可知解释（LIME）算法，并提出了一种利用GPU加速的量子模拟进行可解释QML分析的方法。所有实验都在基于GPU的模拟器上进行，而非真实的量子硬件上，从而确保了LIME所需的大规模稳定采样并保证了结果的可重复性。我们设计了一个基于单量子比特变分电路的二分类模型，该电路由参数化的RY和RX旋转组成，并通过基于梯度的优化方法进行训练。性能评估采用了MNIST、KMNIST、Fashion-MNIST和CIFAR-10数据集，以训练准确率和测试准确率作为评估指标。通过应用LIME，量子模型的分类结果被可视化和以人类可理解的形式进行解释，证明了即使在量子比特数量有限和计算环境受限的情况下，也能够实现有意义的可解释性。此外，我们还分析了模拟器性能与模型准确率之间的权衡，确认基于GPU的CUDA-Q模拟为QML提供了一个可扩展且实用的研究环境。这项工作为透明和可解释的量子机器学习提供了一条具体的路径。