[論文レビュー] eXplainable AI for Quantum Machine Learning

Patrick Steinmüller, Tobias Schulz+2 more|arXiv (Cornell University)|Nov 2, 2022

Explainable Artificial Intelligence (XAI)被引用数 9

ひとこと要約

本稿では、量子機械学習におけるパラメータ化された量子回路（PQC）に特化した、qSHAPと呼ばれる新規な解釈可能性手法を提案する。PQCのフーリエ級数構造を活用することで、qSHAPはSHAP値の計算を高速化し、従来のxAI手法（例：統合勾配法）と比較してノイズにさらされにくく、特徴量の数に関して多項式時間の計算複雑度を達成する。これは、量子ビット数に関して指数的増加を示す従来手法とは対照的である。

ABSTRACT

Parametrized Quantum Circuits (PQCs) enable a novel method for machine learning (ML). However, from a computational point of view they present a challenge to existing eXplainable AI (xAI) methods. On the one hand, measurements on quantum circuits introduce probabilistic errors which impact the convergence of these methods. On the other hand, the phase space of a quantum circuit expands exponentially with the number of qubits, complicating efforts to execute xAI methods in polynomial time. In this paper we will discuss the performance of established xAI methods, such as Baseline SHAP and Integrated Gradients. Using the internal mechanics of PQCs we study ways to speed up their computation.

研究の動機と目的

• ノイズの多いパラメータ化された量子回路（PQC）に標準的なxAI手法を適用する際の課題に対処する。具体的には、指数的増加する位相空間と確率的測定の影響である。
• NISQ時代の量子機械学習モデルにおける解釈可能性の計算オーバーヘッドを低減する。
• 量子ビット数ではなく特徴量の数に関して多項式スケーリングを達成する手法を開発し、より大きな回路に対する効率性を向上させる。
• 既存のブラックボックスxAIアプローチと比較して、量子ノイズが解釈の質に与える悪影響を最小限に抑える。
• EU AI法などの規制で求められる透明性を満たす高リスク分野におけるPQCベースのモデルの実用的解釈可能性を実現する。

提案手法

• PQCを切り捨てられたフーリエ級数として数学的に表現し、モデル出力を周波数成分に分解する。
• モンテカルロ統合を介して、量子回路のサンプリングによりSHAP値を推定する。サンプリングサイズは収束基準によって決定される。
• フーリエ段階を適用して、活性なフーリエモードを特定し、解釈計算の探索空間を縮小する。
• 識別されたフーリエモードに基づいて、多項式時間の後処理ステップを実装し、SHAP値を計算する。
• フーリエ分解を多項式SHAPと統合し、効率的かつ近似的なSHAP値計算を可能にする。
• 繰り返しの量子回路評価に依存するのを最小限に抑えることで、NISQハードウェア上での実行時間を短縮する。

実験結果

リサーチクエスチョン

• RQ1 統合勾配法やSHAPといった既存のxAI手法を、確率的測定や指数的位相空間といったPQCの特異な課題にどう適合させられるか？
• RQ2 PQCのフーリエ級数表現を活用することで、従来のブラックボックス手法よりも効率的かつノイズに強いxAI手法を設計できるか？
• RQ3 PQCにおける量子ビット数と特徴量数に関して、xAI手法のスケーリング特性はどのように変化するか。また、これを改善できるか？
• RQ4 NISQデバイスにおけるノイズが、量子機械学習モデルのxAI解釈の信頼性と収束性にどのように影響するか？
• RQ5 PQCの構造を活用することで、指数的スケーリングを回避するSHAP値計算の多項式時間アルゴリズムを導出できるか？

主な発見

• qSHAPは、標準的なxAI手法が量子ビット数に関して指数的増加を示すのに対し、特徴量数に関して多項式スケーリングを達成することで、より大きな回路でも計算が可能になる。
• 統合勾配法やベースラインSHAPと比較して、ノイズ感受性が顕著に低減され、ノイズの多いNISQハードウェア上でも解釈の信頼性が向上した。
• Rigetti-M-11ハードウェア上でのqSHAPの実行時間は、1量子ビットモデル（250サンプル）で399.5秒、2量子ビットで497.2秒、4量子ビットで682.5秒であった。フーリエ段階と多項式段階が非量子部として主要な負荷を占めていた。
• 統合勾配法は1特徴量あたり20評価点を必要とし、全モデルで240.8〜343.4秒を要した。これは、同等の解釈品質を達成するにあたり、qSHAPよりも高い実行時間であった。
• フーリエモード同定ステップは特徴量数に関して指数的増加を示し、量子ビット数ではなく特徴量数が主なボトルネックとなっている。
• 理論的解析により、qSHAPの計算複雑度が特徴量数に関して多項式であることが確認された。一方、標準的なxAI手法は、位相空間の拡大により量子ビット数に関して指数的増加を示す。