QuXAI: Explicadores para Modelos Híbridos de Aprendizado de Máquina Quântica

QuXAI: Explainers for Hybrid Quantum Machine Learning Models

May 15, 2025

Autores: Saikat Barua, Mostafizur Rahman, Shehenaz Khaled, Md Jafor Sadek, Rafiul Islam, Shahnewaz Siddique

cs.AI

Resumo

O surgimento de modelos híbridos de aprendizado de máquina quântico-clássico (HQML) abre novos horizontes para a inteligência computacional, mas sua complexidade fundamental frequentemente resulta em comportamentos de "caixa preta" que comprometem a transparência e a confiabilidade em sua aplicação. Embora a XAI (Inteligência Artificial Explicável) para sistemas quânticos ainda esteja em sua infância, uma lacuna significativa de pesquisa é evidente em abordagens robustas de explicabilidade global e local projetadas para arquiteturas HQML que empregam codificação de características quantizadas seguida por aprendizado clássico. Essa lacuna é o foco deste trabalho, que introduz o QuXAI, um framework baseado no Q-MEDLEY, um explicador para a importância de características nesses sistemas híbridos. Nosso modelo envolve a criação de modelos HQML que incorporam mapas de características quânticas, o uso do Q-MEDLEY, que combina inferências baseadas em características, preserva o estágio de transformação quântica e visualiza as atribuições resultantes. Nossos resultados mostram que o Q-MEDLEY delineia aspectos clássicos influentes em modelos HQML, além de separar seu ruído, e compete bem contra técnicas estabelecidas de XAI em cenários clássicos de validação. Estudos de ablação expõem de forma mais significativa as virtudes da estrutura composta usada no Q-MEDLEY. As implicações deste trabalho são de extrema importância, pois fornecem um caminho para melhorar a interpretabilidade e a confiabilidade dos modelos HQML, promovendo assim maior confiança e possibilitando um uso mais seguro e responsável da tecnologia de IA aprimorada por quântica.

English

The emergence of hybrid quantum-classical machine learning (HQML) models opens new horizons of computational intelligence but their fundamental complexity frequently leads to black box behavior that undermines transparency and reliability in their application. Although XAI for quantum systems still in its infancy, a major research gap is evident in robust global and local explainability approaches that are designed for HQML architectures that employ quantized feature encoding followed by classical learning. The gap is the focus of this work, which introduces QuXAI, an framework based upon Q-MEDLEY, an explainer for explaining feature importance in these hybrid systems. Our model entails the creation of HQML models incorporating quantum feature maps, the use of Q-MEDLEY, which combines feature based inferences, preserving the quantum transformation stage and visualizing the resulting attributions. Our result shows that Q-MEDLEY delineates influential classical aspects in HQML models, as well as separates their noise, and competes well against established XAI techniques in classical validation settings. Ablation studies more significantly expose the virtues of the composite structure used in Q-MEDLEY. The implications of this work are critically important, as it provides a route to improve the interpretability and reliability of HQML models, thus promoting greater confidence and being able to engage in safer and more responsible use of quantum-enhanced AI technology.