量子科技中心_量科网

混合量子-经典机器学习（HQML）模型的出现为计算智能开辟了新视野，但其固有复杂性常导致黑箱行为，损害了应用中的透明度与可靠性。尽管量子系统的可解释人工智能（XAI）研究仍处于起步阶段，但针对采用量子特征编码与经典学习相结合的HQML架构，目前明显缺乏鲁棒的全局与局部可解释性方法。这一空白正是本研究的核心——该团队提出QuXAI框架，其基础是专为混合系统设计的特征重要性解释工具Q-MEDLEY。他们的模型通过构建含量子特征映射的HQML模型，运用Q-MEDLEY结合基于特征的推理，在保留量子转换阶段的同时可视化归因结果。实验表明：Q-MEDLEY能清晰识别HQML模型中具有影响力的经典要素并分离噪声，在经典验证场景中与现有XAI技术表现相当；消融研究更显著揭示了Q-MEDLEY复合结构的优势。这项工作的意义重大，它为提升HQML模型的可解释性与可靠性提供了路径，从而增强用户信心，推动量子增强AI技术更安全、更负责任的应用。