量子科技中心_量科网

人工智能系统在分类任务上已展现出良好成效，但可解释性缺失仍是一个严峻挑战，尤其在医疗和金融等高风险领域，理解模型决策过程至关重要。该研究团队提出了一种基于量子玻尔兹曼机（QBM）与经典玻尔兹曼机（CBM）对比研究的新型可解释框架，通过将量子计算原理融入经典机器学习来增强决策透明度。具体方案采用经主成分分析（PCA）预处理后的二值化降维MNIST数据集训练两种模型：QBM采用具有强纠缠层的量子-经典混合电路以获取更丰富的潜在表征，CBM则作为使用对比散度的经典基线模型。在可解释性方面，研究人员分别采用基于梯度的显著性图（QBM）和SHAP值（CBM）评估特征贡献度。实验表明，QBM在分类准确率（83.5% vs 54%）和熵值量化的特征集中度（1.27 vs 1.39）上均优于CBM，不仅能提供更精准预测，还能更清晰地识别模型决策背后的“有效成分”——即关键特征。这项研究证实，量子-经典混合模型能同步提升准确率与可解释性，为构建更可信、更透明的AI系统提供了新思路。