Q-CHARM: Kwantumcompositionaliteit in Mensachtige Abstractie, Rederen en Machinaal Leren

De recente toename in AI onderzoek en toepassingen heeft de interesse aangewakker in het
ontwikkelen van systemen die in staat zijn om te leren en te redeneren zoals mensen, terwijl ze
interpreteerbaar en betrouwbaar blijven. De overkoepelende doelstellingen van compositional AIonderzoek
zijn tweeledig: (1) de onderzoeksschuld op het gebied van AI aanpakken door een
uniforme categorie-theoretische fundering te bieden die het subveld omvat, en (2) hybride modellen
maken die die inherent compositioneel zijn. Deze modellen maken gebruik van de sterke punten van
zowel symbolische als subsymbolische AI om kunstmatige agenten uit te rusten met het mensachtige
vermogen om te leren en te redeneren over de wereld.
Het Q-CHARM project richt zich op de rol van compositioneel modelontwerp in het verbeteren van
compositioneel gedrag en maakt onderscheid tussen de structurele samenstelling van de architectuur
van een model, gedefinieerd vóór de training, en de compositionele eigenschappen die tijdens het
leren ontstaan.
Door te onderzoeken hoe gestructureerde biases vorm geven aan leerefficiëntie, interpreteerbaarheid
en creatieve generalisatie, wil Q-CHARM een rigoureuze basis leggen voor compositioneelinterpreteerbare
AI-systemen. Door middel van theoretische analyse, modelontwikkeling en
toepassing binnen creatief systeem probeert het project aan te tonen dat expliciet gestructureerde
modellen beter interpreteerbare, generaliseerbare en creatief expressieve representaties bevorderen