論文の概要: Particle Track Reconstruction with Quantum Algorithms
- arxiv url: http://arxiv.org/abs/2003.08126v1
- Date: Wed, 18 Mar 2020 09:59:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-28 20:25:55.530198
- Title: Particle Track Reconstruction with Quantum Algorithms
- Title（参考訳）: 量子アルゴリズムによる粒子トラック再構成
- Authors: Cenk T\"uys\"uz, Federico Carminati, Bilge Demirk\"oz, Daniel Dobos,
Fabio Fracas, Kristiane Novotny, Karolos Potamianos, Sofia Vallecorsa,
Jean-Roch Vlimant
- Abstract要約: 本稿では,初期シード段階におけるバックグラウンドの低減を目的とした量子ベーストラック探索アルゴリズムの実装について述べる。
荷電粒子軌道の再構築は、HL-LHCデータの正しい解釈にとって大きな課題となる。
- 参考スコア（独自算出の注目度）: 1.087475836765689
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate determination of particle track reconstruction parameters will be a
major challenge for the High Luminosity Large Hadron Collider (HL-LHC)
experiments. The expected increase in the number of simultaneous collisions at
the HL-LHC and the resulting high detector occupancy will make track
reconstruction algorithms extremely demanding in terms of time and computing
resources. The increase in number of hits will increase the complexity of track
reconstruction algorithms. In addition, the ambiguity in assigning hits to
particle tracks will be increased due to the finite resolution of the detector
and the physical closeness of the hits. Thus, the reconstruction of charged
particle tracks will be a major challenge to the correct interpretation of the
HL-LHC data. Most methods currently in use are based on Kalman filters which
are shown to be robust and to provide good physics performance. However, they
are expected to scale worse than quadratically. Designing an algorithm capable
of reducing the combinatorial background at the hit level, would provide a much
cleaner initial seed to the Kalman filter, strongly reducing the total
processing time. One of the salient features of Quantum Computers is the
ability to evaluate a very large number of states simultaneously, making them
an ideal instrument for searches in a large parameter space. In fact, different
R\&D initiatives are exploring how Quantum Tracking Algorithms could leverage
such capabilities. In this paper, we present our work on the implementation of
a quantum-based track finding algorithm aimed at reducing combinatorial
background during the initial seeding stage. We use the publicly available
dataset designed for the kaggle TrackML challenge.
- Abstract（参考訳）: 粒子軌道再構成パラメータの正確な決定は、HL-LHC(High Luminosity Large Hadron Collider)実験において大きな課題となる。
HL-LHCにおける同時衝突の数の増加と高い検出器占有率により、トラック再構成アルゴリズムは時間と計算資源の面で極めて要求される。
ヒット数の増加は、トラック再構築アルゴリズムの複雑さを増大させる。
加えて、粒子のトラックにヒットを割り当てる際の曖昧さは、検出器の有限分解能とヒットの物理的近接性によって増大する。
したがって、荷電粒子軌道の再構成はHL-LHCデータの正しい解釈にとって大きな課題となる。
現在使われているほとんどの手法はカルマンフィルタに基づいており、ロバストであり、優れた物理性能を提供する。
しかし、二乗よりはスケールが悪くなることが期待されている。
ヒットレベルの組合せ背景を低減できるアルゴリズムを設計することで、カルマンフィルタに対するよりクリーンな初期シードが提供され、全体の処理時間が大幅に短縮される。
量子コンピュータの顕著な特徴の1つは、非常に多くの状態を同時に評価でき、大きなパラメータ空間で検索するのに理想的な手段となることである。
実際、異なるr\&dイニシアティブは、量子追跡アルゴリズムがそのような能力をどのように活用できるかを探求している。
本稿では,初期シード段階における組合せ背景の低減を目的とした量子ベーストラック探索アルゴリズムの実装について述べる。
kaggle trackmlチャレンジ用に設計された公開データセットを使用します。
関連論文リスト
- Quantum-Annealing-Inspired Algorithms for Track Reconstruction at High-Energy Colliders [0.0]
トラック再構成は二次的制約のない2進最適化問題として定式化することができる。
粒子追跡問題の解法としてシミュレートされた分岐アルゴリズムを用いることができることを示す。
論文 参考訳（メタデータ） (2024-02-22T17:19:03Z) - QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳（メタデータ） (2024-01-10T22:33:00Z) - Quantum Pathways for Charged Track Finding in High-Energy Collisions [42.044638679429845]
高エネルギー粒子衝突では、荷電トラック発見は複雑だが重要な試みである。
トラック探索の精度と効率を高めるために,量子アルゴリズム,特に量子テンプレートマッチングを提案する。
論文 参考訳（メタデータ） (2023-11-01T18:13:59Z) - A quantum algorithm for track reconstruction in the LHCb vertex detector [0.09423257767158631]
線形代数的アプローチを用いたIsing-like Hamiltonianの最小化に基づく新しい粒子軌道再構成アルゴリズムを提案する。
また,Harrow-Hassadim-Lloyd (HHL)アルゴリズムを用いた量子アルゴリズムの実装を提案する。
論文 参考訳（メタデータ） (2023-08-01T15:47:02Z) - Quantum Clustering with k-Means: a Hybrid Approach [117.4705494502186]
我々は3つのハイブリッド量子k-Meansアルゴリズムを設計、実装、評価する。
我々は距離の計算を高速化するために量子現象を利用する。
我々は、我々のハイブリッド量子k-平均アルゴリズムが古典的バージョンよりも効率的であることを示す。
論文 参考訳（メタデータ） (2022-12-13T16:04:16Z) - Iterative Qubits Management for Quantum Index Searching in a Hybrid
System [56.39703478198019]
IQuCSは、量子古典ハイブリッドシステムにおけるインデックス検索とカウントを目的としている。
我々はQiskitでIQuCSを実装し、集中的な実験を行う。
その結果、量子ビットの消費を最大66.2%削減できることが示されている。
論文 参考訳（メタデータ） (2022-09-22T21:54:28Z) - Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。
この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。
GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
論文 参考訳（メタデータ） (2022-04-18T21:45:13Z) - Quantum clustering and jet reconstruction at the LHC [0.0]
CERNのLarge Hadron Colliderでのジェットクラスタリングは計算コストが高い。
古典ジェットクラスタリングアルゴリズムを高速化する2つの新しい量子アルゴリズムを考える。
論文 参考訳（メタデータ） (2022-04-13T16:27:04Z) - Quantum speedup for track reconstruction in particle accelerators [51.00143435208596]
我々は,各局所追跡法に存在する基本ルーチンを4つ同定し,標準追跡アルゴリズムの文脈でどのようにスケールするかを解析する。
発見された量子スピードアップは穏やかだが、これは私たちの知識の中でも最高のものであり、高エネルギーの物理データ処理タスクに対する量子上の優位性の最初の厳密な証拠である。
論文 参考訳（メタデータ） (2021-04-23T13:32:14Z) - A Quantum Graph Neural Network Approach to Particle Track Reconstruction [1.087475836765689]
本稿では,初期単純化ツリーネットワーク(TTN)モデルの低精度化を克服するために,反復的アプローチによる改良モデルを提案する。
我々は、量子コンピューティングの能力を活用して、非常に多くの状態を同時に評価し、それによって、大きなパラメータ空間を効果的に探索することを目指している。
論文 参考訳（メタデータ） (2020-07-14T07:25:24Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。