論文の概要: A Quantum Graph Neural Network Approach to Particle Track Reconstruction
- arxiv url: http://arxiv.org/abs/2007.06868v1
- Date: Tue, 14 Jul 2020 07:25:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-10 02:18:01.942369
- Title: A Quantum Graph Neural Network Approach to Particle Track Reconstruction
- Title（参考訳）: 量子グラフニューラルネットワーク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。
- 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: Unprecedented increase of complexity and scale of data is expected in
computation necessary for the tracking detectors of the High Luminosity Large
Hadron Collider (HL-LHC) experiments. While currently used Kalman filter based
algorithms are reaching their limits in terms of ambiguities from increasing
number of simultaneous collisions, occupancy, and scalability (worse than
quadratic), a variety of machine learning approaches to particle track
reconstruction are explored. It has been demonstrated previously by HEP.TrkX
using TrackML datasets, that graph neural networks, by processing events as a
graph connecting track measurements can provide a promising solution by
reducing the combinatorial background to a manageable amount and are scaling to
a computationally reasonable size. In previous work, we have shown a first
attempt of Quantum Computing to Graph Neural Networks for track reconstruction
of particles. We aim to leverage the capability of quantum computing to
evaluate a very large number of states simultaneously and thus to effectively
search a large parameter space. As the next step in this paper, we present an
improved model with an iterative approach to overcome the low accuracy
convergence of the initial oversimplified Tree Tensor Network (TTN) model.
- Abstract（参考訳）: HL-LHC(High Luminosity Large Hadron Collider)実験の追跡検出器の計算に必要となる複雑性とデータのスケールの未熟な増加が期待されている。
現在使われているカルマンフィルタに基づくアルゴリズムは、同時衝突の数の増加、占有率、拡張性(二次的よりも重要)といった曖昧さの観点から限界に達しているが、粒子トラック再構成に対する機械学習アプローチは様々である。
HEP.TrkXは以前、トラックMLデータセットを使用して、トラック計測を接続するグラフとしてイベントを処理することで、組合せ背景を管理可能な量に減らし、計算上妥当なサイズにスケールすることで、有望なソリューションを提供できることを実証した。
これまでの研究では、粒子の再構成を追跡するために、量子コンピューティングからグラフニューラルネットワークへの最初の試みを示す。
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、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。
本論文の次のステップとして,初期単純化ツリーテンソルネットワーク(TTN)モデルの低精度収束を克服するための反復的アプローチによる改良モデルを提案する。
関連論文リスト
- Improved particle-flow event reconstruction with scalable neural networks for current and future particle detectors [1.4609888393206634]
電子-陽電子衝突における事象再構成のためのスケーラブルな機械学習モデルについて, フル検出器シミュレーションに基づく検討を行った。
グラフニューラルネットワークとカーネルベースのトランスフォーマーを比較し、現実的な再構築を実現しつつ、操作を回避できることを実証する。
最良のグラフニューラルネットワークモデルでは、ルールベースのアルゴリズムと比較して、ジェット横運動量分解能が最大50%向上している。
論文 参考訳（メタデータ） (2023-09-13T08:16:15Z) - Towards Neural Variational Monte Carlo That Scales Linearly with System
Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。
量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。
ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文 参考訳（メタデータ） (2022-12-21T19:00:04Z) - QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional
Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。
現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。
我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文 参考訳（メタデータ） (2022-11-09T21:43:16Z) - Neural network enhanced measurement efficiency for molecular
groundstates [63.36515347329037]
いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。
ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
論文 参考訳（メタデータ） (2022-06-30T17:45:05Z) - 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) - A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。
MNIST画像データセットがそのような条件を満たすことを数値的に示す。
我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
論文 参考訳（メタデータ） (2021-07-19T23:41:03Z) - Random Features for the Neural Tangent Kernel [57.132634274795066]
完全接続型ReLUネットワークのニューラルタンジェントカーネル(NTK)の効率的な特徴マップ構築を提案する。
得られた特徴の次元は、理論と実践の両方で比較誤差境界を達成するために、他のベースライン特徴マップ構造よりもはるかに小さいことを示しています。
論文 参考訳（メタデータ） (2021-04-03T09:08:12Z) - Scalable, End-to-End, Deep-Learning-Based Data Reconstruction Chain for
Particle Imaging Detectors [0.0]
本稿では,Lyquid Time Projection Chambers (LArTPCs) のためのエンドツーエンドのMLベースのデータ再構成チェーンを提案する。
これは、何十もの高エネルギーニュートリノ相互作用の既往の積み重ねを扱う最初の実装である。
論文 参考訳（メタデータ） (2021-02-01T18:10:00Z) - MLPF: Efficient machine-learned particle-flow reconstruction using graph
neural networks [0.0]
汎用粒子検出器では、粒子フローアルゴリズムを用いて事象の粒子レベルビューを再構築することができる。
並列化可能,スケーラブル,グラフニューラルネットワークに基づく,エンドツーエンドのトレーニング可能,マシン学習型粒子フローアルゴリズムを提案する。
陽子-陽子衝突で生成したトップクォーク-反クォーク対のモンテカルロデータセット上で,アルゴリズムの物理および計算性能について報告する。
論文 参考訳（メタデータ） (2021-01-21T12:47:54Z) - A Greedy Algorithm for Quantizing Neural Networks [4.683806391173103]
本稿では,事前学習したニューラルネットワークの重みを定量化するための計算効率のよい新しい手法を提案する。
本手法は,複雑な再学習を必要とせず,反復的に層を定量化する手法である。
論文 参考訳（メタデータ） (2020-10-29T22:53:10Z) - Particle Track Reconstruction with Quantum Algorithms [1.087475836765689]
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。
論文 参考訳（メタデータ） (2020-03-18T09:59:20Z)
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。