論文の概要: Particle Track Classification Using Quantum Associative Memory
- arxiv url: http://arxiv.org/abs/2011.11848v1
- Date: Tue, 24 Nov 2020 02:32:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-23 06:55:10.630844
- Title: Particle Track Classification Using Quantum Associative Memory
- Title(参考訳): 量子連想記憶を用いた粒子トラック分類
- Authors: Gregory Quiroz, Lauren Ice, Andrea Delgado, Travis S. Humble
- Abstract要約: パターン認識アルゴリズムは、一般に、サブ原子物理学実験における軌道再構成のステップを単純化するために用いられる。
本稿では,量子アニールに基づく量子連想メモリについて検討し,粒子トラック分類に適用する。
D-Wave 2000Qプロセッサをテストベッドとして,これらの手法の分類性能を関数検出器分解能,パターンライブラリサイズ,検出器非効率として特徴付ける。
- 参考スコア(独自算出の注目度): 0.3058685580689604
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pattern recognition algorithms are commonly employed to simplify the
challenging and necessary step of track reconstruction in sub-atomic physics
experiments. Aiding in the discrimination of relevant interactions, pattern
recognition seeks to accelerate track reconstruction by isolating signals of
interest. In high collision rate experiments, such algorithms can be
particularly crucial for determining whether to retain or discard information
from a given interaction even before the data is transferred to tape. As data
rates, detector resolution, noise, and inefficiencies increase, pattern
recognition becomes more computationally challenging, motivating the
development of higher efficiency algorithms and techniques. Quantum associative
memory is an approach that seeks to exploits quantum mechanical phenomena to
gain advantage in learning capacity, or the number of patterns that can be
stored and accurately recalled. Here, we study quantum associative memory based
on quantum annealing and apply it to the particle track classification. We
focus on discrimination models based on Ising formulations of quantum
associative memory model (QAMM) recall and quantum content-addressable memory
(QCAM) recall. We characterize classification performance of these approaches
as a function detector resolution, pattern library size, and detector
inefficiencies, using the D-Wave 2000Q processor as a testbed. Discrimination
criteria is set using both solution-state energy and classification labels
embedded in solution states. We find that energy-based QAMM classification
performs well in regimes of small pattern density and low detector
inefficiency. In contrast, state-based QCAM achieves reasonably high accuracy
recall for large pattern density and the greatest recall accuracy robustness to
a variety of detector noise sources.
- Abstract(参考訳): パターン認識アルゴリズムは一般に、サブ原子物理学実験におけるトラック再構成の困難かつ必要なステップを単純化するために用いられる。
パターン認識は、関連する相互作用の識別を補助し、関心のシグナルを分離することでトラックの再構築を促進する。
高衝突速度実験では、そのようなアルゴリズムは、データがテープに転送される前に、与えられた相互作用から情報を保持または破棄するかどうかを決定するために特に重要である。
データレート、検出器解像度、ノイズ、非効率性が増加するにつれて、パターン認識はより計算が難しくなり、より効率的なアルゴリズムや技術の開発が動機となる。
量子連想メモリ(quantum associative memory)は、量子力学的現象を利用して学習能力や記憶され正確に記憶されるパターンの数を活用しようとするアプローチである。
本稿では,量子アニールに基づく量子連想メモリについて検討し,粒子トラック分類に適用する。
本稿では,量子連想メモリモデル(QAMM)と量子コンテンツ適応メモリ(QCAM)のIsing定式化に基づく識別モデルに着目した。
D-Wave 2000Qプロセッサをテストベッドとして,これらの手法の分類性能を関数検出器分解能,パターンライブラリサイズ,検出器非効率として特徴付ける。
判別基準は溶液状態エネルギーと溶液状態に埋め込まれた分類ラベルの両方を用いて設定される。
エネルギーに基づくqamm分類は,小さなパターン密度と低検出器の非効率の領域において良好に機能する。
対照的に、状態ベースQCAMは、大きなパターン密度に対する合理的に高い精度のリコールと、様々な検出器ノイズ源に対する最大のリコール精度のロバスト性を実現する。
関連論文リスト
- Multimodal deep representation learning for quantum cross-platform
verification [60.01590250213637]
初期の量子コンピューティングの領域において重要な取り組みであるクロスプラットフォーム検証は、同一のアルゴリズムを実行する2つの不完全な量子デバイスとの類似性を特徴づけようと試みている。
本稿では,この課題におけるデータの形式化が2つの異なるモダリティを具現化する,革新的なマルチモーダル学習手法を提案する。
我々はこれらのモダリティから知識を独立して抽出するマルチモーダルニューラルネットワークを考案し、続いて融合操作により包括的データ表現を生成する。
論文 参考訳(メタデータ) (2023-11-07T04:35:03Z) - Drastic Circuit Depth Reductions with Preserved Adversarial Robustness
by Approximate Encoding for Quantum Machine Learning [0.5181797490530444]
本研究では, 変分, 遺伝的および行列積状態に基づくアルゴリズムを用いて, 符号化画像データを表す量子状態の効率的な作成法を実装した。
その結果、これらの手法は、標準状態準備実装よりも2桁も浅い回路を用いて、QMLに適したレベルにほぼ準備できることが判明した。
論文 参考訳(メタデータ) (2023-09-18T01:49:36Z) - Incrementally-Computable Neural Networks: Efficient Inference for
Dynamic Inputs [75.40636935415601]
ディープラーニングは、センサーデータやユーザ入力などの動的入力を効率的に処理するという課題に直面していることが多い。
インクリメンタルな計算アプローチを採用し、入力の変化に応じて計算を再利用する。
本稿では,この手法をトランスフォーマーアーキテクチャに適用し,修正入力の分数に比例した複雑性を持つ効率的なインクリメンタル推論アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-07-27T16:30:27Z) - Towards Model-Size Agnostic, Compute-Free, Memorization-based Inference
of Deep Learning [5.41530201129053]
本稿では,新しい暗記ベース推論(MBI)を提案する。
具体的には、リカレント・アテンション・モデル(RAM)の推論機構に着目します。
低次元のスリープ性を活用することで、我々の推論手順は、スリープ位置、パッチベクトルなどからなるキー値対をテーブルに格納する。
計算は、テーブルを利用してキーと値のペアを読み出し、暗記による計算自由推論を実行することにより、推論中に妨げられる。
論文 参考訳(メタデータ) (2023-07-14T21:01:59Z) - Deep Quantum Error Correction [73.54643419792453]
量子誤り訂正符号(QECC)は、量子コンピューティングのポテンシャルを実現するための鍵となる要素である。
本研究では,新しいエンペンド・ツー・エンドの量子誤りデコーダを効率的に訓練する。
提案手法は,最先端の精度を実現することにより,QECCのニューラルデコーダのパワーを実証する。
論文 参考訳(メタデータ) (2023-01-27T08:16:26Z) - Approximate complex amplitude encoding algorithm and its application to
classification problem in financial operations [3.376895809177714]
量子コンピューティングは、特に機械学習において、データ処理効率を加速する可能性がある。
古典的なデータベクトルを量子状態にロードするタスクは指数的な数の量子ゲートを必要とする。
本研究では, AAEを拡張して, 複素数値データベクトルを扱えるようにする。
論文 参考訳(メタデータ) (2022-11-23T15:46:29Z) - Mixed Quantum-Classical Method For Fraud Detection with Quantum Feature
Selection [0.0]
本稿では,Quantum Support Vector Machineの機能マップ特性を用いて,最適な特徴を探索する手法を提案する。
古典的および量子的アルゴリズムを組み合わせたアンサンブルモデルを用いて、ハイブリッド古典量子アプローチを探索する。
論文 参考訳(メタデータ) (2022-08-16T21:46:04Z) - Optimal quantum control via genetic algorithms for quantum state
engineering in driven-resonator mediated networks [68.8204255655161]
進化的アルゴリズムに基づく量子状態工学には、機械学習によるアプローチを採用しています。
我々は、単一のモード駆動マイクロ波共振器を介して相互作用する、量子ビットのネットワーク(直接結合のない人工原子の状態に符号化された)を考える。
アルゴリズムは理想的なノイズフリー設定で訓練されているにもかかわらず、高い量子忠実度とノイズに対するレジリエンスを観測する。
論文 参考訳(メタデータ) (2022-06-29T14:34:00Z) - Simulating the Mott transition on a noisy digital quantum computer via
Cartan-based fast-forwarding circuits [62.73367618671969]
動的平均場理論(DMFT)は、ハバードモデルの局所グリーン関数をアンダーソン不純物のモデルにマッピングする。
不純物モデルを効率的に解くために、量子およびハイブリッド量子古典アルゴリズムが提案されている。
この研究は、ノイズの多いデジタル量子ハードウェアを用いたMott相転移の最初の計算を提示する。
論文 参考訳(メタデータ) (2021-12-10T17:32:15Z) - Tree tensor network classifiers for machine learning: from
quantum-inspired to quantum-assisted [0.0]
本稿では,データベクトルの長さが指数関数的に大きいヒルベルト空間において,多変量データを量子状態に符号化する量子支援機械学習(QAML)法について述べる。
本稿ではゲートベースの量子コンピューティングデバイスに実装可能なアプローチを提案する。
論文 参考訳(メタデータ) (2021-04-06T02:31:48Z) - Quantum noise protects quantum classifiers against adversaries [120.08771960032033]
量子情報処理におけるノイズは、特に短期的な量子技術において、破壊的で避け難い特徴と見なされることが多い。
量子回路の非偏極雑音を利用して分類を行うことにより、敵に縛られるロバスト性を導出できることを示す。
これは、最も一般的な敵に対して使用できる最初の量子プロトコルである。
論文 参考訳(メタデータ) (2020-03-20T17:56:14Z)
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。