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
- Memory-Augmented Hybrid Quantum Reservoir Computing [0.0]
本稿では、量子計測の古典的後処理を通じてメモリを実装するハイブリッド量子古典的アプローチを提案する。
我々は、完全に連結されたIsingモデルとRydberg原子配列の2つの物理プラットフォーム上でモデルをテストした。
論文 参考訳（メタデータ） (2024-09-15T22:44:09Z) - Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか?
我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。
我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
論文 参考訳（メタデータ） (2024-08-22T08:21:28Z) - A Quantum Neural Network-Based Approach to Power Quality Disturbances Detection and Recognition [15.789631792979366]
電力品質障害(PQD)は電力システムの安定性と信頼性に大きな影響を及ぼす。
本稿では,PQDの検出と認識のための改良型量子ニューラルネットワーク(QNN)モデルを提案する。
このモデルは、障害の検出、7つの単一障害の認識、10の混合障害の認識を含む実験で99.75%、97.85%、95.5%の精度を達成する。
論文 参考訳（メタデータ） (2024-06-05T09:10:11Z) - Attention to Quantum Complexity [21.766643620345494]
我々は,汎用的な古典的AIフレームワークQuantum Attention Network(QuAN)を紹介する。
QuANは、測定スナップショットをトークンとして扱い、置換不変性を尊重する。
われわれはQuANを3つの異なる量子シミュレーション設定で厳格にテストしている。
論文 参考訳（メタデータ） (2024-05-19T17:46:40Z) - Quantum Patch-Based Autoencoder for Anomaly Segmentation [44.99833362998488]
画像の異常セグメンテーションのためのパッチベースの量子オートエンコーダ(QPB-AE)を提案する。
QPB-AEは、組み込まれた入力パッチの量子状態を再構成し、測定から直接異常マップを計算する。
複数のデータセットとパラメータ構成でその性能を評価する。
論文 参考訳（メタデータ） (2024-04-26T08:42:58Z) - 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) - 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 data classification problems [1.4843656413993453]
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。
量子状態の振幅に与えられた実数値データベクトルを大まかにロードする変動手段を用いた近似振幅符号化(AAE)法は,近距離デバイスを中心にこの問題に対する一般的なアプローチとして最近提案されている。
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) - 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) - 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。