Fugu-MT 論文翻訳(概要): Performance of Particle Tracking Using a Quantum Graph Neural Network

論文の概要: Performance of Particle Tracking Using a Quantum Graph Neural Network

arxiv url: http://arxiv.org/abs/2012.01379v2
Date: Mon, 25 Jan 2021 10:24:04 GMT
ステータス: 処理完了
システム内更新日: 2023-04-22 07:47:30.926569
Title: Performance of Particle Tracking Using a Quantum Graph Neural Network
Title（参考訳）: 量子グラフニューラルネットワークを用いた粒子追跡の性能評価
Authors: Cenk T\"uys\"uz, Kristiane Novotny, Carla Rieger, Federico Carminati, Bilge Demirk\"oz, Daniel Dobos, Fabio Fracas, Karolos Potamianos, Sofia Vallecorsa, Jean-Roch Vlimant
Abstract要約: 大型ハドロン衝突型加速器(LHC)は、粒子衝突(光度)の瞬間的な速度を高めるためにアップグレードされ、高輝度LHCとなる。この研究は、指数関数的に増大するヒルベルト空間の恩恵を得るために、トラック再構成タスクで証明された新しいグラフニューラルネットワークモデルをハイブリッドグラフニューラルネットワークに変換する可能性を探究する。
参考スコア（独自算出の注目度）: 1.0480625205078853
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The Large Hadron Collider (LHC) at the European Organisation for Nuclear Research (CERN) will be upgraded to further increase the instantaneous rate of particle collisions (luminosity) and become the High Luminosity LHC. This increase in luminosity, will yield many more detector hits (occupancy), and thus measurements will pose a challenge to track reconstruction algorithms being responsible to determine particle trajectories from those hits. This work explores the possibility of converting a novel Graph Neural Network model, that proven itself for the track reconstruction task, to a Hybrid Graph Neural Network in order to benefit the exponentially growing Hilbert Space. Several Parametrized Quantum Circuits (PQC) are tested and their performance against the classical approach is compared. We show that the hybrid model can perform similar to the classical approach. We also present a future road map to further increase the performance of the current hybrid model.
Abstract（参考訳）: 欧州原子核研究機構(cern)の大型ハドロン衝突型加速器(lhc)は、素粒子衝突(光度)をさらに増加させ、高輝度のlhcとなるようにアップグレードされる。この光度の増加により、より多くの検出器ヒット(占有率)が生成されるため、これらのヒットから粒子軌道を決定するための再構成アルゴリズムの追跡が困難になる。この研究は、トラック再構成タスクで証明された新しいグラフニューラルネットワークモデルを、指数関数的に増加するヒルベルト空間の恩恵を受けるためにハイブリッドグラフニューラルネットワークに変換する可能性を探求する。いくつかのパラメタライズド量子回路(PQC)を試験し、古典的アプローチに対する性能を比較した。ハイブリッドモデルは,従来の手法とよく似た性能を示すことを示す。また,現在のハイブリッドモデルの性能をさらに高めるために,今後の道路図も提示する。

関連論文リスト

Quantum Latent Diffusion Models [65.16624577812436]
本稿では,古典的潜伏拡散モデルの確立した考え方を活用する量子拡散モデルの潜在的バージョンを提案する。これには、従来のオートエンコーダを使用してイメージを削減し、次に潜時空間の変動回路で操作する。この結果は、量子バージョンが生成した画像のより良い測定値を得ることによって証明されたように、量子バージョンを使用することの利点を示している。
論文参考訳（メタデータ） (2025-01-19T21:24:02Z)
Latent Style-based Quantum GAN for high-quality Image Generation [28.3231031892146]
本稿では,GAN(Generative Adversarial Networks)の学習に古典量子アプローチを併用したLastnt Style-based Quantum GAN(LaSt-QGAN)を紹介する。私たちのLaSt-QGANは、標準的なMNISTを超えるリアルなコンピュータビジョンデータセット、すなわちファッション製品であるFashion MNISTと10キュービットのSAT4(地球観測画像)でうまくトレーニングできます。
論文参考訳（メタデータ） (2024-06-04T18:00:00Z)
Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
論文参考訳（メタデータ） (2024-02-25T16:57:51Z)
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)
Equivariant Graph Neural Networks for Charged Particle Tracking [1.6626046865692057]
EuclidNetは荷電粒子追跡のための新しい対称性等価GNNである。 TrackMLデータセット上の最先端のインタラクションネットワークに対してベンチマークを行う。以上の結果から,EuclidNetは小規模なモデルスケールでほぼ最先端の性能を達成できることが示唆された。
論文参考訳（メタデータ） (2023-04-11T15:43:32Z)
A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
生成モデルの一般化性能を評価するためのフレームワークを構築した。古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
論文参考訳（メタデータ） (2023-03-27T22:48:28Z)
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)
EvenNet: Ignoring Odd-Hop Neighbors Improves Robustness of Graph Neural Networks [51.42338058718487]
グラフニューラルネットワーク(GNN)は、グラフ機械学習における有望なパフォーマンスについて、広範な研究の注目を集めている。 GCNやGPRGNNのような既存のアプローチは、テストグラフ上のホモフィリな変化に直面しても堅牢ではない。偶数多項式グラフフィルタに対応するスペクトルGNNであるEvenNetを提案する。
論文参考訳（メタデータ） (2022-05-27T10:48:14Z)
Hybrid Quantum Classical Graph Neural Networks for Particle Track Reconstruction [0.0]
大型ハドロン衝突型加速器(LHC)は、粒子衝突の瞬間速度(光度)をさらに高めるためにアップグレードされる。 HL-LHCは、さらに多くの検出器ヒットを発生させるだろう。本研究では,新しいグラフニューラルネットワークモデルをハイブリッド量子古典グラフニューラルネットワークに変換する可能性について検討する。
論文参考訳（メタデータ） (2021-09-26T15:47:31Z)
On Circuit-based Hybrid Quantum Neural Networks for Remote Sensing Imagery Classification [88.31717434938338]
ハイブリッドQCNNは、標準ニューラルネットワーク内に量子層を導入することで、CNNの古典的なアーキテクチャを豊かにする。この研究で提案された新しいQCNNは、地球観測(EO)のユースケースとして選択された土地利用・土地被覆(LULC)分類に適用される。マルチクラス分類の結果は,QCNNの性能が従来の性能よりも高いことを示すことによって,提案手法の有効性を証明した。
論文参考訳（メタデータ） (2021-09-20T12:41:50Z)
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。