論文の概要: Application of Quantum Machine Learning using the Quantum Variational Classifier Method to High Energy Physics Analysis at the LHC on IBM Quantum Computer Simulator and Hardware with 10 qubits

• arxiv url: http://arxiv.org/abs/2012.11560v2
• Date: Sat, 21 Aug 2021 17:32:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-20 00:19:10.080885
• Title: Application of Quantum Machine Learning using the Quantum Variational Classifier Method to High Energy Physics Analysis at the LHC on IBM Quantum Computer Simulator and Hardware with 10 qubits
• Title（参考訳）: 量子変分法を用いた量子機械学習のLHCにおける高エネルギー物理解析への応用 : IBM量子コンピュータシミュレータと10量子ビットハードウェア
• Authors: Sau Lan Wu, Jay Chan, Wen Guan, Shaojun Sun, Alex Wang, Chen Zhou, Miron Livny, Federico Carminati, Alberto Di Meglio, Andy C. Y. Li, Joseph Lykken, Panagiotis Spentzouris, Samuel Yen-Chi Chen, Shinjae Yoo and Tzu-Chieh Wei
• Abstract要約: 量子機械学習は、高エネルギー物理学におけるデータ分析の強力なツールになり得る。 我々は近年のLHCフラッグシップ物理解析において量子変分法を用いる。 将来の高輝度LHC物理解析における量子機械学習の利用を予見する。
• 参考スコア（独自算出の注目度）: 6.56216604465389
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One of the major objectives of the experimental programs at the LHC is the discovery of new physics. This requires the identification of rare signals in immense backgrounds. Using machine learning algorithms greatly enhances our ability to achieve this objective. With the progress of quantum technologies, quantum machine learning could become a powerful tool for data analysis in high energy physics. In this study, using IBM gate-model quantum computing systems, we employ the quantum variational classifier method in two recent LHC flagship physics analyses: $t\bar{t}H$ (Higgs boson production in association with a top quark pair) and $H\rightarrow\mu^{+}\mu^{-}$ (Higgs boson decays to two muons, probing the Higgs boson couplings to second-generation fermions). We have obtained early results with 10 qubits on the IBM quantum simulator and the IBM quantum hardware. With small training samples of 100 events on the quantum simulator, the quantum variational classifier method performs similarly to classical algorithms such as SVM (support vector machine) and BDT (boosted decision tree), which are often employed in LHC physics analyses. On the quantum hardware, the quantum variational classifier method has shown promising discrimination power, comparable to that on the quantum simulator. This study demonstrates that quantum machine learning has the ability to differentiate between signal and background in realistic physics datasets. We foresee the usage of quantum machine learning in future high-luminosity LHC physics analyses, including measurements of the Higgs boson self-couplings and searches for dark matter.
• Abstract（参考訳）: lhcにおける実験プログラムの主な目的の1つは、新しい物理学の発見である。 これは膨大な背景にある稀な信号の同定を必要とする。 機械学習アルゴリズムを使用することで、この目的を達成する能力が大幅に向上します。 量子技術の進歩により、量子機械学習は高エネルギー物理学におけるデータ分析の強力なツールとなりうる。 本研究は,ibmのゲートモデル量子コンピューティングシステムを用いて,最近のlhcフラッグシップ物理解析において,量子変分分類法を適用した。 $t\bar{t}h$ (トップクォーク対に関連付けてボソン生成) と $h\rightarrow\mu^{+}\mu^{-}$ (ヒッグスボゾンが2つのミューオンに崩壊し,ヒッグスボソンカップリングを第2世代のフェルミオンに推定する) である。 我々は、IBM量子シミュレータとIBM量子ハードウェアの10量子ビットによる初期の結果を得た。 量子シミュレータ上の100の事象の小さなトレーニングサンプルを用いて、量子変分分類法は、LHC物理解析によく用いられるSVM(サポートベクトルマシン)やBDT(ブースト決定木)のような古典的なアルゴリズムと同様に動作する。 量子ハードウェアでは、量子変分分類法が量子シミュレータに匹敵する有望な識別力を示している。 この研究は、量子機械学習が現実的な物理データセットの信号と背景を区別できることを示した。 我々は、将来の高輝度LHC物理解析における量子機械学習の利用を予測し、ヒッグス粒子自己結合の測定や暗黒物質の探索を含む。

関連論文リスト

• The curse of random quantum data [62.24825255497622]
  量子データのランドスケープにおける量子機械学習の性能を定量化する。 量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。 この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
  論文  参考訳（メタデータ） (2024-08-19T12:18:07Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• Application of Quantum Machine Learning in a Higgs Physics Study at the CEPC [5.747925022035578]
  我々は、Circular Electron-Positron Collider (CEPC)において、量子機械学習アルゴリズムを用いて、$e+e- rightarrow ZH$プロセスの研究を行った。 量子コンピュータシミュレータの6キュービットを用いて,QSVM-カーネルアルゴリズムを最適化し,従来のサポートベクトルマシンアルゴリズムと同様の分類性能を得た。 我々の研究は、最先端の量子コンピューティング技術が粒子物理学によって活用できることを示した。
  論文  参考訳（メタデータ） (2022-09-26T15:46:30Z)
• Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
  量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。 機械学習の観点からQGLMの現状を概観する。 従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2022-06-07T07:32:57Z)
• Recompilation-enhanced simulation of electron-phonon dynamics on IBM Quantum computers [62.997667081978825]
  小型電子フォノン系のゲートベース量子シミュレーションにおける絶対的資源コストについて考察する。 我々は、弱い電子-フォノン結合と強い電子-フォノン結合の両方のためのIBM量子ハードウェアの実験を行う。 デバイスノイズは大きいが、近似回路再コンパイルを用いることで、正確な対角化に匹敵する電流量子コンピュータ上で電子フォノンダイナミクスを得る。
  論文  参考訳（メタデータ） (2022-02-16T19:00:00Z)
• Anomaly detection in high-energy physics using a quantum autoencoder [0.0]
  LHCにおける異常検出問題に対する変分量子回路に基づく量子オートエンコーダについて検討する。 QCD $tbart$ 背景および共鳴重ヒッグス信号に対して、単純な量子オートエンコーダは古典的オートエンコーダよりも優れており、非常に効率的に訓練することができる。 このことは、量子オートエンコーダが将来のLHCにおける高エネルギー物理データを解析するための良い候補であることを示している。
  論文  参考訳（メタデータ） (2021-12-09T14:38:14Z)
• Application of Quantum Machine Learning using the Quantum Kernel Algorithm on High Energy Physics Analysis at the LHC [8.428528868905643]
  量子カーネル推定器を備えたサポートベクトルマシンを最近のLHCフラッグシップ物理解析に適用する。 最大20量子ビットと最大50000のイベントを用いた量子シミュレーションでは、QSVM-カーネル法はその古典的な手法と同様に機能する。 IBM超伝導量子ハードウェアへのQSVM-カーネル法の適用は、ノイズレス量子シミュレータの性能にアプローチする。
  論文  参考訳（メタデータ） (2021-04-11T17:29:49Z)
• Towards understanding the power of quantum kernels in the NISQ era [79.8341515283403]
  量子カーネルの利点は,大規模データセット,計測回数の少ないもの,システムノイズなどにおいて消失することを示した。 我々の研究は、NISQデバイス上で量子優位性を得るための先進量子カーネルの探索に関する理論的ガイダンスを提供する。
  論文  参考訳（メタデータ） (2021-03-31T02:41:36Z)
• Quantum Support Vector Machines for Continuum Suppression in B Meson Decays [0.27342795342528275]
  古典的データを量子状態に変換するプロセスである異なる量子符号化回路が最終分類性能に与える影響について検討する。 本稿では、量子回路シミュレーションを用いて、0.848のAUC(Area Under Receiver Operating Characteristics Curve)の符号化手法を提案する。 データセットの縮小バージョンを使用して、IBM Quantum ibmq_casablancaデバイス上でアルゴリズムを実行し、平均AUCは0.703に達した。
  論文  参考訳（メタデータ） (2021-03-23T02:09:05Z)

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。