論文の概要: Quantum Support Vector Machines for Continuum Suppression in B Meson
Decays
- arxiv url: http://arxiv.org/abs/2103.12257v3
- Date: Thu, 4 Nov 2021 09:31:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-07 02:29:52.287981
- Title: Quantum Support Vector Machines for Continuum Suppression in B Meson
Decays
- Title（参考訳）: B中間子崩壊における連続抑制のための量子支援ベクトルマシン
- Authors: Jamie Heredge, Charles Hill, Lloyd Hollenberg, Martin Sevior
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.27342795342528275
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum computers have the potential to speed up certain computational tasks.
A possibility this opens up within the field of machine learning is the use of
quantum techniques that may be inefficient to simulate classically but could
provide superior performance in some tasks. Machine learning algorithms are
ubiquitous in particle physics and as advances are made in quantum machine
learning technology there may be a similar adoption of these quantum
techniques. In this work a quantum support vector machine (QSVM) is implemented
for signal-background classification. We investigate the effect of different
quantum encoding circuits, the process that transforms classical data into a
quantum state, on the final classification performance. We show an encoding
approach that achieves an average Area Under Receiver Operating Characteristic
Curve (AUC) of 0.848 determined using quantum circuit simulations. For this
same dataset the best classical method tested, a classical Support Vector
Machine (SVM) using the Radial Basis Function (RBF) Kernel achieved an AUC of
0.793. Using a reduced version of the dataset we then ran the algorithm on the
IBM Quantum ibmq_casablanca device achieving an average AUC of 0.703. As
further improvements to the error rates and availability of quantum computers
materialise, they could form a new approach for data analysis in high energy
physics.
- Abstract（参考訳）: 量子コンピュータは特定の計算タスクを高速化する可能性がある。
機械学習の分野では、古典的にシミュレートするには非効率だが、いくつかのタスクで優れたパフォーマンスを提供する量子技術が採用される可能性がある。
機械学習アルゴリズムは素粒子物理学においてユビキタスであり、量子機械学習技術の進歩に伴い、これらの量子技術も同様に採用される可能性がある。
本研究では,量子支援ベクトルマシン(QSVM)を信号背景分類のために実装する。
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的な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。
同じデータセットに対して、古典的サポートベクトルマシン (SVM) は、放射基底関数 (RBF) Kernel を用いて、0.793のAUCを達成した。
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。
量子コンピュータのエラー率と可用性をさらに改善することで、高エネルギー物理学におけるデータ分析の新しいアプローチを形成することができる。
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 Machine Learning: Quantum Kernel Methods [0.0]
カーネルメソッドは古典的な機械学習において強力で一般的なテクニックである。
量子コンピュータ上でしか効率的に計算できない量子特徴空間を使用することで、量子上の優位性を導出することができる。
データ依存型投影量子カーネルは、古典的カーネルに対して大きな利点をもたらすことが示されている。
論文 参考訳（メタデータ） (2024-05-02T23:45:29Z) - 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) - 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) - 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 [6.56216604465389]
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。
論文 参考訳（メタデータ） (2020-12-21T18:39:36Z) - Nearest Centroid Classification on a Trapped Ion Quantum Computer [57.5195654107363]
我々は,古典的データを量子状態に効率よくロードし,距離推定を行う手法を用いて,量子近接Centroid分類器を設計する。
MNIST手書き桁データセットの古典的最寄りのセントロイド分類器の精度と8次元合成データの最大100%の精度とを一致させ,11量子ビットトラップイオン量子マシン上で実験的に実証した。
論文 参考訳（メタデータ） (2020-12-08T01:10:30Z) - Electronic structure with direct diagonalization on a D-Wave quantum
annealer [62.997667081978825]
本研究は、D-Wave 2000Q量子アニール上の分子電子ハミルトニアン固有値-固有ベクトル問題を解くために、一般量子アニール固有解法(QAE)アルゴリズムを実装した。
そこで本研究では,D-Waveハードウェアを用いた各種分子系における基底および電子励起状態の取得について述べる。
論文 参考訳（メタデータ） (2020-09-02T22:46:47Z) - An Application of Quantum Annealing Computing to Seismic Inversion [55.41644538483948]
小型地震インバージョン問題を解決するために,D波量子アニールに量子アルゴリズムを適用した。
量子コンピュータによって達成される精度は、少なくとも古典的コンピュータと同程度である。
論文 参考訳（メタデータ） (2020-05-06T14:18:44Z) - QEML (Quantum Enhanced Machine Learning): Using Quantum Computing to
Enhance ML Classifiers and Feature Spaces [0.49841205356595936]
機械学習と量子コンピューティングは、特定のアルゴリズムのパフォーマンスと振る舞いにパラダイムシフトを引き起こしている。
本稿ではまず,量子的特徴空間の実装に関する数学的直観について述べる。
従来のKNNの分類手法を模倣した雑音変動量子回路KNNを構築した。
論文 参考訳（メタデータ） (2020-02-22T04:14:32Z)
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。