論文の概要: Application of Quantum Machine Learning using the Quantum Kernel Algorithm on High Energy Physics Analysis at the LHC

• arxiv url: http://arxiv.org/abs/2104.05059v2
• Date: Thu, 9 Sep 2021 15:47:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-04 03:49:18.002861
• Title: Application of Quantum Machine Learning using the Quantum Kernel Algorithm on High Energy Physics Analysis at the LHC
• Title（参考訳）: 量子カーネルアルゴリズム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
• Authors: Sau Lan Wu, Shaojun Sun, Wen Guan, Chen Zhou, Jay Chan, Chi Lung Cheng, Tuan Pham, Yan Qian, Alex Zeng Wang, Rui Zhang, Miron Livny, Jennifer Glick, Panagiotis Kl. Barkoutsos, Stefan Woerner, Ivano Tavernelli, Federico Carminati, Alberto Di Meglio, Andy C. Y. Li, Joseph Lykken, Panagiotis Spentzouris, Samuel Yen-Chi Chen, Shinjae Yoo, Tzu-Chieh Wei
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 8.428528868905643
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum machine learning could possibly become a valuable alternative to classical machine learning for applications in High Energy Physics by offering computational speed-ups. In this study, we employ a support vector machine with a quantum kernel estimator (QSVM-Kernel method) to a recent LHC flagship physics analysis: $t\bar{t}H$ (Higgs boson production in association with a top quark pair). In our quantum simulation study using up to 20 qubits and up to 50000 events, the QSVM-Kernel method performs as well as its classical counterparts in three different platforms from Google Tensorflow Quantum, IBM Quantum and Amazon Braket. Additionally, using 15 qubits and 100 events, the application of the QSVM-Kernel method on the IBM superconducting quantum hardware approaches the performance of a noiseless quantum simulator. Our study confirms that the QSVM-Kernel method can use the large dimensionality of the quantum Hilbert space to replace the classical feature space in realistic physics datasets.
• Abstract（参考訳）: 量子機械学習は、計算スピードアップを提供することで、高エネルギー物理学の応用における古典的な機械学習の代替となる可能性がある。 本研究では,量子カーネル推定器(QSVM-Kernel法)を用いた支持ベクトルマシンを用いて,最近のLHCフラッグシップ物理解析を行った。 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研究では、QSVM-Kernelメソッドは、Google Tensorflow Quantum、IBM Quantum、Amazon Braketの3つのプラットフォームで、従来のものと同様に動作する。 さらに、15量子ビットと100のイベントを用いて、IBM超伝導量子ハードウェアへのQSVM-Kernel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。 本研究は,QSVM-Kernel法が量子ヒルベルト空間の次元の大きい空間を用いて,現実的な物理データセットの古典的特徴空間を置き換えることができることを確認した。

関連論文リスト

• Technology and Performance Benchmarks of IQM's 20-Qubit Quantum Computer [56.435136806763055]
  IQM量子コンピュータはQPUと他のフルスタック量子コンピュータの両方をカバーする。 焦点は、Garnet QPUとそのアーキテクチャを特徴とする20量子ビットの量子コンピュータであり、最大150量子ビットまでスケールする。 QPUとシステムレベルベンチマークは、中央値の2キュービットゲート忠実度99.5%、グリーンバーガー・ホーネ・ザイリンガー(GHZ)状態の20キュービット全てを真のエンハングリングする。
  論文  参考訳（メタデータ） (2024-08-22T14:26:10Z)
• Machine Learning in the Quantum Age: Quantum vs. Classical Support Vector Machines [0.0]
  この研究は、古典的および量子計算パラダイムにおける機械学習アルゴリズムの有効性を判断する努力である。 我々は、Irisデータセット上で量子ハードウェアで動作する古典的なSVMと量子サポートベクトルマシンの分類技術を精査する。
  論文  参考訳（メタデータ） (2023-10-17T01:06:59Z)
• 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)
• TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [59.07246314484875]
  TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。 古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。 量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
  論文  参考訳（メタデータ） (2023-01-13T09:35:05Z)
• 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)
• 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)
• 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)
• Quantum simulation of open quantum systems in heavy-ion collisions [0.0]
  本稿では,量子コンピュータ上での高温・強結合クォークグルーオンプラズマ(QGP)における重クォークやジェットなどのハードプローブのダイナミクスをシミュレーションする枠組みを提案する。 我々の研究は、現在および短期量子デバイス上でのオープン量子システムをシミュレートできる可能性を示している。
  論文  参考訳（メタデータ） (2020-10-07T18:00:02Z)

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。