論文の概要: Anomaly detection in high-energy physics using a quantum autoencoder

• arxiv url: http://arxiv.org/abs/2112.04958v3
• Date: Thu, 19 May 2022 06:23:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-05 00:57:54.469313
• Title: Anomaly detection in high-energy physics using a quantum autoencoder
• Title（参考訳）: 量子オートエンコーダを用いた高エネルギー物理における異常検出
• Authors: Vishal S. Ngairangbam, Michael Spannowsky, and Michihisa Takeuchi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The lack of evidence for new interactions and particles at the Large Hadron Collider has motivated the high-energy physics community to explore model-agnostic data-analysis approaches to search for new physics. Autoencoders are unsupervised machine learning models based on artificial neural networks, capable of learning background distributions. We study quantum autoencoders based on variational quantum circuits for the problem of anomaly detection at the LHC. For a QCD $t\bar{t}$ background and resonant heavy Higgs signals, we find that a simple quantum autoencoder outperforms classical autoencoders for the same inputs and trains very efficiently. Moreover, this performance is reproducible on present quantum devices. This shows that quantum autoencoders are good candidates for analysing high-energy physics data in future LHC runs.
• Abstract（参考訳）: 大型ハドロン衝突型加速器における新しい相互作用と粒子の証拠の欠如は、高エネルギー物理学コミュニティが新しい物理学を探すためのモデル非依存のデータ分析アプローチを探求する動機となった。 オートエンコーダは、ニューラルネットワークに基づく教師なし機械学習モデルであり、背景分布を学習することができる。 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の研究を行った。 QCD $t\bar{t}$ background and resonant heavy Higgs signalに対して、単純な量子オートエンコーダは同じ入力に対して古典的オートエンコーダより優れ、非常に効率的に訓練する。 さらに、この性能は現在の量子デバイスで再現可能である。 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。

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)
• Unsupervised Beyond-Standard-Model Event Discovery at the LHC with a Novel Quantum Autoencoder [0.0]
  本研究は,大型ハドロン衝突型加速器の標準モデルを超える物理を同定するための教師なし異常検出の可能性を探るものである。 本稿では,この課題に特化して設計された新しい量子オートエンコーダ回路アンサッツを提案する。 量子オートエンコーダ回路の特性について検討し,絡み合いと魔法に着目した。
  論文  参考訳（メタデータ） (2024-07-10T18:01:11Z)
• Guided Quantum Compression for Higgs Identification [0.0]
  量子機械学習は、データを解析するための根本的に斬新で有望なアプローチを提供する。 本研究では,従来のオートエンコーダを独立処理ステップとして使用することにより,量子機械学習アルゴリズムの分類性能を大幅に低下させることができることを示す。 我々は、前処理と量子分類アルゴリズムを単一のトレーニング可能なモデル、すなわちガイド付き量子圧縮モデルに統合するアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2024-02-14T19:01:51Z)
• Long-lived Particles Anomaly Detection with Parametrized Quantum Circuits [0.0]
  パラメタライズド量子回路に基づく異常検出アルゴリズムを提案する。 このアルゴリズムは古典的なコンピュータで訓練され、シミュレーションや実際の量子ハードウェアでテストされている。
  論文  参考訳（メタデータ） (2023-12-07T11:50:42Z)
• 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)
• 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)
• 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)
• Quantum Error Correction with Quantum Autoencoders [0.0]
  量子ニューラルネットワークをトレーニングして,能動的検出と誤り訂正のための最適な戦略を学習する方法を示す。 量子オートエンコーダの復号化能力は、特定の状態の保護に限らず、論理的コード空間全体に拡張されることを強調した。
  論文  参考訳（メタデータ） (2022-02-01T16:55:14Z)
• Entangling Quantum Generative Adversarial Networks [53.25397072813582]
  量子生成逆数ネットワーク(量子GAN, EQ-GAN)のための新しいタイプのアーキテクチャを提案する。 EQ-GANはコヒーレントなエラーに対してさらなる堅牢性を示し、Google Sycamore超伝導量子プロセッサで実験的にEQ-GANの有効性を示す。
  論文  参考訳（メタデータ） (2021-04-30T20:38:41Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• 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)

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。