論文の概要: Quantum Machine Learning for $b$-jet charge identification
- arxiv url: http://arxiv.org/abs/2202.13943v2
- Date: Sun, 2 Oct 2022 21:52:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-23 17:50:30.158067
- Title: Quantum Machine Learning for $b$-jet charge identification
- Title(参考訳): $b$-jetの電荷同定のための量子機械学習
- Authors: Alessio Gianelle (1), Patrick Koppenburg (2), Donatella Lucchesi (1
and 3), Davide Nicotra (3 and 4), Eduardo Rodrigues (5), Lorenzo Sestini (1),
Jacco de Vries (4), Davide Zuliani (1 and 3 and 6) ((1) INFN Sezione di
Padova, Padova, Italy, (2) Nikhef National Institute for Subatomic Physics,
Amsterdam, Netherlands, (3) Universit\`a degli Studi di Padova, Padova,
Italy, (4) Universiteit Maastricht, Maastricht, Netherlands, (5) University
of Liverpool, Liverpool, United Kingdom, (6) European Organization for
Nuclear Research (CERN), Geneva, Switzerland)
- Abstract要約: 本稿では,LHCb実験のシミュレーションデータに応用された変分量子をベースとして,ジェットが生産時に$b$または$barbクォークによって形成されたハドロンを含むかどうかを同定する新しい手法を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine Learning algorithms have played an important role in hadronic jet
classification problems. The large variety of models applied to Large Hadron
Collider data has demonstrated that there is still room for improvement. In
this context Quantum Machine Learning is a new and almost unexplored
methodology, where the intrinsic properties of quantum computation could be
used to exploit particles correlations for improving the jet classification
performance. In this paper, we present a brand new approach to identify if a
jet contains a hadron formed by a $b$ or $\bar{b}$ quark at the moment of
production, based on a Variational Quantum Classifier applied to simulated data
of the LHCb experiment. Quantum models are trained and evaluated using LHCb
simulation. The jet identification performance is compared with a Deep Neural
Network model to assess which method gives the better performance.
- Abstract(参考訳): 機械学習アルゴリズムはハドロンジェットの分類問題において重要な役割を果たしてきた。
大型ハドロン衝突型加速器データに適用された多種多様なモデルは、まだ改善の余地があることを示した。
この文脈では、量子機械学習は、新しいほとんど探索されていない方法論であり、量子計算の本質的な性質を用いて、ジェット分類性能を改善するために粒子相関を利用することができる。
本稿では、lhcb実験のシミュレーションデータに適用された変分量子分類器に基づいて、ジェットが生成時点で b$ または $\bar{b}$ quark によって形成されたハドロンを含むかどうかを識別する、全く新しいアプローチを提案する。
LHCbシミュレーションを用いて量子モデルを訓練・評価する。
ジェット識別性能をディープニューラルネットワークモデルと比較し、どの手法がより良い性能を与えるかを評価する。
関連論文リスト
- 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) - Nonnegative/Binary Matrix Factorization for Image Classification using
Quantum Annealing [0.0]
画像分類のための量子アニールを用いた行列分解法を実装した。
以上の結果から,NAMFで訓練したモデルの精度は,データ量,特徴量,エポックスが小さい場合,従来の機械学習手法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-11-02T06:41:27Z) - QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。
量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。
4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
論文 参考訳(メタデータ) (2023-08-25T15:08:19Z) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳(メタデータ) (2022-11-23T18:25:32Z) - Photonic Quantum Computing For Polymer Classification [62.997667081978825]
2つのポリマークラス (VIS) と近赤外 (NIR) は, ポリマーギャップの大きさに基づいて定義される。
高分子構造の二項分類に対する古典量子ハイブリッド手法を提案する。
論文 参考訳(メタデータ) (2022-11-22T11:59:52Z) - Validation tests of GBS quantum computers give evidence for quantum
advantage with a decoherent target [62.997667081978825]
複数モードデータの検証に指紋としてグループカウント確率の正P位相空間シミュレーションを用いる。
偽データを解き放つ方法を示し、これを古典的なカウントアルゴリズムに適用する。
論文 参考訳(メタデータ) (2022-11-07T12:00:45Z) - Medium induced jet broadening in a quantum computer [0.0]
我々は、カラー背景の存在下で1つのハードプローブの進化を追跡するデジタル量子回路を構築した。
理想的な量子コンピュータの古典的なシミュレータを用いて得られた結果は、既知の解析結果と一致する。
論文 参考訳(メタデータ) (2022-08-13T23:44:25Z) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳(メタデータ) (2021-06-24T15:58:57Z) - Quantum Machine Learning with SQUID [64.53556573827525]
分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。
本稿では、一般的なMNISTデータセットから標準バイナリ分類問題にSQUIDを使用する例を示す。
論文 参考訳(メタデータ) (2021-04-30T21:34:11Z) - Quantum-inspired Machine Learning on high-energy physics data [0.0]
CERNの大型ハドロン衝突型加速器が生成するデータの分析と分類に量子インスパイアされた機械学習技術を適用した。
特に、いわゆるb-ジェットを効果的に分類する方法、陽子-陽子実験からb-クォークを起源とするジェット、および分類結果の解釈方法について述べる。
論文 参考訳(メタデータ) (2020-04-28T18:00:12Z)
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。