論文の概要: Quantum computing for data analysis in high energy physics

• arxiv url: http://arxiv.org/abs/2203.08805v2
• Date: Thu, 8 Dec 2022 04:49:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-22 01:04:44.296023
• Title: Quantum computing for data analysis in high energy physics
• Title（参考訳）: 高エネルギー物理におけるデータ解析のための量子コンピューティング
• Authors: Andrea Delgado, Kathleen E. Hamilton, Prasanna Date, Jean-Roch Vlimant, Duarte Magano, Yasser Omar, Pedrame Bargassa, Anthony Francis, Alessio Gianelle, Lorenzo Sestini, Donatella Lucchesi, Davide Zuliani, Davide Nicotra, Jacco de Vries, Dominica Dibenedetto, Miriam Lucio Martinez, Eduardo Rodrigues, Carlos Vazquez Sierra, Sofia Vallecorsa, Jesse Thaler, Carlos Bravo-Prieto, su Yeon Chang, Jeffrey Lazar, Carlos A. Arg\"uelles, Jorge J. Martinez de Lejarza
• Abstract要約: 本稿では,量子コンピューティングの高エネルギー物理学におけるデータ解析への応用について概説する。 本稿では、これらの新しい分析手法を日々の分析ワークフローに統合する際の課題と機会について論じる。
• 参考スコア（独自算出の注目度）: 1.6002009406818865
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Some of the biggest achievements of the modern era of particle physics, such as the discovery of the Higgs boson, have been made possible by the tremendous effort in building and operating large-scale experiments like the Large Hadron Collider or the Tevatron. In these facilities, the ultimate theory to describe matter at the most fundamental level is constantly probed and verified. These experiments often produce large amounts of data that require storing, processing, and analysis techniques that often push the limits of traditional information processing schemes. Thus, the High-Energy Physics (HEP) field has benefited from advancements in information processing and the development of algorithms and tools for large datasets. More recently, quantum computing applications have been investigated in an effort to understand how the community can benefit from the advantages of quantum information science. In this manuscript, we provide an overview of the state-of-the-art applications of quantum computing to data analysis in HEP, discuss the challenges and opportunities in integrating these novel analysis techniques into a day-to-day analysis workflow, and whether there is potential for a quantum advantage.
• Abstract（参考訳）: ヒッグス粒子の発見など、現代の素粒子物理学における大きな成果のいくつかは、大型ハドロン衝突型加速器やテバトロンのような大規模実験の製作と運用の多大な努力によって実現された。 これらの施設では、物質を最も基本的なレベルで記述する究極の理論が常に調査され、検証される。 これらの実験は、しばしば伝統的な情報処理方式の限界を押し上げる保存、処理、分析技術を必要とする大量のデータを生成する。 したがって、高エネルギー物理学(HEP)分野は、情報処理の進歩と大規模データセットのためのアルゴリズムやツールの開発から恩恵を受けている。 近年、量子コンピューティングアプリケーションは、コミュニティが量子情報科学の利点をどのように活用できるかを理解するために研究されている。 本稿では、HEPにおけるデータ解析への量子コンピューティングの最先端応用の概要について述べ、これらの新しい分析技術を日々の分析ワークフローに統合する上での課題と機会、量子優位性の可能性について論じる。

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)
• Streaming IoT Data and the Quantum Edge: A Classic/Quantum Machine Learning Use Case [0.6554326244334868]
  量子機械学習を分散コンピューティング連続体に統合するためのエッジコンピューティングの利用について検討する。 我々は,IoTシナリオにおける量子機械学習分析の予備的結果を示す。
  論文  参考訳（メタデータ） (2024-02-23T10:36:22Z)
• Neural auto-designer for enhanced quantum kernels [59.616404192966016]
  本稿では,問題固有の量子特徴写像の設計を自動化するデータ駆動型手法を提案する。 私たちの研究は、量子機械学習の進歩におけるディープラーニングの実質的な役割を強調します。
  論文  参考訳（メタデータ） (2024-01-20T03:11:59Z)
• Quantum-centric Supercomputing for Materials Science: A Perspective on Challenges and Future Directions [20.785521465797203]
  材料科学におけるハードな計算タスクは、既存の高性能スーパーコンピュータセンターの限界を延長する。 一方、量子コンピューティングは、材料科学に必要な多くの計算タスクを加速する可能性を持つ新興技術である。
  論文  参考訳（メタデータ） (2023-12-14T18:14:22Z)
• Quantum Computing for High-Energy Physics: State of the Art and Challenges. Summary of the QC4HEP Working Group [33.8590861326926]
  本論文はCERN, DESY, IBMが主導し,高エネルギー物理量子計算の現状について述べる。 近い将来に対処できる理論的および実験的なターゲットベンチマークアプリケーションの例を示す。 可能であれば、IBM 100 x 100の課題を念頭に置いて、エラー軽減量子コンピューティングを使用した例のリソース推定も提供する。
  論文  参考訳（メタデータ） (2023-07-06T18:01:02Z)
• 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)
• Fitting a Collider in a Quantum Computer: Tackling the Challenges of Quantum Machine Learning for Big Datasets [0.0]
  この課題に対処するために、特徴とデータプロトタイプの選択手法が研究された。 グリッドサーチが行われ、量子機械学習モデルが訓練され、古典的な浅層機械学習手法に対してベンチマークされた。 量子アルゴリズムの性能は、大規模なデータセットを使用しても、古典的なアルゴリズムに匹敵することがわかった。
  論文  参考訳（メタデータ） (2022-11-06T22:45:37Z)
• Snowmass Computational Frontier: Topical Group Report on Quantum Computing [0.8594140167290096]
  本稿では,量子情報科学(QIS)と高エネルギー物理(HEP)の相互作用について概説する。 量子コンピュータは、HEPの振れ合いを表すものではなく、我々の発見ツールキットの不可欠な部分となるように設定されている。 経済全体における量子技術の役割は、今後10年間で急速に成長すると予想されている。
  論文  参考訳（メタデータ） (2022-09-14T17:10:20Z)
• 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)
• Simulating Quantum Materials with Digital Quantum Computers [55.41644538483948]
  デジタル量子コンピュータ(DQC)は、古典的コンピュータでは引き起こせない量子シミュレーションを効率的に行うことができる。 このレビューの目的は、物理量子優位性を達成するために行われた進歩の要約を提供することである。
  論文  参考訳（メタデータ） (2021-01-21T20:10:38Z)
• 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)

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。