論文の概要: Quantum Anomaly Detection for Collider Physics
- arxiv url: http://arxiv.org/abs/2206.08391v2
- Date: Mon, 7 Nov 2022 06:22:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-09 04:24:46.144354
- Title: Quantum Anomaly Detection for Collider Physics
- Title(参考訳): 衝突物理学における量子異常検出
- Authors: Sulaiman Alvi, Christian Bauer, and Benjamin Nachman
- Abstract要約: 高エネルギー物理データセットに対する経験的優位性という主張は数多くある。
大型ハドロン衝突型加速器の4レプトン最終状態における異常検出タスクについて検討した。
QMLが古典的MLに勝っているという証拠は見つからない。
- 参考スコア(独自算出の注目度): 1.5675763601034223
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum Machine Learning (QML) is an exciting tool that has received
significant recent attention due in part to advances in quantum computing
hardware. While there is currently no formal guarantee that QML is superior to
classical ML for relevant problems, there have been many claims of an empirical
advantage with high energy physics datasets. These studies typically do not
claim an exponential speedup in training, but instead usually focus on an
improved performance with limited training data. We explore an analysis that is
characterized by a low statistics dataset. In particular, we study an anomaly
detection task in the four-lepton final state at the Large Hadron Collider that
is limited by a small dataset. We explore the application of QML in a
semi-supervised mode to look for new physics without specifying a particular
signal model hypothesis. We find no evidence that QML provides any advantage
over classical ML. It could be that a case where QML is superior to classical
ML for collider physics will be established in the future, but for now,
classical ML is a powerful tool that will continue to expand the science of the
LHC and beyond.
- Abstract(参考訳): 量子機械学習(Quantum Machine Learning, QML)は、量子コンピューティングハードウェアの進歩によって、近年大きな注目を集めているエキサイティングなツールである。
現在、QMLは関連する問題に対して古典的MLよりも優れているという正式な保証はないが、高エネルギー物理データセットによる経験的優位性は数多く主張されている。
これらの研究は、通常、トレーニングにおける指数関数的なスピードアップを主張せず、訓練データに制限のあるパフォーマンス向上に焦点を当てている。
低統計データセットを特徴とする分析について検討する。
特に,小さなデータセットで制限された大型ハドロン衝突型加速器の4レプトン最終状態における異常検出タスクについて検討した。
そこで我々は,QMLを半教師付きモードに応用して,特定の信号モデル仮説を特定せずに新しい物理を探す。
QMLが古典的MLに勝っているという証拠は見つからない。
QMLがコライダー物理学の古典的MLよりも優れているケースが将来確立されるかもしれないが、今のところ、古典的MLはLHC以上の科学を拡大し続ける強力なツールである。
関連論文リスト
- Quantum Long Short-Term Memory for Drug Discovery [15.186004892998382]
薬物発見に量子機械学習(QML)をうまく応用する。
そこで本研究では,QMLがモデル性能を大幅に向上し,従来のMLよりも高速な収束を実現することを示す。
この研究は、量子コンピューティングが科学的進歩に多大な利益をもたらす可能性を強調している。
論文 参考訳(メタデータ) (2024-07-29T10:10:03Z) - Machine Learning for Quantum Computing Specialists [0.0]
量子機械学習(QML)は、量子コンピューティングにおける有望な早期ユースケースである。
この5年間、理論研究や数値シミュレーションから概念の証明まで進歩してきた。
現代の量子デバイスで実証されたユースケースには、医療画像とIrisデータセットからの項目の分類、手書き画像の分類と生成、毒性スクリーニング、確率分布の学習などがある。
論文 参考訳(メタデータ) (2024-04-29T09:54:06Z) - Unifying (Quantum) Statistical and Parametrized (Quantum) Algorithms [65.268245109828]
我々はカーンズのSQオラクルとヴァリアントの弱い評価オラクルからインスピレーションを得ます。
評価クエリから学習するための非条件の下限を出力する,広範かつ直感的なフレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-26T18:23:21Z) - Transition Role of Entangled Data in Quantum Machine Learning [51.6526011493678]
エンタングルメントは量子コンピューティングを強化するリソースとして機能する。
最近の進歩は量子力学の学習に対する肯定的な影響を浮き彫りにした。
我々は、絡み合ったデータを用いて量子力学を学習するための量子no-free-lunch(NFL)定理を確立する。
論文 参考訳(メタデータ) (2023-06-06T08:06:43Z) - 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) - 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) - 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) - Subtleties in the trainability of quantum machine learning models [0.0]
本稿では,変分量子アルゴリズムの勾配スケーリング結果を用いて,量子機械学習モデルの勾配スケーリングについて検討する。
以上の結果から,VQAトレーサビリティの低下がQMLのバレンプラトーなどの問題を引き起こす可能性が示唆された。
論文 参考訳(メタデータ) (2021-10-27T20:28:53Z) - Entangled Datasets for Quantum Machine Learning [0.0]
代わりに量子状態からなる量子データセットを使うべきだと我々は主張する。
NTangledデータセットの状態を生成するために量子ニューラルネットワークをどのように訓練するかを示す。
また、拡張性があり、量子回路によって準備された状態で構成される、別の絡み合いベースのデータセットについても検討する。
論文 参考訳(メタデータ) (2021-09-08T02:20:13Z) - 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) - Classification with Quantum Machine Learning: A Survey [17.55390082094971]
我々は古典的機械学習(ML)と量子情報処理(QIP)を組み合わせることで、量子世界における量子機械学習(QML)と呼ばれる新しい分野を構築する。
本稿では,量子機械学習(QML)の最先端技術に関する包括的調査を提示し,要約する。
論文 参考訳(メタデータ) (2020-06-22T14:05:31Z)
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。