論文の概要: Application of Quantum Machine Learning in a Higgs Physics Study at the CEPC

• arxiv url: http://arxiv.org/abs/2209.12788v1
• Date: Mon, 26 Sep 2022 15:46:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-25 03:03:29.769769
• Title: Application of Quantum Machine Learning in a Higgs Physics Study at the CEPC
• Title（参考訳）: CEPCにおけるヒッグス物理研究における量子機械学習の適用
• Authors: Abdualazem Fadol, Qiyu Sha, Yaquan Fang, Zhan Li, Sitian Qian, Yuyang Xiao, Yu Zhang, Chen Zhou
• Abstract要約: 量子カーネル推定器(QSVM-カーネル)を用いたサポートベクトルマシンアルゴリズムは、高次元量子状態空間を利用して背景からの信号を特定する。 我々はこの量子機械学習アルゴリズムを用いて、中国の科学者によって提案されたヒッグス工場であるCircular Electron-Positron Collider (CEPC)で、$e+e- rightarrow ZH$プロセスを研究した。
• 参考スコア（独自算出の注目度）: 4.251246232577383
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning has blossomed in recent decades and has become essential in many fields. It significantly solved some problems for particle physics -- particle reconstruction, event classification, etc. However, it is now time to break the limitation of conventional machine learning with quantum computing. A support-vector machine algorithm with a quantum kernel estimator (QSVM-Kernel) leverages high-dimensional quantum state space to identify a signal from backgrounds. In this study, we have employed this quantum machine learning algorithm to study the $e^{+}e^{-} \rightarrow ZH$ process at the Circular Electron-Positron Collider (CEPC), a Higgs factory proposed by Chinese scientists. Using 6-qubits on quantum computer simulators, we have optimized the QSVM-Kernel algorithm and obtained a similar classification performance to the classical support-vector machine algorithm. We have also validated the QSVM-Kernel algorithm using 6-qubits on quantum computer hardware from both IBM and Origin Quantum (a quantum technology company in China), where the classification performance is approaching noiseless quantum computer simulators. Our study is one of the few examples that apply state-of-the-art quantum computing technologies to particle physics, a branch of fundamental science that relies on big experimental data.
• Abstract（参考訳）: 機械学習はここ数十年で花を咲かせ、多くの分野で必須となっている。 粒子物理学では、粒子再構成や事象分類など、いくつかの問題を著しく解決した。 しかし、量子コンピューティングによる従来の機械学習の限界を打破する時が来た。 量子カーネル推定器(QSVM-Kernel)を用いたサポートベクトルマシンアルゴリズムは、高次元量子状態空間を利用して背景からの信号を特定する。 本研究では、この量子機械学習アルゴリズムを用いて、中国の科学者によって提案されたヒッグス工場であるCircular Electron-Positron Collider (CEPC)で、$e^{+}e^{-} \rightarrow ZH$プロセスを研究する。 量子コンピュータシミュレータの6量子ビットを用いて、QSVM-Kernelアルゴリズムを最適化し、古典的な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。 また,IBM と Origin Quantum (中国の量子技術企業) の量子コンピュータハードウェア上での6量子ビットを用いた QSVM-Kernel アルゴリズムの検証を行った。 我々の研究は、大規模な実験データに依存する基礎科学の分野である粒子物理学に最先端の量子コンピューティング技術を適用する数少ない例の1つである。

関連論文リスト

• Quantum Machine Learning: An Interplay Between Quantum Computing and Machine Learning [54.80832749095356]
  量子機械学習(QML)は、量子コンピューティングの原理と従来の機械学習を組み合わせた急速に成長する分野である。 本稿では,変分量子回路を用いてQMLアーキテクチャを開発する機械学習パラダイムの量子コンピューティングについて述べる。
  論文  参考訳（メタデータ） (2024-11-14T12:27:50Z)
• 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)
• Quantum Information Processing with Molecular Nanomagnets: an introduction [49.89725935672549]
  本稿では,量子情報処理の導入について紹介する。 量子アルゴリズムを理解し設計するための基本的なツールを紹介し、分子スピンアーキテクチャ上での実際の実現を常に言及する。 分子スピンキュートハードウェア上で提案および実装された量子アルゴリズムの例を示す。
  論文  参考訳（メタデータ） (2024-05-31T16:43:20Z)
• 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)
• Recompilation-enhanced simulation of electron-phonon dynamics on IBM Quantum computers [62.997667081978825]
  小型電子フォノン系のゲートベース量子シミュレーションにおける絶対的資源コストについて考察する。 我々は、弱い電子-フォノン結合と強い電子-フォノン結合の両方のためのIBM量子ハードウェアの実験を行う。 デバイスノイズは大きいが、近似回路再コンパイルを用いることで、正確な対角化に匹敵する電流量子コンピュータ上で電子フォノンダイナミクスを得る。
  論文  参考訳（メタデータ） (2022-02-16T19:00:00Z)
• Systematic Literature Review: Quantum Machine Learning and its applications [0.0]
  この写本は、2017年から2023年にかけて発行された論文の体系的文献レビューを提示することを目的としている。 本研究では、量子機械学習技術とアルゴリズムを使用した94の論文を特定した。 既存の量子コンピュータには、量子コンピューティングがその完全な潜在能力を達成するのに十分な品質、速度、スケールが欠けているため、量子ハードウェアの改善が必要である。
  論文  参考訳（メタデータ） (2022-01-11T17:36:34Z)
• Application of Quantum Machine Learning using the Quantum Kernel Algorithm on High Energy Physics Analysis at the LHC [8.428528868905643]
  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。
  論文  参考訳（メタデータ） (2021-04-11T17:29:49Z)
• 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)
• An Application of Quantum Annealing Computing to Seismic Inversion [55.41644538483948]
  小型地震インバージョン問題を解決するために,D波量子アニールに量子アルゴリズムを適用した。 量子コンピュータによって達成される精度は、少なくとも古典的コンピュータと同程度である。
  論文  参考訳（メタデータ） (2020-05-06T14:18:44Z)

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。