論文の概要: Quantum anomaly detection in the latent space of proton collision events at the LHC

• arxiv url: http://arxiv.org/abs/2301.10780v3
• Date: Tue, 10 Dec 2024 16:31:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-11 14:34:14.644088
• Title: Quantum anomaly detection in the latent space of proton collision events at the LHC
• Title（参考訳）: LHCにおける陽子衝突事象の潜時空間における量子異常検出
• Authors: Vasilis Belis, Kinga Anna Woźniak, Ema Puljak, Panagiotis Barkoutsos, Günther Dissertori, Michele Grossi, Maurizio Pierini, Florentin Reiter, Ivano Tavernelli, Sofia Vallecorsa,
• Abstract要約: 教師なし量子機械学習に基づくLHCにおける異常検出タスクの戦略を提案する。 観測された性能向上は,そのモデルが利用した量子資源と関係していることを示す。
• 参考スコア（独自算出の注目度）: 0.7493013403244345
• License:
• Abstract: The ongoing quest to discover new phenomena at the LHC necessitates the continuous development of algorithms and technologies. Established approaches like machine learning, along with emerging technologies such as quantum computing show promise in the enhancement of experimental capabilities. In this work, we propose a strategy for anomaly detection tasks at the LHC based on unsupervised quantum machine learning, and demonstrate its effectiveness in identifying new phenomena. The designed quantum models, an unsupervised kernel machine and two clustering algorithms, are trained to detect new-physics events using a latent representation of LHC data, generated by an autoencoder designed to accommodate current quantum hardware limitations on problem size. For kernel-based anomaly detection, we implement an instance of the model on a quantum computer, and we identify a regime where it significantly outperforms its classical counterparts. We show that the observed performance enhancement is related to the quantum resources utilised by the model.
• Abstract（参考訳）: LHCで新しい現象を発見するためには、アルゴリズムと技術の継続的な開発が必要である。 機械学習のような確立されたアプローチと、量子コンピューティングのような新しい技術は、実験能力の強化を約束している。 本研究では、教師なし量子機械学習に基づくLHCにおける異常検出タスクの戦略を提案し、新しい現象を特定する上での有効性を実証する。 設計された量子モデル、教師なしカーネルマシンと2つのクラスタリングアルゴリズムは、問題サイズにおける現在の量子ハードウェア制限に対応するように設計されたオートエンコーダによって生成されるLHCデータの潜在表現を使用して、新しい物理事象を検出するように訓練されている。 カーネルベースの異常検出では、量子コンピュータ上でモデルのインスタンスを実装し、従来のモデルよりも大幅に優れている状態を特定する。 観測された性能向上は,そのモデルが利用した量子資源と関係していることを示す。

関連論文リスト

• Unsupervised Quantum Anomaly Detection on Noisy Quantum Processors [1.2325897339438878]
  本稿では,一クラス支援ベクトルマシン(OCSVM)アルゴリズムの一般化特性の系統的解析を行う。 結果は理論的にシミュレートされ、トラップイオンおよび超伝導量子プロセッサ上で実験的に検証された。
  論文  参考訳（メタデータ） (2024-11-25T22:42:38Z)
• Quantum similarity learning for anomaly detection [0.0]
  類似性学習による異常検出のための量子コンピュータの可能性を探る。 ノイズの多い中間スケール量子デバイスでは、重スカラー共鳴を探索するために、ハイブリッド古典量子ネットワークを用いる。 本分析では,LHCデータ解析における量子アルゴリズムの適用性を強調し,フォールトトレラントな量子コンピュータの出現により改善が期待できる。
  論文  参考訳（メタデータ） (2024-11-15T03:55:09Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• 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 Visual Feature Encoding Revisited [8.839645003062456]
  本稿では,量子機械学習の初期段階である量子視覚符号化戦略を再考する。 根本原因を調べた結果,既存の量子符号化設計では符号化処理後の視覚的特徴の情報保存が不十分であることが判明した。 我々は、このギャップを最小限に抑えるために、量子情報保存と呼ばれる新しい損失関数を導入し、量子機械学習アルゴリズムの性能を向上した。
  論文  参考訳（メタデータ） (2024-05-30T06:15:08Z)
• Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
  量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。 どの場の量子スピードアップが達成できるかという新たな課題が生じる。 量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
  論文  参考訳（メタデータ） (2024-02-26T09:32:07Z)
• 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)
• 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)
• Noisy Quantum Kernel Machines [58.09028887465797]
  量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。 消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。 量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
  論文  参考訳（メタデータ） (2022-04-26T09:52:02Z)
• Characterizing quantum instruments: from non-demolition measurements to quantum error correction [48.43720700248091]
  量子情報処理では、量子演算はしばしば古典的なデータをもたらす測定とともに処理される。 非単位の動的プロセスは、一般的な量子チャネルの記述が時間進化を記述するのに失敗するシステムで起こりうる。 量子測定は古典的な出力と測定後の量子状態の両方を計測するいわゆる量子機器によって正しく扱われる。
  論文  参考訳（メタデータ） (2021-10-13T18:00:13Z)
• Quantum One-class Classification With a Distance-based Classifier [1.316309856358873]
  現在の量子ハードウェアの既存のエラーと利用可能な量子ビットの数が少ないため、より少ない量子ビットと少ない演算を使用するソリューションを使う必要がある。 我々は、最小限の量子機械学習モデルと少ない演算と量子ビットからなる量子一級量子コンピュータ(QOCC)に基づく新しい分類器を提案する。
  論文  参考訳（メタデータ） (2020-07-31T17:53:00Z)

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。