論文の概要: Unravelling physics beyond the standard model with classical and quantum
anomaly detection
- arxiv url: http://arxiv.org/abs/2301.10787v2
- Date: Fri, 27 Jan 2023 13:43:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-30 11:50:25.905245
- Title: Unravelling physics beyond the standard model with classical and quantum
anomaly detection
- Title（参考訳）: 古典的および量子異常検出による標準モデルを越えての物理学の破滅
- Authors: Julian Schuhmacher, Laura Boggia, Vasilis Belis, Ema Puljak, Michele
Grossi, Maurizio Pierini, Sofia Vallecorsa, Francesco Tacchino, Panagiotis
Barkoutsos, and Ivano Tavernelli
- Abstract要約: 現在の実験では、追加のBeyond Standard Model(BSM)理論の発展を導く新しい物理学の兆候は示されていない。
本稿では,ランダムなプロセスによる異常の人工的生成に基づいて,教師付き学習環境で異常検出を行う新しい手法を提案する。
さらに有望なことに、人工的な異常を識別するために訓練されたSVCを用いることで、現実的なBSMイベントを高精度に識別することが可能である。
- 参考スコア（独自算出の注目度）: 1.014313095022286
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Much hope for finding new physics phenomena at microscopic scale relies on
the observations obtained from High Energy Physics experiments, like the ones
performed at the Large Hadron Collider (LHC). However, current experiments do
not indicate clear signs of new physics that could guide the development of
additional Beyond Standard Model (BSM) theories. Identifying signatures of new
physics out of the enormous amount of data produced at the LHC falls into the
class of anomaly detection and constitutes one of the greatest computational
challenges. In this article, we propose a novel strategy to perform anomaly
detection in a supervised learning setting, based on the artificial creation of
anomalies through a random process. For the resulting supervised learning
problem, we successfully apply classical and quantum Support Vector Classifiers
(CSVC and QSVC respectively) to identify the artificial anomalies among the SM
events. Even more promising, we find that employing an SVC trained to identify
the artificial anomalies, it is possible to identify realistic BSM events with
high accuracy. In parallel, we also explore the potential of quantum algorithms
for improving the classification accuracy and provide plausible conditions for
the best exploitation of this novel computational paradigm.
- Abstract（参考訳）: 微視的スケールで新しい物理学現象を見つける多くの希望は、大型ハドロン衝突型加速器(lhc)で行ったような高エネルギー物理学実験から得られた観測に依存している。
しかし、現在の実験は、bsm(beyond standard model)理論の発展を導く新しい物理学の明確な兆候を示していない。
LHCで生成される膨大な量のデータから新しい物理のシグネチャを同定することは、異常検出のクラスに該当し、最も大きな計算課題の1つである。
本稿では,ランダムなプロセスによる異常の人工的生成に基づいて,教師付き学習環境で異常検出を行う新しい手法を提案する。
その結果,古典的支援ベクトル分類器 (CSVC) と量子的支援ベクトル分類器 (QSVC) を用いて,SMイベント中の人工的異常を同定した。
さらに有望なことに、人工的な異常を識別するために訓練されたSVCを用いることで、現実的なBSMイベントを高精度に識別することが可能である。
並行して, 分類精度を向上させるための量子アルゴリズムの可能性についても検討し, この新しい計算パラダイムを最大限に活用するために, 妥当な条件を提供する。
関連論文リスト
- A novel quantum machine learning classifier to search for new physics [3.5009667752315474]
NPを探索するための変分量子探索近傍(VQSN)アルゴリズムを提案する。
その結果、VQSNは古典的なk-アネレスト近傍のアルゴリズムよりも優れた効率を示すことが示唆された。
論文 参考訳（メタデータ） (2024-10-24T15:27:28Z) - 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) - Ensemble models outperform single model uncertainties and predictions
for operator-learning of hypersonic flows [43.148818844265236]
限られた高忠実度データに基づく科学機械学習(SciML)モデルのトレーニングは、これまで見たことのない状況に対する行動の迅速な予測に1つのアプローチを提供する。
高忠実度データは、探索されていない入力空間におけるSciMLモデルのすべての出力を検証するために、それ自体が限られた量である。
我々は3つの異なる不確実性メカニズムを用いてDeepONetを拡張した。
論文 参考訳（メタデータ） (2023-10-31T18:07:29Z) - Quantum sequential scattering model for quantum state learning [6.040584660207655]
我々は、量子散乱モデル(QSSM)を考案し、勾配スケールのシュミット位を持つ高次元逐次ターゲット状態の大規模なクラスに、消滅する問題を克服する。
我々の研究は、ターゲット状態における量子状態の性質である絡み合いの増大がより大きなスケールモデルを必要とすることを示しており、それによってモデルの学習性能と効率が低下する可能性があることを示唆している。
論文 参考訳（メタデータ） (2023-10-11T18:31:40Z) - 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) - Quantum Generative Adversarial Networks For Anomaly Detection In High
Energy Physics [0.0]
異常事象を識別する量子生成逆数ネットワークを開発した。
SMデータから背景分布を学習し、学習した背景分布に与えられた事象が特有であるか否かを判定する。
10倍のトレーニングデータサンプルを用いた量子生成技術は、グラビトン粒子とヒッグス粒子の検出において古典的手法に匹敵する精度が得られることが判明した。
論文 参考訳（メタデータ） (2023-04-27T18:01:14Z) - Quantum anomaly detection in the latent space of proton collision events
at the LHC [1.0480625205078853]
教師なし量子機械学習アルゴリズムに基づくLHCにおける異常検出のための新しい手法を提案する。
カーネルベースの異常検出では、量子モデルが古典的よりも大幅に優れている状態を特定する。
観測された一貫した性能優位性は、使用した回路の固有量子特性と関係があることを実証する。
論文 参考訳（メタデータ） (2023-01-25T19:00:01Z) - Uncovering Instabilities in Variational-Quantum Deep Q-Networks [0.0]
変動量子深度Q-networks (VQ-DQN) は、学習ポリシーが分岐する不安定な状態にあることを示す。
我々は、実量子処理ユニット(IBM量子デバイス)上でRLアルゴリズムを実行し、シミュレーションされた量子システムと物理量子システムの振る舞いの違いを調査する。
論文 参考訳（メタデータ） (2022-02-10T17:52:44Z) - 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) - Bayesian Neural Networks for Fast SUSY Predictions [58.720142291102135]
本稿では,機械学習を用いて,BSM理論のパラメータ空間から予測へのマッピングをモデル化する。
3つの量はすべて平均パーセントの誤差3.34%以下でモデル化され、結果が導出される超対称性符号よりもはるかに短い時間でモデル化される。
結果は、機械学習がBSM理論の高次元空間から予測へのマッピングを正確にモデル化する可能性のさらなる実証である。
論文 参考訳（メタデータ） (2020-07-09T01:45:06Z) - Probing the Universality of Topological Defect Formation in a Quantum
Annealer: Kibble-Zurek Mechanism and Beyond [46.39654665163597]
一次元横フィールドイジングモデルによるトポロジカル欠陥生成の実験的検討について報告する。
位相フリップ誤差を伴う開系量子力学のKZMにより量子シミュレータの結果を実際に説明できることが判明した。
これは、環境からの孤立を仮定する一般化KZM理論の理論的予測が、その元のスコープを越えてオープンシステムに適用されることを意味する。
論文 参考訳（メタデータ） (2020-01-31T02:55:35Z)
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。