論文の概要: Quantum Generative Adversarial Networks For Anomaly Detection In High
Energy Physics
- arxiv url: http://arxiv.org/abs/2304.14439v2
- Date: Thu, 7 Dec 2023 10:52:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-08 21:31:59.606261
- Title: Quantum Generative Adversarial Networks For Anomaly Detection In High
Energy Physics
- Title（参考訳）: 高エネルギー物理における異常検出のための量子生成逆ネットワーク
- Authors: Elie Bermot and Christa Zoufal and Michele Grossi and Julian
Schuhmacher and Francesco Tacchino and Sofia Vallecorsa and Ivano Tavernelli
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The standard model (SM) of particle physics represents a theoretical paradigm
for the description of the fundamental forces of nature. Despite its broad
applicability, the SM does not enable the description of all physically
possible events. The detection of events that cannot be described by the SM,
which are typically referred to as anomalous, and the related potential
discovery of exotic physical phenomena is a non-trivial task. The challenge
becomes even greater with next-generation colliders that will produce even more
events with additional levels of complexity. The additional data complexity
motivates the search for unsupervised anomaly detection methods that do not
require prior knowledge about the underlying models. In this work, we develop
such a technique. More explicitly, we employ a quantum generative adversarial
network to identify anomalous events. The method learns the background
distribution from SM data and, then, determines whether a given event is
characteristic for the learned background distribution. The proposed
quantum-powered anomaly detection strategy is tested on proof-of-principle
examples using numerical simulations and IBM Quantum processors. We find that
the quantum generative techniques using ten times fewer training data samples
can yield comparable accuracy to the classical counterpart for the detection of
the Graviton and Higgs particles. Additionally, we empirically compute the
capacity of the quantum model and observe an improved expressivity compared to
its classical counterpart.
- Abstract（参考訳）: 素粒子物理学の標準モデル(SM)は、自然の基本的な力を記述するための理論パラダイムである。
幅広い適用性にもかかわらず、SMは物理的に可能な全ての事象を記述できない。
smによって説明できない事象の検出は、通常異常として言及され、それに関連するエキゾチックな物理的現象の発見は、非自明なタスクである。
この課題は、さらなるレベルの複雑さを持つさらに多くのイベントを生成する次世代の衝突者によってさらに大きくなります。
追加のデータの複雑さは、基礎となるモデルに関する事前の知識を必要としない教師なし異常検出メソッドの探索を動機付ける。
本研究では,そのような手法を開発する。
より明確には、量子生成逆ネットワークを用いて異常事象を識別する。
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。
提案する量子パワー異常検出手法は,数値シミュレーションとibm量子プロセッサを用いて原理実証実験を行った。
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。
さらに,量子モデルのキャパシティを実験的に計算し,従来のモデルと比較して高い表現率を観測する。
関連論文リスト
- Few measurement shots challenge generalization in learning to classify entanglement [0.0]
本稿では,古典的機械学習手法を量子アルゴリズムと組み合わせたハイブリッド量子学習技術に焦点を当てる。
いくつかの設定では、いくつかの測定ショットから生じる不確実性がエラーの主な原因であることを示す。
従来の影をベースとした推定器を導入し,その性能を向上する。
論文 参考訳（メタデータ） (2024-11-10T21:20:21Z) - ShadowGPT: Learning to Solve Quantum Many-Body Problems from Randomized Measurements [2.1946359779523332]
本稿では,量子実験から収集したランダム化測定データから学習することで,量子多体問題を解く新しい手法であるShadowGPTを提案する。
このモデルは量子ハミルトニアンの基底状態のシミュレーションされた古典的影データに基づいて訓練された生成前訓練変圧器(GPT)である。
論文 参考訳（メタデータ） (2024-11-05T17:34:03Z) - 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) - Qsco: A Quantum Scoring Module for Open-set Supervised Anomaly Detection [5.931953711154524]
複雑なデータ構造を扱う量子コンピューティングの最近の進歩と機械学習モデルの改善は、異常検出手法におけるパラダイムシフトを先導している。
本研究では、量子変動回路をニューラルネットワークに埋め込み、不確実性やラベルなしデータを扱う際のモデルの処理能力を向上する量子スコーリングモジュール(Qsco)を提案する。
論文 参考訳（メタデータ） (2024-05-25T22:37:43Z) - 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) - Unravelling physics beyond the standard model with classical and quantum
anomaly detection [1.014313095022286]
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。
論文 参考訳（メタデータ） (2023-01-25T19:00:14Z) - Provably efficient variational generative modeling of quantum many-body
systems via quantum-probabilistic information geometry [3.5097082077065003]
パラメータ化混合状態に対する量子自然勾配降下の一般化を導入する。
また、堅牢な一階近似アルゴリズム、Quantum-Probabilistic Mirror Descentを提供する。
我々のアプローチは、モデル選択における柔軟性を実現するために、それまでのサンプル効率の手法を拡張しました。
論文 参考訳（メタデータ） (2022-06-09T17:58:15Z) - Theory of Quantum Generative Learning Models with Maximum Mean
Discrepancy [67.02951777522547]
量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。
まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。
次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
論文 参考訳（メタデータ） (2022-05-10T08:05:59Z) - 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) - The Hintons in your Neural Network: a Quantum Field Theory View of Deep
Learning [84.33745072274942]
線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。
ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
論文 参考訳（メタデータ） (2021-03-08T17:24:29Z) - Quantum information spreading in a disordered quantum walk [50.591267188664666]
量子ウォークスを用いて量子情報拡散パターンを探索する量子探索プロトコルを設計する。
我々は、異常や古典的輸送を調査するために、コヒーレントな静的および動的障害に焦点を当てる。
以上の結果から,複雑なネットワークで発生する欠陥や摂動の情報を読み取る装置として,量子ウォーク(Quantum Walk)が考えられる。
論文 参考訳（メタデータ） (2020-10-20T20:03:19Z)
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。