論文の概要: Boosted Ensembles of Qubit and Continuous Variable Quantum Support
Vector Machines for B Meson Flavour Tagging
- arxiv url: http://arxiv.org/abs/2305.02729v3
- Date: Mon, 21 Aug 2023 03:49:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-23 00:07:20.871870
- Title: Boosted Ensembles of Qubit and Continuous Variable Quantum Support
Vector Machines for B Meson Flavour Tagging
- Title（参考訳）: b meson flavour tagging用量子ビット・連続可変量子サポートベクトルマシンの高速化
- Authors: Maxwell T. West, Martin Sevior and Muhammad Usman
- Abstract要約: 量子機械学習手法をB中間子タギングに適用する。
従来の量子ビットベースおよび連続変数アーキテクチャに基づく量子支援ベクトルマシンの高速化アンサンブルをシミュレートする。
古典的にシミュレート可能な状態を超えた連続変数QSVMが、さらに高い性能を実現することが可能であることを示す。
- 参考スコア（独自算出の注目度）: 0.7232471205719458
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The recent physical realisation of quantum computers with dozens to hundreds
of noisy qubits has given birth to an intense search for useful applications of
their unique capabilities. One area that has received particular attention is
quantum machine learning (QML), the study of machine learning algorithms
running natively on quantum computers. Such algorithms have begun to be applied
to data intensive problems in particle physics, driven by the expected
increased capacity for pattern recognition of quantum computers. In this work
we develop and apply QML methods to B meson flavour tagging, an important
component of experiments in particle physics which probe heavy quark mixing and
CP violation in order to obtain a better understanding of the matter-antimatter
asymmetry observed in the universe. We simulate boosted ensembles of quantum
support vector machines (QSVMs) based on both conventional qubit-based and
continuous variable architectures, attaining effective tagging efficiencies of
28.0% and 29.2% respectively, comparable with the leading published result of
30.0% using classical machine learning algorithms. The ensemble nature of our
classifier is of particular importance, doubling the effective tagging
efficiency of a single QSVM, which we find to be highly prone to overfitting.
These results are obtained despite the strong constraint of working with QSVM
architectures that are classically simulable, and we find evidence that
continuous variable QSVMs beyond the classically simulable regime may be able
to realise even higher performance, surpassing the reported classical results,
when sufficiently powerful quantum hardware is developed to execute them.
- Abstract（参考訳）: 最近、数十から数百のノイズ量子ビットを持つ量子コンピュータの物理的実現は、そのユニークな能力の有用な応用を強く探究するきっかけとなった。
特に注目されている分野は、量子コンピュータ上でネイティブに実行される機械学習アルゴリズムの研究であるquantum machine learning(qml)である。
このようなアルゴリズムは、量子コンピュータのパターン認識能力の向上が期待される粒子物理学におけるデータ集約的な問題に応用され始めている。
本研究では,宇宙で観測される物質-反物質非対称性をよりよく理解するために,重クォーク混合とcp違反を探索する粒子物理学実験の重要な要素であるb meson flavour tagging法を開発,応用する。
量子サポートベクトルマシン(qsvm)を従来の量子ビットベースのアーキテクチャと連続変数アーキテクチャの両方に基づいて拡張したアンサンブルをシミュレートし,従来の機械学習アルゴリズムを用いた30.0%の結果に匹敵する28.0%と29.2%の効果的なタグ付け効率を実現する。
分類器のアンサンブルの性質は特に重要であり、単一のQSVMの効果的なタグ付け効率を2倍にしている。
これらの結果は、古典的にシミュレート可能なQSVMアーキテクチャを扱うという強い制約にもかかわらず得られ、古典的にシミュレート可能なシミュレートを超えた連続変数QSVMが、十分に強力な量子ハードウェアを開発すれば、報告された古典的な結果を超え、さらに高いパフォーマンスを実現することができることを示す。
関連論文リスト
- 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) - A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳（メタデータ） (2024-02-23T14:09:41Z) - Machine Learning in the Quantum Age: Quantum vs. Classical Support
Vector Machines [0.0]
この研究は、古典的および量子計算パラダイムにおける機械学習アルゴリズムの有効性を判断する努力である。
我々は、Irisデータセット上で量子ハードウェアで動作する古典的なSVMと量子サポートベクトルマシンの分類技術を精査する。
論文 参考訳（メタデータ） (2023-10-17T01:06:59Z) - Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。
量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。
実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文 参考訳（メタデータ） (2023-04-04T12:47:35Z) - 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) - Improving Quantum Classifier Performance in NISQ Computers by Voting
Strategy from Ensemble Learning [9.257859576573942]
量子アルゴリズムでは、量子デコヒーレンスと量子ゲートのインプレクションによって大きな誤差率が発生する。
本研究では,アンサンブル量子分類器を複数投票で最適化することを提案する。
論文 参考訳（メタデータ） (2022-10-04T14:59:58Z) - Application of Quantum Machine Learning in a Higgs Physics Study at the
CEPC [5.747925022035578]
我々は、Circular Electron-Positron Collider (CEPC)において、量子機械学習アルゴリズムを用いて、$e+e- rightarrow ZH$プロセスの研究を行った。
量子コンピュータシミュレータの6キュービットを用いて,QSVM-カーネルアルゴリズムを最適化し,従来の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。
我々の研究は、最先端の量子コンピューティング技術が粒子物理学によって活用できることを示した。
論文 参考訳（メタデータ） (2022-09-26T15:46:30Z) - Quantum circuit architecture search on a superconducting processor [56.04169357427682]
変分量子アルゴリズム(VQA)は、ファイナンス、機械学習、化学といった様々な分野において、証明可能な計算上の優位性を得るための強力な証拠を示している。
しかし、現代のVQAで利用されるアンザッツは、表現性と訓練性の間のトレードオフのバランスをとることができない。
8量子ビット超伝導量子プロセッサ上でVQAを強化するために,効率的な自動アンサッツ設計技術を適用した最初の実証実験を実証する。
論文 参考訳（メタデータ） (2022-01-04T01:53:42Z) - 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) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳（メタデータ） (2020-10-20T12:06:27Z)
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。