論文の概要: Charged particle reconstruction for future high energy colliders with Quantum Approximate Optimization Algorithm

• arxiv url: http://arxiv.org/abs/2310.10255v2
• Date: Tue, 12 Dec 2023 01:53:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-13 19:32:31.969759
• Title: Charged particle reconstruction for future high energy colliders with Quantum Approximate Optimization Algorithm
• Title（参考訳）: 量子近似最適化アルゴリズムを用いた将来の高エネルギー衝突器の荷電粒子再構成
• Authors: Hideki Okawa
• Abstract要約: 荷電粒子再構成は、いわゆる軌道再構成であり、二次的に制約のない2進最適化問題と見なすことができる。 量子近似最適化アルゴリズム(Quantum Approximate Optimization Algorithm, QAOA)は、そのような問題を解く上で最も有望なアルゴリズムの1つである。 その結果、QAOAは有望な性能を示し、量子コンピュータを用いたトラック再構築の候補の1つとして実証された。
• 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: Usage of cutting-edge artificial intelligence will be the baseline at future high energy colliders such as the High Luminosity Large Hadron Collider, to cope with the enormously increasing demand of the computing resources. The rapid development of quantum machine learning could bring in further paradigm-shifting improvement to this challenge. One of the two highest CPU-consuming components, the charged particle reconstruction, the so-called track reconstruction, can be considered as a quadratic unconstrained binary optimization (QUBO) problem. The Quantum Approximate Optimization Algorithm (QAOA) is one of the most promising algorithms to solve such combinatorial problems and to seek for a quantum advantage in the era of the Noisy Intermediate-Scale Quantum computers. It is found that the QAOA shows promising performance and demonstrated itself as one of the candidates for the track reconstruction using quantum computers.
• Abstract（参考訳）: 最先端の人工知能の使用は、コンピューティングリソースの膨大な需要に対応するために、高輝度大型ハドロン衝突型加速器のような将来の高エネルギー衝突器のベースラインとなる。 量子機械学習の急速な発展は、この課題にさらなるパラダイムシフトをもたらす可能性がある。 2つの最も高いCPU消費成分のうちの1つは、荷電粒子再構成、いわゆるトラック再構成であり、二次的非制約バイナリ最適化(QUBO)問題と見なすことができる。 量子近似最適化アルゴリズム (quantum approximation optimization algorithm,qaoa) は、そのような組合せ問題を解く最も有望なアルゴリズムの1つであり、ノイズの多い中間スケール量子コンピュータの時代において量子優位を求めるものである。 その結果,QAOAは有望な性能を示し,量子コンピュータを用いたトラック再構築の候補の一つとして実証された。

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)
• Quantum-Annealing-Inspired Algorithms for Track Reconstruction at High-Energy Colliders [0.0]
  トラック再構成は二次的制約のない2進最適化問題として定式化することができる。 粒子追跡問題の解法としてシミュレートされた分岐アルゴリズムを用いることができることを示す。
  論文  参考訳（メタデータ） (2024-02-22T17:19:03Z)
• QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
  QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。 提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
  論文  参考訳（メタデータ） (2024-01-10T22:33:00Z)
• Quantum Annealing for Single Image Super-Resolution [86.69338893753886]
  単一画像超解像(SISR)問題を解くために,量子コンピューティングに基づくアルゴリズムを提案する。 提案したAQCアルゴリズムは、SISRの精度を維持しつつ、古典的なアナログよりも向上したスピードアップを実現する。
  論文  参考訳（メタデータ） (2023-04-18T11:57:15Z)
• Particle track reconstruction with noisy intermediate-scale quantum computers [0.0]
  荷電粒子の軌道の再構成は、現在および将来のコライダー実験における重要な計算課題である。 この問題は2次非制約バイナリ最適化(QUBO)として定式化することができ、変分量子固有解法(VQE)アルゴリズムを用いて解かれる。 この研究は、VQEが粒子追跡に使用できるという原理の証明となり、VQEの最適化にもっと適するように、VQEの修正を調査した。
  論文  参考訳（メタデータ） (2023-03-23T13:29:20Z)
• On-the-fly Tailoring towards a Rational Ansatz Design for Digital Quantum Simulations [0.0]
  量子デバイスで物理的に実現可能な低深さ量子回路を開発することが不可欠である。 我々は,最適なアンサッツを動的に調整できるアンサッツ構成プロトコルを開発した。 アンザッツの構成は、エネルギーソートと演算子の可換性事前スクリーニングによって並列量子アーキテクチャで実行される可能性がある。
  論文  参考訳（メタデータ） (2023-02-07T11:22:01Z)
• The Future of Quantum Computing with Superconducting Qubits [2.6668731290542222]
  量子処理ユニット(QPU)の出現に伴い、計算パラダイムの分岐点が見られます。 超多項式スピードアップによる計算の可能性を抽出し、量子アルゴリズムを実現するには、量子誤り訂正技術の大幅な進歩が必要になる可能性が高い。 長期的には、より効率的な量子誤り訂正符号を実現するために、2次元トポロジ以上の量子ビット接続を利用するハードウェアが見られます。
  論文  参考訳（メタデータ） (2022-09-14T18:00:03Z)
• Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
  本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。 この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。 GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2022-04-18T21:45:13Z)
• Variational Quantum Optimization with Multi-Basis Encodings [62.72309460291971]
  マルチバスグラフ複雑性と非線形活性化関数の2つの革新の恩恵を受ける新しい変分量子アルゴリズムを導入する。 その結果,最適化性能が向上し,有効景観が2つ向上し,測定の進歩が減少した。
  論文  参考訳（メタデータ） (2021-06-24T20:16:02Z)
• Space-efficient binary optimization for variational computing [68.8204255655161]
  本研究では,トラベリングセールスマン問題に必要なキュービット数を大幅に削減できることを示す。 また、量子ビット効率と回路深さ効率のモデルを円滑に補間する符号化方式を提案する。
  論文  参考訳（メタデータ） (2020-09-15T18:17:27Z)

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。