論文の概要: Long-lived Particles Anomaly Detection with Parametrized Quantum
Circuits
- arxiv url: http://arxiv.org/abs/2312.04238v1
- Date: Thu, 7 Dec 2023 11:50:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-08 15:05:51.739179
- Title: Long-lived Particles Anomaly Detection with Parametrized Quantum
Circuits
- Title（参考訳）: パラメトリズド量子回路を用いた長寿命粒子異常検出
- Authors: Simone Bordoni, Denis Stanev, Tommaso Santantonio, Stefano Giagu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We investigate the possibility to apply quantum machine learning techniques
for data analysis, with particular regard to an interesting use-case in
high-energy physics. We propose an anomaly detection algorithm based on a
parametrized quantum circuit. This algorithm has been trained on a classical
computer and tested with simulations as well as on real quantum hardware. Tests
on NISQ devices have been performed with IBM quantum computers. For the
execution on quantum hardware specific hardware driven adaptations have been
devised and implemented. The quantum anomaly detection algorithm is able to
detect simple anomalies like different characters in handwritten digits as well
as more complex structures like anomalous patterns in the particle detectors
produced by the decay products of long-lived particles produced at a collider
experiment. For the high-energy physics application, performance is estimated
in simulation only, as the quantum circuit is not simple enough to be executed
on the available quantum hardware. This work demonstrates that it is possible
to perform anomaly detection with quantum algorithms, however, as amplitude
encoding of classical data is required for the task, due to the noise level in
the available quantum hardware, current implementation cannot outperform
classic anomaly detection algorithms based on deep neural networks.
- Abstract（参考訳）: 本研究では,量子機械学習をデータ解析に応用する可能性,特に高エネルギー物理学における興味深いユースケースについて検討する。
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。
NISQデバイスでの試験はIBMの量子コンピュータで行われている。
量子ハードウェアでの実行のために、ハードウェア駆動適応が考案され、実装されている。
量子異常検出アルゴリズムは、手書き桁の異なる文字のような単純な異常や、コライダー実験で生成された長寿命粒子の崩壊生成物によって生成された粒子検出器の異常パターンのようなより複雑な構造を検出することができる。
高エネルギー物理応用の場合、量子回路は利用可能な量子ハードウェア上で実行されるほど単純ではないため、シミュレーションでのみ性能が推定される。
本研究は,量子アルゴリズムによる異常検出が可能であることを示すものであるが,量子ハードウェアのノイズレベルが原因で,古典データの振幅エンコーディングが要求されるため,ディープニューラルネットワークに基づく古典的異常検出アルゴリズムよりも優れた実装が得られない。
関連論文リスト
- 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) - 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) - Machine learning on quantum experimental data toward solving quantum
many-body problems [0.0]
最大44量子ビットのシステムに対する古典的機械学習アルゴリズムの実装を成功例に示す。
我々は、多体物理学に関心のある問題に対するハイブリッドアプローチの適用性を拡張した。
論文 参考訳（メタデータ） (2023-10-30T10:25:59Z) - Machine Learning for Practical Quantum Error Mitigation [0.0]
量子エラー軽減のための機械学習は、オーバーヘッドを大幅に削減し、従来の手法の精度を維持または超える可能性があることを示す。
本結果は,量子計算における古典的機械学習の可能性を明らかにするものである。
論文 参考訳（メタデータ） (2023-09-29T16:17:12Z) - 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) - Quantum Anomaly Detection with a Spin Processor in Diamond [10.0891240648429]
3量子ビット量子プロセッサを用いてオーディオサンプルを符号化した量子状態の異常検出を実験的に実証した。
数個の通常のサンプルで量子マシンを訓練することにより、量子マシンは最小エラー率15.4%で異常サンプルを検出することができる。
論文 参考訳（メタデータ） (2022-01-25T12:18:01Z) - 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) - Variational Quantum Anomaly Detection: Unsupervised mapping of phase
diagrams on a physical quantum computer [0.0]
量子シミュレーションから量子データを解析するための教師なし量子機械学習アルゴリズムである変分量子異常検出を提案する。
このアルゴリズムは、事前の物理的知識を持たないシステムの位相図を抽出するために用いられる。
現在ではアクセスしやすいデバイスで使用でき、実際の量子コンピュータ上でアルゴリズムを実行することができる。
論文 参考訳（メタデータ） (2021-06-15T06:54:47Z) - Robustness Verification of Quantum Classifiers [1.3534683694551501]
我々は、雑音に対する量子機械学習アルゴリズムの検証と解析のための正式なフレームワークを定義する。
堅牢な境界が導出され、量子機械学習アルゴリズムが量子トレーニングデータに対して堅牢であるか否かを確認するアルゴリズムが開発された。
我々のアプローチはGoogleのQuantum分類器に実装されており、ノイズの小さな乱れに関して量子機械学習アルゴリズムの堅牢性を検証することができる。
論文 参考訳（メタデータ） (2020-08-17T11:56:23Z) - An Application of Quantum Annealing Computing to Seismic Inversion [55.41644538483948]
小型地震インバージョン問題を解決するために,D波量子アニールに量子アルゴリズムを適用した。
量子コンピュータによって達成される精度は、少なくとも古典的コンピュータと同程度である。
論文 参考訳（メタデータ） (2020-05-06T14:18:44Z)
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。