論文の概要: Quantum convolutional neural networks for jet images classification

• arxiv url: http://arxiv.org/abs/2408.08701v1
• Date: Fri, 16 Aug 2024 12:28:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-19 15:35:21.416883
• Title: Quantum convolutional neural networks for jet images classification
• Title（参考訳）: ジェット画像分類のための量子畳み込みニューラルネットワーク
• Authors: Hala Elhag, Karl Jansen, Lento Nagano, Alice di Tucci,
• Abstract要約: 本稿では,高エネルギー物理学における量子機械学習の性能について述べる。 このタスクには量子畳み込みニューラルネットワーク(QCNN)を使用し、その性能をCNNと比較する。 以上の結果から,適切な設定のQCNNの方が,CNNよりも優れた性能を示す傾向が示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, interest in quantum computing has significantly increased, driven by its potential advantages over classical techniques. Quantum machine learning (QML) exemplifies one of the important quantum computing applications that are expected to surpass classical machine learning in a wide range of instances. This paper addresses the performance of QML in the context of high-energy physics (HEP). As an example, we focus on the top-quark tagging, for which classical convolutional neural networks (CNNs) have been effective but fall short in accuracy when dealing with highly energetic jet images. In this paper, we use a quantum convolutional neural network (QCNN) for this task and compare its performance with CNN using a classical noiseless simulator. We compare various setups for the QCNN, varying the convolutional circuit, type of encoding, loss function, and batch sizes. For every quantum setup, we design a similar setup to the corresponding classical model for a fair comparison. Our results indicate that QCNN with proper setups tend to perform better than their CNN counterparts, particularly when the convolution block has a lower number of parameters. This suggests that quantum models, especially with appropriate encodings, can hold potential promise for enhancing performance in HEP tasks such as top quark jet tagging.
• Abstract（参考訳）: 近年、量子コンピューティングへの関心は、古典的手法よりも潜在的に有利なことから、著しく高まっている。 量子機械学習(QML)は、古典的な機械学習を広範囲のインスタンスで超越することが期待される重要な量子コンピューティングアプリケーションの1つを例示する。 本稿では,高エネルギー物理(HEP)におけるQMLの性能について述べる。 例えば、古典的畳み込みニューラルネットワーク(CNN)が有効だが、高エネルギージェット画像を扱う際には精度が低いトップクォークタグに注目する。 本稿では,量子畳み込みニューラルネットワーク(QCNN)を用いて,その性能を従来のノイズレスシミュレータを用いてCNNと比較する。 我々はQCNNの様々な設定を比較し、畳み込み回路、エンコーディングの種類、損失関数、バッチサイズを変化させる。 任意の量子集合に対して、等価な比較のために、対応する古典的モデルに類似した構成を設計する。 以上の結果から,適切な設定を持つQCNNは,特に畳み込みブロックのパラメータ数が低い場合には,CNNよりも優れた性能を示す傾向が示唆された。 このことは、量子モデル、特に適切なエンコーディングでは、トップクォークジェットタグ付けのようなHEPタスクのパフォーマンスを高める可能性を秘めていることを示唆している。

関連論文リスト

• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)
• Variational Quantum Neural Networks (VQNNS) in Image Classification [0.0]
  本稿では,量子最適化アルゴリズムを用いて量子ニューラルネットワーク(QNN)のトレーニングを行う方法について検討する。 本稿では、変分量子ニューラルネットワーク(VQNN)と呼ばれる入力層として、変分パラメータ化回路を組み込んだQNN構造を作成する。 VQNNは、MNIST桁認識(複雑でない)とクラック画像分類データセットで実験され、QNNよりも少ない時間で、適切なトレーニング精度で計算を収束させる。
  論文  参考訳（メタデータ） (2023-03-10T11:24:32Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Evaluating the performance of sigmoid quantum perceptrons in quantum neural networks [0.0]
  量子機械学習のための有望なアーキテクチャとして量子ニューラルネットワーク(QNN)が提案されている。 1つの候補は古典的パーセプトロンの非線形活性化関数をエミュレートするために設計された量子パーセプトロンである。 本稿では,SQPネットワークの性能と性能を,その有効次元と有効容量の計算によって評価する。
  論文  参考訳（メタデータ） (2022-08-12T10:08:11Z)
• Classification of NEQR Processed Classical Images using Quantum Neural Networks (QNN) [0.0]
  この研究は、著者による以前の研究に基づいており、NEQR(NEQR)を用いた画像分類のためのQNNに対処している。 NEQRモデル回路を構築し、同じデータを前処理し、画像をQNNに入力する。 その結果,NEQRによるQNN性能がNEQRを使わずにQNNの性能を上回った際の限界改善(約5.0%)が認められた。
  論文  参考訳（メタデータ） (2022-03-29T08:05:53Z)
• Quantum convolutional neural network for classical data classification [0.8057006406834467]
  古典データ分類のための完全パラメータ化量子畳み込みニューラルネットワーク(QCNN)をベンチマークする。 本稿では,CNNにインスパイアされた量子ニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2021-08-02T06:48:34Z)
• The dilemma of quantum neural networks [63.82713636522488]
  量子ニューラルネットワーク(QNN)は、古典的な学習モデルに対して何の恩恵も与えないことを示す。 QNNは、現実世界のデータセットの一般化が不十分な、極めて限られた有効モデル能力に悩まされている。 これらの結果から、現在のQNNの役割を再考し、量子的優位性で現実の問題を解決するための新しいプロトコルを設計せざるを得ない。
  論文  参考訳（メタデータ） (2021-06-09T10:41:47Z)
• Branching Quantum Convolutional Neural Networks [0.0]
  小型量子コンピュータは、大規模量子および非常に大規模な古典的データセット上での学習タスクにおいて、既に潜在的な増加を見せている。 本稿では、分岐量子畳み込みニューラルネットワークであるQCNN(bQCNN)を、かなり高い表現性で一般化する。
  論文  参考訳（メタデータ） (2020-12-28T19:00:03Z)
• Toward Trainability of Quantum Neural Networks [87.04438831673063]
  量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。 QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。 木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
  論文  参考訳（メタデータ） (2020-11-12T08:32:04Z)
• Quantum Deformed Neural Networks [83.71196337378022]
  我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。 入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
  論文  参考訳（メタデータ） (2020-10-21T09:46:12Z)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)

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。