論文の概要: Quantum similarity learning for anomaly detection

• arxiv url: http://arxiv.org/abs/2411.09927v1
• Date: Fri, 15 Nov 2024 03:55:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-18 15:37:07.408500
• Title: Quantum similarity learning for anomaly detection
• Title（参考訳）: 異常検出のための量子類似性学習
• Authors: A. Hammad, Mihoko M. Nojiri, Masahito Yamazaki,
• Abstract要約: 類似性学習による異常検出のための量子コンピュータの可能性を探る。 ノイズの多い中間スケール量子デバイスでは、重スカラー共鳴を探索するために、ハイブリッド古典量子ネットワークを用いる。 本分析では,LHCデータ解析における量子アルゴリズムの適用性を強調し,フォールトトレラントな量子コンピュータの出現により改善が期待できる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Anomaly detection is a vital technique for exploring signatures of new physics Beyond the Standard Model (BSM) at the Large Hadron Collider (LHC). The vast number of collisions generated by the LHC demands sophisticated deep learning techniques. Similarity learning, a self-supervised machine learning, detects anomalous signals by estimating their similarity to background events. In this paper, we explore the potential of quantum computers for anomaly detection through similarity learning, leveraging the power of quantum computing to enhance the known similarity learning method. In the realm of noisy intermediate-scale quantum (NISQ) devices, we employ a hybrid classical-quantum network to search for heavy scalar resonances in the di-Higgs production channel. In the absence of quantum noise, the hybrid network demonstrates improvement over the known similarity learning method. Moreover, we employ a clustering algorithm to reduce measurement noise from limited shot counts, resulting in $9\%$ improvement in the hybrid network performance. Our analysis highlights the applicability of quantum algorithms for LHC data analysis, where improvements are anticipated with the advent of fault-tolerant quantum computers.
• Abstract（参考訳）: 異常検出は、LHC(Large Hadron Collider)におけるBSM(Standard Model)を超えた新しい物理のシグネチャを探索するための重要な技術である。 LHCが生成する膨大な数の衝突は、高度なディープラーニング技術を必要とする。 自己教師型機械学習である類似性学習は、背景イベントとの類似性を推定することによって異常信号を検出する。 本稿では、類似性学習による異常検出のための量子コンピュータの可能性を探り、量子コンピューティングのパワーを活用して、既知の類似性学習方法を強化する。 ノイズの多い中間規模量子(NISQ)デバイスでは、ダイヒッグス生産チャネルにおける重スカラー共鳴を探索するために、ハイブリッド古典量子ネットワークを用いる。 量子ノイズがなければ、ハイブリッドネットワークは既知の類似性学習法よりも改善されたことを示す。 さらに、クラスタリングアルゴリズムを用いて、限られたショット数から測定ノイズを低減することにより、ハイブリッドネットワークの性能が9.5%向上する。 本分析では,LHCデータ解析における量子アルゴリズムの適用性を強調し,フォールトトレラントな量子コンピュータの出現により改善が期待できる。

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)
• Exploring Quantum-Enhanced Machine Learning for Computer Vision: Applications and Insights on Noisy Intermediate-Scale Quantum Devices [0.0]
  本研究では,量子コンピューティングと機械学習(ML)の交わりについて検討する。 小型量子デバイスにおけるデータ再ロード方式やGAN(Generative Adversarial Networks)モデルなどのハイブリッド量子古典アルゴリズムの有効性を評価する。
  論文  参考訳（メタデータ） (2024-04-01T20:55:03Z)
• 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 anomaly detection in the latent space of proton collision events at the LHC [1.0480625205078853]
  教師なし量子機械学習アルゴリズムに基づくLHCにおける異常検出のための新しい手法を提案する。 カーネルベースの異常検出では、量子モデルが古典的よりも大幅に優れている状態を特定する。 観測された一貫した性能優位性は、使用した回路の固有量子特性と関係があることを実証する。
  論文  参考訳（メタデータ） (2023-01-25T19:00:01Z)
• 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)
• Optimal quantum control via genetic algorithms for quantum state engineering in driven-resonator mediated networks [68.8204255655161]
  進化的アルゴリズムに基づく量子状態工学には、機械学習によるアプローチを採用しています。 我々は、単一のモード駆動マイクロ波共振器を介して相互作用する、量子ビットのネットワーク(直接結合のない人工原子の状態に符号化された)を考える。 アルゴリズムは理想的なノイズフリー設定で訓練されているにもかかわらず、高い量子忠実度とノイズに対するレジリエンスを観測する。
  論文  参考訳（メタデータ） (2022-06-29T14:34:00Z)
• Entangling Quantum Generative Adversarial Networks [53.25397072813582]
  量子生成逆数ネットワーク(量子GAN, EQ-GAN)のための新しいタイプのアーキテクチャを提案する。 EQ-GANはコヒーレントなエラーに対してさらなる堅牢性を示し、Google Sycamore超伝導量子プロセッサで実験的にEQ-GANの有効性を示す。
  論文  参考訳（メタデータ） (2021-04-30T20:38:41Z)
• Quantum Machine Learning for Particle Physics using a Variational Quantum Classifier [0.0]
  本稿では,ネットワークのパラメータを最適化するために,量子勾配降下法と急勾配降下法を組み合わせた新しいハイブリッド型変分量子分類器を提案する。 このアルゴリズムは、古典的ニューラルネットワークや、量子最適化法で訓練された量子機械学習法よりも優れた学習結果が得られる。
  論文  参考訳（メタデータ） (2020-10-14T18:05:49Z)
• 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)
• Noise robustness and experimental demonstration of a quantum generative adversarial network for continuous distributions [0.5249805590164901]
  連続確率分布を学習するために、ノイズの多いハイブリッド量子生成逆数ネットワーク(HQGAN)を数値シミュレーションする。 また,アルゴリズムの計算スケーリングを削減するために,異なるパラメータがトレーニング時間に与える影響についても検討する。 我々の研究結果は、ノイズの多い中間量子デバイス上で異なる量子機械学習アルゴリズムを実験的に探索するための道を開いた。
  論文  参考訳（メタデータ） (2020-06-02T23:14:45Z)
• Entanglement Classification via Neural Network Quantum States [58.720142291102135]
  本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。 我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
  論文  参考訳（メタデータ） (2019-12-31T07:40:23Z)

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。