論文の概要: Lie-Equivariant Quantum Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2411.15315v1
• Date: Fri, 22 Nov 2024 19:15:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:22:09.287692
• Title: Lie-Equivariant Quantum Graph Neural Networks
• Title（参考訳）: Lie-Equivariant Quantum Graph Neural Networks
• Authors: Jogi Suda Neto, Roy T. Forestano, Sergei Gleyzer, Kyoungchul Kong, Konstantin T. Matchev, Katia Matcheva,
• Abstract要約: バイナリ分類タスクは、大量のLHCデータの分析においてユビキタスである。 我々は,データ効率だけでなく,対称性保存特性も備えた量子モデルであるLie-Equivariant Quantum Graph Neural Network (Lie-EQGNN)を開発した。
• 参考スコア（独自算出の注目度）: 4.051777802443125
• License:
• Abstract: Discovering new phenomena at the Large Hadron Collider (LHC) involves the identification of rare signals over conventional backgrounds. Thus binary classification tasks are ubiquitous in analyses of the vast amounts of LHC data. We develop a Lie-Equivariant Quantum Graph Neural Network (Lie-EQGNN), a quantum model that is not only data efficient, but also has symmetry-preserving properties. Since Lorentz group equivariance has been shown to be beneficial for jet tagging, we build a Lorentz-equivariant quantum GNN for quark-gluon jet discrimination and show that its performance is on par with its classical state-of-the-art counterpart LorentzNet, making it a viable alternative to the conventional computing paradigm.
• Abstract（参考訳）: 大型ハドロン衝突型加速器(LHC)で新しい現象を発見するには、従来の背景から稀な信号が識別される。 したがって、二項分類タスクは大量のLHCデータの解析においてユビキタスである。 我々は,データ効率だけでなく,対称性保存特性も備えた量子モデルであるLie-Equivariant Quantum Graph Neural Network (Lie-EQGNN)を開発した。 ローレンツ群同値性はジェットタグ付けに有用であることが示されているので、クォークグルーオンジェット識別のためのローレンツ同変量子GNNを構築し、その性能が古典的な最先端のローレンツネットと同等であることを示し、従来の計算パラダイムの代替となる。

関連論文リスト

• Lorentz-Equivariant Quantum Graph Neural Network for High-Energy Physics [1.927711700724334]
  現在の量子グラフニューラルネットワーク(GNN)はノイズに対する堅牢性を欠き、しばしば固定対称群によって制約される。 本稿では,LorentzNet における Lorentz Group Equivariant Block モジュールを量子回路で置き換えることにより,性能が著しく向上することを示す。 本研究は, ノイズ耐性ジェットタグ, イベント分類, 広範囲なデータ共有型HEPタスクにおけるローレンツ・EQGNNの即時適用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） (2024-11-03T17:34:48Z)
• Jet Discrimination with Quantum Complete Graph Neural Network [1.684646794156297]
  本稿では,完全グラフに基づく変分量子アルゴリズムであるQuantum Complete Graph Neural Network (QCGNN)を提案する。 本研究は, ジェット判別の課題にQCGNNを適用し, ジェットを完全なグラフとして表現する手法である。
  論文  参考訳（メタデータ） (2024-03-08T02:02:23Z)
• A Comparison Between Invariant and Equivariant Classical and Quantum Graph Neural Networks [3.350407101925898]
  グラフニューラルネットワーク(GNN)のような深層幾何学的手法は、高エネルギー物理学における様々なデータ解析タスクに活用されている。 典型的なタスクはジェットタグであり、ジェットは異なる特徴とそれらの構成粒子間のエッジ接続を持つ点雲と見なされる。 本稿では,古典的グラフニューラルネットワーク(GNN)と,その量子回路との公平かつ包括的な比較を行う。
  論文  参考訳（メタデータ） (2023-11-30T16:19:13Z)
• The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
  古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。 鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。 我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T16:06:24Z)
• 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)
• Genuine multipartite entanglement and quantum coherence in an electron-positron system: Relativistic covariance [117.44028458220427]
  ローレンツブースト下での真の多粒子絡みと量子コヒーレンスの両方の挙動を解析する。 これらの量子資源の与えられた組み合わせはローレンツ不変量を形成する。
  論文  参考訳（メタデータ） (2021-11-26T17:22:59Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• Experimental Quantum Generative Adversarial Networks for Image Generation [93.06926114985761]
  超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。 我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2020-10-13T06:57:17Z)
• Lorentz Group Equivariant Neural Network for Particle Physics [58.56031187968692]
  ローレンツ群の下での変換に関して完全に同値なニューラルネットワークアーキテクチャを提案する。 素粒子物理学における分類問題に対して、そのような同変構造は、比較的学習可能なパラメータの少ない非常に単純なモデルをもたらすことを実証する。
  論文  参考訳（メタデータ） (2020-06-08T17:54:43Z)

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。