論文の概要: 1 Particle - 1 Qubit: Particle Physics Data Encoding for Quantum Machine Learning

• arxiv url: http://arxiv.org/abs/2502.17301v1
• Date: Mon, 24 Feb 2025 16:37:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:51:47.887978
• Title: 1 Particle - 1 Qubit: Particle Physics Data Encoding for Quantum Machine Learning
• Title（参考訳）: 1 Particle - 1 Qubit: Particle Physics Data Encoding for Quantum Machine Learning (特集:量子コンピューティング)
• Authors: Aritra Bal, Markus Klute, Benedikt Maier, Melik Oughton, Eric Pezone, Michael Spannowsky,
• Abstract要約: 高エネルギー物理のための新しい量子データ符号化方式である1P1Qを紹介する。 量子機械学習(QML)における1P1Qの有効性を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We introduce 1P1Q, a novel quantum data encoding scheme for high-energy physics (HEP), where each particle is assigned to an individual qubit, enabling direct representation of collision events without classical compression. We demonstrate the effectiveness of 1P1Q in quantum machine learning (QML) through two applications: a Quantum Autoencoder (QAE) for unsupervised anomaly detection and a Variational Quantum Circuit (VQC) for supervised classification of top quark jets. Our results show that the QAE successfully distinguishes signal jets from background QCD jets, achieving superior performance compared to a classical autoencoder while utilizing significantly fewer trainable parameters. Similarly, the VQC achieves competitive classification performance, approaching state-of-the-art classical models despite its minimal computational complexity. Furthermore, we validate the QAE on real experimental data from the CMS detector, establishing the robustness of quantum algorithms in practical HEP applications. These results demonstrate that 1P1Q provides an effective and scalable quantum encoding strategy, offering new opportunities for applying quantum computing algorithms in collider data analysis.
• Abstract（参考訳）: 高エネルギー物理(HEP)のための新しい量子データ符号化方式である1P1Qを導入し、各粒子を個々の量子ビットに割り当て、古典的な圧縮を伴わない衝突イベントの直接表現を可能にする。 量子機械学習(QML)における1P1Qの有効性を、教師なし異常検出のための量子オートエンコーダ(QAE)と、トップクォークジェットの教師付き分類のための変分量子回路(VQC)の2つの応用を通して示す。 その結果,QAEはバックグラウンドQCDジェットと信号ジェットの区別に成功し,従来のオートエンコーダに比べて性能が優れ,トレーニング可能なパラメータも大幅に少ないことがわかった。 同様に、VQCは、最小の計算複雑性にもかかわらず、最先端の古典モデルにアプローチして、競争力のある分類性能を達成する。 さらに,CMS検出器による実実験データに基づいてQAEを検証し,実用的なHEPアプリケーションにおける量子アルゴリズムのロバスト性を確立する。 これらの結果は、1P1Qが効果的でスケーラブルな量子符号化戦略を提供し、コライダーデータ解析に量子コンピューティングアルゴリズムを適用する新たな機会を提供することを示している。

関連論文リスト

• Neural quantum embedding via deterministic quantum computation with one qubit [3.360317485898423]
  1量子ビット(DQC1)を用いた決定論的量子計算に基づくニューラル量子埋め込み(NQE)手法を提案する。 NQEは、古典データの異なるカテゴリに対応する量子状態間のトレース距離を最大化するためにニューラルネットワークを訓練する。 我々は、NQE-DQC1プロトコルが拡張可能であることを示し、NQEトレーニングにNMRシステムを使用することを可能にした。
  論文  参考訳（メタデータ） (2025-01-26T01:33:46Z)
• Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
  量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
  論文  参考訳（メタデータ） (2024-11-13T23:56:20Z)
• Expressivity of deterministic quantum computation with one qubit [3.399289369740637]
  量子機械学習モデルとしてパラメータ化DQC1を導入する。 DQC1は普遍計算に基づく量子ニューラルネットワークと同じくらい強力であることを示す。
  論文  参考訳（メタデータ） (2024-11-05T02:46:27Z)
• 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 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 Neuron with Separable-State Encoding [0.0]
  現在利用可能な量子プロセッサにおいて、高度な量子ニューロンモデルを大規模にテストすることは、まだ不可能である。 マルチキュービットゲート数を削減した量子パーセプトロン(QP)モデルを提案する。 シミュレーション量子コンピュータにおいて,QPの量子ビットバージョンをいくつか実装することにより,提案モデルの性能を実証する。
  論文  参考訳（メタデータ） (2022-02-16T19:26:23Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)
• Quantum Support Vector Machines for Continuum Suppression in B Meson Decays [0.27342795342528275]
  古典的データを量子状態に変換するプロセスである異なる量子符号化回路が最終分類性能に与える影響について検討する。 本稿では、量子回路シミュレーションを用いて、0.848のAUC(Area Under Receiver Operating Characteristics Curve)の符号化手法を提案する。 データセットの縮小バージョンを使用して、IBM Quantum ibmq_casablancaデバイス上でアルゴリズムを実行し、平均AUCは0.703に達した。
  論文  参考訳（メタデータ） (2021-03-23T02:09:05Z)
• Nearest Centroid Classification on a Trapped Ion Quantum Computer [57.5195654107363]
  我々は,古典的データを量子状態に効率よくロードし,距離推定を行う手法を用いて,量子近接Centroid分類器を設計する。 MNIST手書き桁データセットの古典的最寄りのセントロイド分類器の精度と8次元合成データの最大100%の精度とを一致させ,11量子ビットトラップイオン量子マシン上で実験的に実証した。
  論文  参考訳（メタデータ） (2020-12-08T01:10:30Z)
• Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
  本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。 数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
  論文  参考訳（メタデータ） (2020-10-20T12:06:27Z)
• Quantum autoencoders with enhanced data encoding [0.0]
  拡張機能量子オートエンコーダ(EF-QAE)は、異なるモデルの量子状態をより忠実に圧縮できる変分量子アルゴリズムである。 EF-QAEは、同じ量の量子リソースを使用する標準量子オートエンコーダと比較して性能が向上することを示す。
  論文  参考訳（メタデータ） (2020-10-13T18:00:04Z)

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。