論文の概要: Quantum Chebyshev Probabilistic Models for Fragmentation Functions

• arxiv url: http://arxiv.org/abs/2503.16073v1
• Date: Thu, 20 Mar 2025 12:09:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-21 16:33:19.215693
• Title: Quantum Chebyshev Probabilistic Models for Fragmentation Functions
• Title（参考訳）: フラグメンテーション関数に対する量子チェビシェフ確率モデル
• Authors: Jorge J. Martínez de Lejarza, Hsin-Yu Wu, Oleksandr Kyriienko, Germán Rodrigo, Michele Grossi,
• Abstract要約: 電子陽電子の単一包摂ハドロン消滅による荷電ピオンとカオンのフラグメンテーション関数(FFs)について検討した。 この結果は,高エネルギー物理学における科学的発見とデータ解析の進展に対処するための量子生成モデリングの可能性の増大を浮き彫りにしている。
• 参考スコア（独自算出の注目度）: 14.379311972506791
• License:
• Abstract: We propose a quantum protocol for efficiently learning and sampling multivariate probability distributions that commonly appear in high-energy physics. Our approach introduces a bivariate probabilistic model based on generalized Chebyshev polynomials, which is (pre-)trained as an explicit circuit-based model for two correlated variables, and sampled efficiently with the use of quantum Chebyshev transforms. As a key application, we study the fragmentation functions~(FFs) of charged pions and kaons from single-inclusive hadron production in electron-positron annihilation. We learn the joint distribution for the momentum fraction $z$ and energy scale $Q$ in several fragmentation processes. Using the trained model, we infer the correlations between $z$ and $Q$ from the entanglement of the probabilistic model, noting that the developed energy-momentum correlations improve model performance. Furthermore, utilizing the generalization capabilities of the quantum Chebyshev model and extended register architecture, we perform a fine-grid multivariate sampling relevant for FF dataset augmentation. Our results highlight the growing potential of quantum generative modeling for addressing problems in scientific discovery and advancing data analysis in high-energy physics.
• Abstract（参考訳）: 本稿では,高エネルギー物理でよく見られる多変量確率分布を効率的に学習し,サンプリングするための量子プロトコルを提案する。 提案手法では,一般化チェビシェフ多項式に基づく二変量確率モデルを導入し,二つの相関変数に対する明示的回路ベースモデルとして(事前)学習し,量子チェビシェフ変換を用いて効率的にサンプリングする。 重要な応用として、電子-陽電子消滅における単一包摂ハドロン生成から荷電ピオンとカオンのフラグメンテーション関数~(FFs)を研究する。 いくつかの断片化過程において運動量分数$z$とエネルギースケール$Q$の合同分布を学習する。 学習モデルを用いて,確率モデルの絡み合いから,$z$と$Q$の相関関係を推定し,エネルギー・運動相関がモデル性能を向上させることを指摘した。 さらに、量子チェビシェフモデルと拡張レジスタアーキテクチャの一般化機能を利用して、FFデータセットの増大に関連する細粒度多変量サンプリングを行う。 この結果は,高エネルギー物理学における科学的発見とデータ解析の進展に対処するための量子生成モデルの可能性の増大を浮き彫りにしている。

関連論文リスト

• Quantum Latent Diffusion Models [65.16624577812436]
  本稿では,古典的潜伏拡散モデルの確立した考え方を活用する量子拡散モデルの潜在的バージョンを提案する。 これには、従来のオートエンコーダを使用してイメージを削減し、次に潜時空間の変動回路で操作する。 この結果は、量子バージョンが生成した画像のより良い測定値を得ることによって証明されたように、量子バージョンを使用することの利点を示している。
  論文  参考訳（メタデータ） (2025-01-19T21:24:02Z)
• Parameterized quantum circuits as universal generative models for continuous multivariate distributions [1.118478900782898]
  量子回路は、回帰、分類、生成タスクにおける機械学習モデルの基盤として広く使われている。 本研究では,予測値のサンプリングベースモデルを解明し,そのような変動量子アルゴリズムの普遍性を証明する。 我々の結果は、生成的モデリングタスクにおける将来の量子回路の設計を導くのに役立つかもしれない。
  論文  参考訳（メタデータ） (2024-02-15T10:08:31Z)
• Importance sampling for stochastic quantum simulations [68.8204255655161]
  我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。 サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。 格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
  論文  参考訳（メタデータ） (2022-12-12T15:06:32Z)
• Copula-based Risk Aggregation with Trapped Ion Quantum Computers [1.541403735141431]
  コプラは、合同確率分布をモデル化するための数学的ツールである。 コプラを最大絡み合った量子状態として表現できることの最近の発見は、実用的な量子優位性に対する有望なアプローチを明らかにしている。 シミュレータと最先端のイオン量子コンピュータ上での回路設計と精度の異なるQCBMのトレーニングについて検討する。
  論文  参考訳（メタデータ） (2022-06-23T18:39:30Z)
• On Quantum Circuits for Discrete Graphical Models [1.0965065178451106]
  一般的な離散因子モデルから、偏りのない、独立なサンプルを確実に生成できる最初の方法を提案する。 本手法は多体相互作用と互換性があり,その成功確率は変数数に依存しない。 量子シミュレーションおよび実際の量子ハードウェアを用いた実験は,本手法が量子コンピュータ上でサンプリングおよびパラメータ学習を行うことができることを示す。
  論文  参考訳（メタデータ） (2022-06-01T11:03:51Z)
• Protocols for Trainable and Differentiable Quantum Generative Modelling [21.24186888129542]
  微分可能量子回路(DQC)としての確率分布の学習手法を提案する。 我々はDQCベースのモデルのトレーニングを行い、そこでデータは位相特徴写像で潜在空間にエンコードされ、次に変動量子回路が続く。 これにより、シングルショットの読み出しを使ってパラメタライズドディストリビューションからの高速サンプリングが可能になる。
  論文  参考訳（メタデータ） (2022-02-16T18:55:48Z)
• Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
  生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。 我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)
• Learnability of the output distributions of local quantum circuits [53.17490581210575]
  2つの異なるオラクルモデルにおいて、量子回路Bornマシンの学習可能性について検討する。 我々はまず,超対数深度クリフォード回路の出力分布がサンプル効率良く学習できないという負の結果を示した。 より強力なオラクルモデル、すなわちサンプルに直接アクセスすると、局所的なクリフォード回路の出力分布は計算効率よくPACを学習可能であることを示す。
  論文  参考訳（メタデータ） (2021-10-11T18:00:20Z)
• Generative Quantum Learning of Joint Probability Distribution Functions [1.221966660783828]
  我々はコプラをモデル化するための量子機械学習アルゴリズムを設計する。 任意のコプラを最大交絡状態に自然にマッピングできることが示される。 変分 ansatz を qopula' として定義すると、変数間の任意の相関が生成される。
  論文  参考訳（メタデータ） (2021-09-13T20:50:15Z)
• Probabilistic Circuits for Variational Inference in Discrete Graphical Models [101.28528515775842]
  変分法による離散的グラフィカルモデルの推論は困難である。 エビデンス・ロウアーバウンド(ELBO)を推定するためのサンプリングに基づく多くの手法が提案されている。 Sum Product Networks (SPN) のような確率的回路モデルのトラクタビリティを活用する新しい手法を提案する。 選択的SPNが表現的変動分布として適していることを示し、対象モデルの対数密度が重み付けされた場合、対応するELBOを解析的に計算可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-22T05:04:38Z)
• Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with an artificial neural-network correlator ansatz [62.997667081978825]
  光核の基底状態波動関数をモデル化するためのニューラルネットワーク量子状態アンサッツを導入する。 我々は、Aleq 4$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
  論文  参考訳（メタデータ） (2020-07-28T14:52:28Z)

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。