論文の概要: Neutrino Telescope Event Classification on Quantum Computers

• arxiv url: http://arxiv.org/abs/2506.16530v1
• Date: Thu, 19 Jun 2025 18:22:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.218432
• Title: Neutrino Telescope Event Classification on Quantum Computers
• Title（参考訳）: 量子コンピュータによるニュートリノ望遠鏡イベント分類
• Authors: Pablo Rodriguez-Grasa, Pavel Zhelnin, Carlos A. Argüelles, Mikel Sanz,
• Abstract要約: 本稿では、ニュートリノ望遠鏡で観測される様々なニュートリノ事象の分類に、現在の量子コンピュータをどのように利用できるかについて検討する。 本稿では,2つの量子機械学習手法,NPQK(Neural Projected Quantum Kernels)とQCNN(Quantum Convolutional Neural Networks)について検討する。 両者とも、幅広いエネルギー範囲にわたる古典的機械学習手法に匹敵する分類性能を達成している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum computers represent a new computational paradigm with steadily improving hardware capabilities. In this article, we present the first study exploring how current quantum computers can be used to classify different neutrino event types observed in neutrino telescopes. We investigate two quantum machine learning approaches, Neural Projected Quantum Kernels (NPQKs) and Quantum Convolutional Neural Networks (QCNNs), and find that both achieve classification performance comparable to classical machine learning methods across a wide energy range. By introducing a moment-of-inertia-based encoding scheme and a novel preprocessing approach, we enable efficient and scalable learning with large neutrino astronomy datasets. Tested on both simulators and the IBM Strasbourg quantum processor, the NPQK achieves a testing accuracy near 80 percent, with robust results above 1 TeV and close agreement between simulation and hardware performance. A simulated QCNN achieves approximately a 70 percent accuracy over the same energy range. These results underscore the promise of quantum machine learning for neutrino astronomy, paving the way for future advances as quantum hardware matures.
• Abstract（参考訳）: 量子コンピュータは、ハードウェア能力を着実に改善した新しい計算パラダイムである。 本稿では、ニュートリノ望遠鏡で観測される様々なニュートリノ事象の分類に、現在の量子コンピュータをどのように利用できるかについて検討する。 本稿では,2つの量子機械学習手法,NPQK(Neural Projected Quantum Kernels)と量子畳み込みニューラルネットワーク(Quantum Convolutional Neural Networks,QCNN)について検討する。 モーメント・オブ・慣性に基づく符号化方式と新しい前処理手法を導入することにより、ニュートリノ天文学の大規模データセットを用いた効率的でスケーラブルな学習を可能にする。 シミュレータとIBM Strasbourg量子プロセッサの両方でテストされたNPQKは、テスト精度を80%近く達成し、1TeV以上の堅牢な結果と、シミュレーションとハードウェアパフォーマンスの密接な一致を達成している。 シミュレーションされたQCNNは、同じエネルギー範囲で約70%の精度を達成する。 これらの結果は、ニュートリノ天文学における量子機械学習の可能性を浮き彫りにし、量子ハードウェアが成熟するにつれて将来の進歩への道を開く。

関連論文リスト

• Training Hybrid Deep Quantum Neural Network for Efficient Reinforcement Learning [2.2978333459052815]
  量子回路は、次元が指数関数的に増加するヒルベルト空間にデータを埋め込む。 量子回路を局所的に近似する有接サロゲートqtDNNを導入する。 我々は、連続制御強化学習のためのハイブリッドディープ量子ニューラルネットワークhDQNN-TD3を設計する。
  論文  参考訳（メタデータ） (2025-03-12T07:12:02Z)
• Quantum Machine Learning: An Interplay Between Quantum Computing and Machine Learning [54.80832749095356]
  量子機械学習(QML)は、量子コンピューティングの原理と従来の機械学習を組み合わせた急速に成長する分野である。 本稿では,変分量子回路を用いてQMLアーキテクチャを開発する機械学習パラダイムの量子コンピューティングについて述べる。
  論文  参考訳（メタデータ） (2024-11-14T12:27:50Z)
• Quafu-RL: The Cloud Quantum Computers based Quantum Reinforcement Learning [0.0]
  本研究は,BAQIS Quafu量子コンピューティングクラウド上で,少なくとも136量子ビットを備えた実デバイス上で,ベンチマーク量子強化問題を実行するための第一歩である。 実験の結果,Reinforcement Learning (RL) エージェントはトレーニング段階と推論段階の両方でわずかに緩和された目標を達成することができることがわかった。
  論文  参考訳（メタデータ） (2023-05-29T09:13:50Z)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• 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)
• Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
  量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。 機械学習の観点からQGLMの現状を概観する。 従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2022-06-07T07:32:57Z)
• 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)

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。