論文の概要: Continuous-variable photonic quantum extreme learning machines for fast collider-data selection

• arxiv url: http://arxiv.org/abs/2510.13994v1
• Date: Wed, 15 Oct 2025 18:21:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.576552
• Title: Continuous-variable photonic quantum extreme learning machines for fast collider-data selection
• Title（参考訳）: 高速コライダーデータ選択のための連続可変フォトニック量子極端学習装置
• Authors: Benedikt Maier, Michael Spannowsky, Simon Williams,
• Abstract要約: 我々は、コライダーデータ処理のための高速かつ低オーバーヘッドのフロントエンドとして、連続可変フォトニック量子極端学習マシンについて研究する。 データは二次変位を通じてフォトニックモードで符号化され、固定時間ガウス量子基板を介して伝播する。 1つの線形解法を用いて線形分類器のみを訓練するので、再学習は高速であり、光学パスと検出器応答は解析と推論の遅延を設定できる。
• 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: We study continuous-variable photonic quantum extreme learning machines as fast, low-overhead front-ends for collider data processing. Data is encoded in photonic modes through quadrature displacements and propagated through a fixed-time Gaussian quantum substrate. The final readout occurs through Gaussian-compatible measurements to produce a high-dimensional random feature map. Only a linear classifier is trained, using a single linear solve, so retraining is fast, and the optical path and detector response set the analytical and inference latency. We evaluate this architecture on two representative classification tasks, top-jet tagging and Higgs-boson identification, with parameter-matched multi-layer perceptron (MLP) baselines. Using standard public datasets and identical train, validation, and test splits, the photonic Quantum Extreme Learning Machine (QELM) outperforms an MLP with two hidden units for all considered training sizes, and matches or exceeds an MLP with ten hidden units at large sample sizes, while training only the linear readout. These results indicate that Gaussian photonic extreme-learning machines can provide compact and expressive random features at fixed latency. The combination of deterministic timing, rapid retraining, low optical power, and room temperature operation makes photonic QELMs a credible building block for online data selection and even first-stage trigger integration at future collider experiments.
• Abstract（参考訳）: 我々は、コライダーデータ処理のための高速かつ低オーバーヘッドのフロントエンドとして、連続可変フォトニック量子極端学習マシンについて研究する。 データは二次変位を通じてフォトニックモードで符号化され、固定時間ガウス量子基板を介して伝播する。 最終的な読み出しはガウス対応の測定を通して行われ、高次元のランダムな特徴写像を生成する。 1つの線形解法を用いて線形分類器のみを訓練するので、再学習は高速であり、光学パスと検出器応答は解析と推論の遅延を設定できる。 パラメータマッチング型多層パーセプトロン(MLP)ベースラインを用いたトップジェットタグ付けとヒッグスボソン識別という2つの代表的な分類タスクに基づいて,このアーキテクチャを評価する。 標準の公開データセットと同一の列車、検証、テストスプリットを使用して、フォトニックのQuantum Extreme Learning Machine(QELM)は、トレーニングサイズを考慮した2つの隠れユニットでMLPを上回り、大規模なサンプルサイズで10の隠れユニットとマッチングまたは超過し、線形読み出しのみをトレーニングする。 これらの結果から,ガウスフォトニック極端学習機は,一定のレイテンシでコンパクトかつ表現力のあるランダムな特徴を提供できることが示唆された。 決定論的タイミング、ラピッドリトレーニング、低光出力、室温動作の組み合わせにより、フォトニックQELMはオンラインデータ選択のための信頼性の高いビルディングブロックとなり、将来のコライダー実験では第1段階のトリガ統合も可能である。

関連論文リスト

• Behind the scenes of the Quantum Extreme Learning Machines [0.0]
  本稿では,エクストリーム学習マシンの量子変種である量子エクストリーム学習マシン(QELM)について検討する。 提案したアーキテクチャは、(PCAまたはオートエンコーダを介して)次元の減少、量子状態符号化、XXハミルトニアンによる進化、測定を組み合わせたものである。 進化時間の関数としてQELMの性能を解析することにより、低精度から高精度な状態への比較的鋭い遷移を同定し、その後精度が飽和する。
  論文  参考訳（メタデータ） (2025-09-08T16:43:37Z)
• Physical-Layer Machine Learning with Multimode Interferometric Photon Counting [0.40964539027092906]
  本稿では,機械学習と干渉光子計数を組み合わせた統合プロトコルを提案し,雑音の低減と相関関係を明らかにする。 以上の結果より, 従来のホモダイン検出法では, マルチモード干渉光子計数の方が優れていたことが示唆された。
  論文  参考訳（メタデータ） (2025-06-14T02:10:19Z)
• Supervised binary classification of small-scale digit images and weighted graphs with a trapped-ion quantum processor [56.089799129458875]
  捕捉された171ドルYb$+$イオンに基づく量子プロセッサのベンチマーク結果を示す。 リングトポロジを持つ小さな二進数画像と重み付きグラフの2種類のデータセットに対して、教師付き二進分類を行う。
  論文  参考訳（メタデータ） (2024-06-17T18:20:51Z)
• A linear photonic swap test circuit for quantum kernel estimation [0.0]
  フォトニックスワップテスト回路は 2つの量子ビットをエンコードして スカラー積を0.05未満の根平均二乗誤差で推定する。 この結果は、室温で動作している堅牢なデバイスで量子機械学習タスクを実行できる統合フォトニックアーキテクチャの開発の道を開くものである。
  論文  参考訳（メタデータ） (2024-02-27T22:34:14Z)
• Simulation of Entanglement Generation between Absorptive Quantum Memories [56.24769206561207]
  我々は、QUantum Network Communication (SeQUeNCe) のオープンソースシミュレータを用いて、2つの原子周波数コム(AFC)吸収量子メモリ間の絡み合いの発生をシミュレートする。 本研究は,SeQUeNCe における truncated Fock 空間内の光量子状態の表現を実現する。 本研究では,SPDC音源の平均光子数と,平均光子数とメモリモード数の両方で異なる絡み合い発生率を観測する。
  論文  参考訳（メタデータ） (2022-12-17T05:51:17Z)
• Photonic Quantum Computing For Polymer Classification [62.997667081978825]
  2つのポリマークラス (VIS) と近赤外 (NIR) は, ポリマーギャップの大きさに基づいて定義される。 高分子構造の二項分類に対する古典量子ハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2022-11-22T11:59:52Z)
• Sample-efficient Quantum Born Machine through Coding Rate Reduction [0.0]
  量子回路Born Machine (QCBM) は、量子物理学にインスパイアされた暗黙的な生成モデルであり、バイナリ画像を学習するのに自然に適している。 第2モーメントのマッチングだけでは量子発生器を訓練するには不十分であるが、クラス確率推定損失と組み合わせると、MCR$2$はモード崩壊に抵抗できる。
  論文  参考訳（メタデータ） (2022-11-14T06:21:26Z)
• Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
  グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。 egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。 このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
  論文  参考訳（メタデータ） (2022-01-13T16:35:45Z)
• Adaptive Machine Learning for Time-Varying Systems: Low Dimensional Latent Space Tuning [91.3755431537592]
  本稿では,時間変化システムを対象とした適応機械学習手法を提案する。 我々は,エンコーダデコーダCNNのエンコーダ部出力において,非常に高次元(N>100k)の入力を低次元(N2)潜在空間にマッピングする。 そこで本手法では,割り込みを伴わないフィードバックに基づいて,内部の相関関係を学習し,その進化をリアルタイムで追跡する。
  論文  参考訳（メタデータ） (2021-07-13T16:05:28Z)
• Scalable, End-to-End, Deep-Learning-Based Data Reconstruction Chain for Particle Imaging Detectors [0.0]
  本稿では,Lyquid Time Projection Chambers (LArTPCs) のためのエンドツーエンドのMLベースのデータ再構成チェーンを提案する。 これは、何十もの高エネルギーニュートリノ相互作用の既往の積み重ねを扱う最初の実装である。
  論文  参考訳（メタデータ） (2021-02-01T18:10:00Z)

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。