論文の概要: Quantum computing applications in High Energy Physics: clustering, integration and generative models

• arxiv url: http://arxiv.org/abs/2512.01597v1
• Date: Mon, 01 Dec 2025 12:14:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.842304
• Title: Quantum computing applications in High Energy Physics: clustering, integration and generative models
• Title（参考訳）: 高エネルギー物理学における量子コンピューティング応用:クラスタリング、統合、生成モデル
• Authors: Jorge J. Martínez de Lejarza,
• Abstract要約: 高エネルギー物理学(HEP)における計算問題に対処するための量子コンピューティングの可能性を探る 我々はミンコフスキー距離を計算するための量子サブルーチンを開発し、非分類データの最大値を特定し、それを$k$-meansや$k_T$-jetクラスタリングのようなクラスタリングアルゴリズムに挿入する。 本稿では,量子ニューラルネットワークと振幅推定を組み合わせた新しい量子モンテカルロ積分器Quantum Fourier Iterative Amplitude Estimation (QFIAE)を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This PhD thesis explores the potential of quantum computing to address computational challenges in high-energy physics (HEP). As the Standard Model (SM) leaves key questions unanswered and no signs of new physics have emerged since the Higgs boson discovery, advanced experimental and computational tools become necessary. Quantum computing offers a promising alternative to classical methods, and this work investigates three main avenues where quantum algorithms can be useful in HEP research. First, we develop quantum subroutines for computing Minkowski distances and identifying maximum values in unsorted data, inserting them into clustering algorithms such as $k$-means, Affinity Propagation, and $k_T$-jet clustering. These quantum algorithms match classical performance while offering theoretical advantages when implemented on quantum hardware with qRAM. Then, we introduce a novel quantum Monte Carlo integrator, Quantum Fourier Iterative Amplitude Estimation (QFIAE), which combines a quantum neural network with amplitude estimation to integrate multivariate functions. QFIAE is executed on simulators and real quantum computers to evaluate Feynman loop integrals via Loop-Tree Duality, and is extended to compute (partially on hardware) a physical observable at NLO in perturbative quantum field theory. Finally, we present Quantum Chebyshev Probabilistic Models (QCPMs) for modeling multivariate distributions, applying them to fragmentation functions of partons fragmenting into kaons and pions. These models demonstrate accurate generative and interpolation capabilities. We also show how entanglement between variables plays a key role in training, enhancing model accuracy. Overall, these results show how quantum algorithms can already tackle relevant HEP problems on current hardware, while paving the way for future fault-tolerant applications that fully exploit quantum computational advantages.
• Abstract（参考訳）: この博士論文は、高エネルギー物理学(HEP)における計算問題に対処する量子コンピューティングの可能性を探るものである。 標準モデル(SM)は未解決の鍵となる疑問を残し、ヒッグス粒子発見以降、新しい物理学の兆候は見られず、先進的な実験と計算ツールが必要とされるようになった。 量子コンピューティングは古典的手法に代わる有望な代替手段であり、この研究は、量子アルゴリズムがHEP研究で有用となる3つの主要な方法を研究する。 まず、ミンコフスキー距離を計算し、ソートされていないデータの最大値を特定し、それを$k$-means、Affinity Propagation、$k_T$-jetクラスタリングなどのクラスタリングアルゴリズムに挿入する。 これらの量子アルゴリズムは、量子ハードウェアにqRAMを実装する際に理論上の利点を提供しながら、古典的な性能と一致する。 次に,量子ニューラルネットワークと振幅推定を組み合わせた新しい量子モンテカルロ積分器Quantum Fourier Iterative Amplitude Estimation (QFIAE)を導入し,多変量関数を統合する。 QFIAEはシミュレータや実量子コンピュータ上で実行され、Loop-Tree Dualityを介してFeynmanループ積分を評価し、摂動量子場理論においてNLOで観測可能な物理観測値(一部ハードウェア)を計算するように拡張される。 最後に、多変量分布をモデル化するためのQuantum Chebyshev Probabilistic Models (QCPM) を提案し、それをカオンとピオンに分解するパートンのフラグメンテーション関数に適用する。 これらのモデルは正確な生成と補間能力を示す。 また、変数間の絡み合いがトレーニングにおいて重要な役割を担い、モデルの精度を高めていることを示す。 これらの結果は、量子アルゴリズムが現在のハードウェアですでに関連するHEP問題に対処できることを示すとともに、量子計算の利点を完全に活用する将来のフォールトトレラントアプリケーションへの道を開いた。

関連論文リスト

• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Training Hybrid Deep Quantum Neural Network for Efficient Reinforcement Learning [3.753031740069576]
  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)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Towards Quantum Computational Mechanics [1.530480694206666]
  本稿では、量子コンピューティングを用いて、計算ホモジェナイゼーションにおける代表要素体積(RVE)問題を解く方法について述べる。 我々の量子RVE解法は古典解法に対して指数加速度を得る。
  論文  参考訳（メタデータ） (2023-12-06T12:53:02Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• 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)
• Kernel-Function Based Quantum Algorithms for Finite Temperature Quantum Simulation [5.188498150496968]
  量子多体系の熱力学特性を解くための量子カーネル関数(QKFE)アルゴリズムを提案する。 従来のカーネルメソッド(KPM)と比較して、QKFEは時間とメモリの両方のコストにおいて指数関数的に有利である。 1次元および2次元の量子スピンモデルとフェルミオン格子への応用により、その効率を実証する。
  論文  参考訳（メタデータ） (2022-02-02T18:00:04Z)
• 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)

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。