論文の概要: Impact of Circuit Depth versus Qubit Count on Variational Quantum Classifiers for Higgs Boson Signal Detection

• arxiv url: http://arxiv.org/abs/2601.11937v1
• Date: Sat, 17 Jan 2026 07:02:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.387292
• Title: Impact of Circuit Depth versus Qubit Count on Variational Quantum Classifiers for Higgs Boson Signal Detection
• Title（参考訳）: ヒッグスボソン信号検出のための変分量子分類器における回路深さとビット数の影響
• Authors: Fatih Maulana,
• Abstract要約: 本研究では,ヒッグスボソン信号検出における変分量子ML(VQC)の性能について検討した。 A)浅い4ビット回路,(B)深い4ビット回路,(C)拡張された8ビット回路の3つの構成をベンチマークした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-Energy Physics (HEP) experiments, such as those at the Large Hadron Collider (LHC), generate massive datasets that challenge classical computational limits. Quantum Machine Learning (QML) offers a potential advantage in processing high-dimensional data; however, finding the optimal architecture for current Noisy Intermediate-Scale Quantum (NISQ) devices remains an open challenge. This study investigates the performance of Variational Quantum Classifiers (VQC) in detecting Higgs Boson signals using the ATLAS Higgs Boson Machine Learning Challenge 2014 experiment dataset. We implemented a dimensionality reduction pipeline using Principal Component Analysis (PCA) to map 30 physical features into 4-qubit and 8-qubit latent spaces. We benchmarked three configurations: (A) a shallow 4-qubit circuit, (B) a deep 4-qubit circuit with increased entanglement layers, and (C) an expanded 8-qubit circuit. Experimental results demonstrate that increasing circuit depth significantly improves performance, yielding the highest accuracy of 56.2% (Configuration B), compared to a baseline of 51.9%. Conversely, simply scaling to 8 qubits resulted in a performance degradation to 50.6% due to optimization challenges associated with Barren Plateaus in the larger Hilbert space. These findings suggest that for near-term quantum hardware, prioritizing circuit depth and entanglement capability is more critical than increasing qubit count for effective anomaly detection in HEP data.
• Abstract（参考訳）: 大型ハドロン衝突型加速器(LHC)のような高エネルギー物理(HEP)実験は、古典的な計算限界に挑戦する巨大なデータセットを生成する。 量子機械学習(QML)は、高次元データを処理する上で潜在的に有利であるが、現在のノイズ中間スケール量子(NISQ)デバイスに最適なアーキテクチャを見つけることは、依然としてオープンな課題である。 本研究では,ATLAS Higgs Boson Learning Challenge 2014 実験データセットを用いて,ヒッグス・ボソン信号の検出における変分量子分類器(VQC)の性能について検討した。 主成分分析(PCA)を用いて,30個の物理特徴を4量子および8量子の潜在空間にマッピングする次元削減パイプラインを実装した。 A)浅い4ビット回路,(B)深い4ビット回路,(C)拡張された8ビット回路の3つの構成をベンチマークした。 実験の結果、回路深度の増加により性能が著しく向上し、ベースライン51.9%に比べて56.2%(設定B)の精度が向上した。 逆に、単純に8量子ビットにスケーリングすると、より大きなヒルベルト空間におけるBarren Plateausに関連する最適化の問題により、性能が50.6%に低下した。 これらの結果から, 短期量子ハードウェアにおいては, 回路深度と絡み合いの優先順位付けは, HEPデータにおける効果的な異常検出のためのキュービット数の増加よりも重要であることが示唆された。

関連論文リスト

• Parametrized Quantum Circuit Learning for Quantum Chemical Applications [6.0891078426115826]
  並列量子回路(PQC)は、複雑な機械学習問題に取り組むための有望なハイブリッドフレームワークを提供する。 本研究では,化学的に有意な2つのデータセットに対するPQCの有用性と限界について検討した。 我々は、14のデータ符号化戦略と12の変分アンセットを組み合わせた168個のPQCの包括的集合を構築し、回路上での性能を5と16の量子ビットで評価する。
  論文  参考訳（メタデータ） (2025-07-10T21:35:33Z)
• Quantum-Classical Embedding via Ghost Gutzwiller Approximation for Enhanced Simulations of Correlated Electron Systems [3.5408300118027243]
  現在の量子ハードウェア上での相関物質のシミュレーションは、限られた量子資源のために難しいままである。 量子埋め込み法は計算複雑性を減らして有望な経路を提供する。 この研究はゴーストグッツウィラー近似に基づく量子古典的な埋め込みフレームワークを開発する。
  論文  参考訳（メタデータ） (2025-06-01T22:47:31Z)
• Pushing the Limits of Low-Bit Optimizers: A Focus on EMA Dynamics [64.62231094774211]
  ステートフル(例えばアダム)は、最適収束を達成するために、モデルサイズを2倍も補助情報を維持する。 SOLOにより、アダムスタイルは3ビットまたは2ビットの精度で量子化された状態を維持することができる。 したがって、SOLOはAdamスタイルにシームレスに適用でき、精度の低下を最小限に抑えることができる。
  論文  参考訳（メタデータ） (2025-05-01T06:47:45Z)
• Solving the Traveling Salesman Problem via Different Quantum Computing Architectures [0.0]
  我々は、トラベルセールスマン問題(TSP)解決への新興フォトニックおよび量子コンピューティングアーキテクチャの適用について研究する。 ゲートベースの量子コンピュータはシミュレーションで小さなTSPインスタンスの正確な結果を示した。 Isingベースのアーキテクチャでは、より大きな問題サイズのスケーラビリティが向上している。
  論文  参考訳（メタデータ） (2025-02-24T23:37:19Z)
• GroverGPT: A Large Language Model with 8 Billion Parameters for Quantum Searching [43.496857395654764]
  量子チューリングマシンの出力をシミュレートするために,大規模言語モデルを活用する可能性について検討する。 特殊なモデルであるGroverGPTは、15兆以上のトークンでトレーニングされた。 OpenAIのGPT-4o(45%の精度)を一貫して上回り、6ビットと10ビットのデータセットでほぼ100%の精度を達成した。 また、3から6キュービットのデータで訓練すると、20キュービットを超えるシステムに対して95%を超える精度で強い一般化を示した。
  論文  参考訳（メタデータ） (2024-12-30T20:23:10Z)
• 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)
• 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)

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。