論文の概要: Quantum Qualifiers for Neural Network Model Selection in Hadronic Physics

• arxiv url: http://arxiv.org/abs/2601.13463v1
• Date: Mon, 19 Jan 2026 23:37:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.098541
• Title: Quantum Qualifiers for Neural Network Model Selection in Hadronic Physics
• Title（参考訳）: ハドロン物理におけるニューラルネットワークモデル選択のための量子計算器
• Authors: Brandon B. Le, D. Keller,
• Abstract要約: 本研究では,データ固有の特性に基づいて,古典的および量子的深層ニューラルネットワーク間のモデル選択を誘導するツールを開発する。 モデル性能は, 複雑性, ノイズ, 次元性の体系的傾向に追従し, それらの傾向を予測基準に抽出する方法を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As quantum machine-learning architectures mature, a central challenge is no longer their construction, but identifying the regimes in which they offer practical advantages over classical approaches. In this work, we introduce a framework for addressing this question in data-driven hadronic physics problems by developing diagnostic tools - centered on a quantitative quantum qualifier - that guide model selection between classical and quantum deep neural networks based on intrinsic properties of the data. Using controlled classification and regression studies, we show how relative model performance follows systematic trends in complexity, noise, and dimensionality, and how these trends can be distilled into a predictive criterion. We then demonstrate the utility of this approach through an application to Compton form factor extraction from deeply virtual Compton scattering, where the quantum qualifier identifies kinematic regimes favorable to quantum models. Together, these results establish a principled framework for deploying quantum machine-learning tools in precision hadronic physics.
• Abstract（参考訳）: 量子機械学習アーキテクチャが成熟するにつれて、その中心的な課題は、もはや構築ではなく、古典的なアプローチよりも実践的な優位性を提供する体制を特定することである。 本研究では,データ固有の性質に基づく古典的および量子的深層ニューラルネットワークのモデル選択を導出する,量子量子等化器を中心とした診断ツールを開発することにより,データ駆動ハドロン物理学問題におけるこの問題に対処するためのフレームワークを提案する。 制御された分類と回帰分析を用いて, 相対モデルの性能が, 複雑性, ノイズ, 次元性の体系的傾向にどのように従うか, それらの傾向を予測基準にどのように蒸留するかを示す。 次に、量子等化器は量子モデルに好適なキネマティックレシエーションを識別する、深い仮想コンプトン散乱からコンプトンフォームファクター抽出への応用を通して、このアプローチの有用性を実証する。 これらの結果は、量子機械学習ツールを高精度ハドロン物理学に展開するための原則的な枠組みを確立した。

関連論文リスト

• Quantum AI for Cybersecurity: A hybrid Quantum-Classical models for attack path analysis [1.2676356746752895]
  本研究では,ハイブリッド量子古典学習の可能性について検討し,侵入検出のための特徴表現を強化する。 量子化された表現は、データが不足している場合により優れた攻撃リコールとクラス分離性を示す。 結果は、サイバーセキュリティタスクの一般化と表現品質を改善するための量子埋め込みの可能性を強調している。
  論文  参考訳（メタデータ） (2026-01-05T16:11:39Z)
• 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)
• Characterizing Non-Markovian Dynamics of Open Quantum Systems [0.0]
  我々はTCLマスター方程式を用いて非マルコフ進化を特徴付ける構造保存手法を開発した。 本稿では,ローレンス・リバモア国立研究所のQuantum Device Integration Testbed (QuDIT) における超伝導量子ビットの実験データを用いた手法について述べる。 これらの知見は、短期量子プロセッサにおける量子制御とエラー軽減に寄与する、オープン量子システムの効率的なモデリング戦略に関する貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2025-03-28T04:43:24Z)
• Building Continuous Quantum-Classical Bayesian Neural Networks for a Classical Clinical Dataset [0.0]
  本稿では,医学データセットの不確実性を考慮した分類を行う量子古典ベイズニューラルネットワーク(QCBNN)を提案する。 予測性能とモデルの不確実性の両方を捉える複数の行動メトリクスを追跡します。 より不確実な方法でサンプルを分類できるハイブリッドモデルを作ることは、私たちの野望です。
  論文  参考訳（メタデータ） (2024-06-10T14:23:25Z)
• Coreset selection can accelerate quantum machine learning models with provable generalization [6.733416056422756]
  量子ニューラルネットワーク(QNN)と量子カーネルは、量子機械学習の領域において顕著な存在である。 我々は、QNNと量子カーネルのトレーニングを高速化することを目的とした、コアセット選択という統一的なアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-19T08:59:46Z)
• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)
• The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
  古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。 鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。 我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T16:06:24Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• 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)
• Quantum Machine Learning with SQUID [64.53556573827525]
  分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。 本稿では、一般的なMNISTデータセットから標準バイナリ分類問題にSQUIDを使用する例を示す。
  論文  参考訳（メタデータ） (2021-04-30T21:34:11Z)
• Machine learning approach for quantum non-Markovian noise classification [1.2891210250935146]
  機械学習と人工ニューラルネットワークモデルを用いてノイズの多い量子力学を分類できることを示した。 提案手法は, 多数の実験手法の直接的応用と, 既に利用可能な雑音型中間規模量子デバイスのノイズベンチマークへの応用が期待できる。
  論文  参考訳（メタデータ） (2021-01-08T20:56:56Z)

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。