論文の概要: Characterization and upgrade of a quantum graph neural network for charged particle tracking

• arxiv url: http://arxiv.org/abs/2603.08667v1
• Date: Mon, 09 Mar 2026 17:41:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:16.618464
• Title: Characterization and upgrade of a quantum graph neural network for charged particle tracking
• Title（参考訳）: 荷電粒子追跡のための量子グラフニューラルネットワークの特性とアップグレード
• Authors: Matteo Argenton, Laura Cappelli, Concezio Bozzi,
• Abstract要約: 荷電粒子軌道再構成のための量子グラフニューラルネットワーク(QGNN)アーキテクチャを特徴付ける。 本稿では,トレーニング行動の改善の新たな証拠,特に最終訓練構成への収束について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the forthcoming years the LHC experiments are going to be upgraded to benefit from the substantial increase of the LHC instantaneous luminosity, which will lead to larger, denser events, and, consequently, greater complexity in reconstructing charged particle tracks, motivating frontier research in new technologies. Quantum machine learning models are being investigated as potential new approaches to high energy physics (HEP) tasks. We characterize and upgrade a quantum graph neural network (QGNN) architecture for charged particle track reconstruction on a simulated high luminosity dataset. The model operates on a set of event graphs, each built from the hits generated in tracking detector layers by particles produced in proton collisions, performing a classification of the possible hit connections between adjacent layers. In this approach the QGNN is designed as a hybrid architecture, interleaving classical feedforward networks with parametrized quantum circuits. We characterize the interplay between the classical and quantum components. We report on the principal upgrades to the original design, and present new evidence of improved training behavior, specifically in terms of convergence toward the final trained configuration.
• Abstract（参考訳）: 今後数年のうちに、LHC実験はLHCの即時光度が大幅に増加し、より大きく密度の高い事象を引き起こし、結果として荷電粒子軌道の再構築の複雑さが増し、新しい技術におけるフロンティア研究の動機となる。 量子機械学習モデルは、高エネルギー物理学(HEP)タスクに対する潜在的な新しいアプローチとして研究されている。 シミュレーションされた高輝度データセット上での荷電粒子トラック再構成のための量子グラフニューラルネットワーク(QGNN)アーキテクチャの特性とアップグレードを行う。 このモデルは一連のイベントグラフで動作し、それぞれがプロトン衝突によって生成された粒子によって検出層で生成されたヒットから構築され、隣接層間のヒット接続の分類を行う。 このアプローチでは、QGNNはハイブリッドアーキテクチャとして設計され、古典的なフィードフォワードネットワークとパラメタライズド量子回路をインターリーブする。 古典的成分と量子的成分の相互作用を特徴付ける。 本報告では, 原型設計への主なアップグレードについて報告するとともに, トレーニング行動の改善の新たな証拠, 特に最終訓練構成への収束について述べる。

関連論文リスト

• Quantum Visual Fields with Neural Amplitude Encoding [70.86293548779774]
  本稿では2次元画像と3次元幾何場学習のための新しいタイプの量子入射ニューラル表現(QINR)を提案する。 QVFは古典的なデータを学習可能エネルギー多様体に接地したニューラル振幅符号化を用いて量子状態ベクトルに符号化する。 我々のアンサッツは、学習可能なパラメトリド量子回路の完全に絡み合った設計に従い、実際のヒルベルト空間で量子(単位)演算を行う。
  論文  参考訳（メタデータ） (2025-08-14T17:59:52Z)
• Leveraging Quantum Layers in Classical Neural Networks [0.0]
  この論文は、古典的な畳み込みニューラルネットワークアーキテクチャにおける量子層の統合を探求する。 実験では、ニューラルネットワークパイプラインの異なる段階における量子層挿入のパフォーマンスへの影響について検討した。
  論文  参考訳（メタデータ） (2025-07-16T15:12:53Z)
• 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)
• Studying the Impact of Quantum-Specific Hyperparameters on Hybrid Quantum-Classical Neural Networks [4.951980887762045]
  ハイブリッド量子古典ニューラルネットワーク(HQNN)は、古典的な機械学習の強みと量子コンピューティング能力を組み合わせた、有望なソリューションである。 本稿では,PennyLaneフレームワーク上に実装された画像分類タスクのHQNNモデルに対して,これらのバリエーションが与える影響について検討する。 我々は,HQNNモデルの直感的および直感的学習パターンを制御された量子摂動の粒度レベル内で明らかにし,精度とトレーニング時間との相関関係の健全な基盤を構築することを目的としている。
  論文  参考訳（メタデータ） (2024-02-16T11:44:25Z)
• Quantum machine learning for image classification [39.58317527488534]
  本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。 我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。 第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
  論文  参考訳（メタデータ） (2023-04-18T18:23:20Z)
• 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)
• 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)
• Style-based quantum generative adversarial networks for Monte Carlo events [0.0]
  モンテカルロイベント生成における生成逆学習の文脈における代替量子発生器アーキテクチャの提案と評価を行う。 我々は、既知の基礎分布から生成された人工データに量子ネットワークを実装することにより、この手法を検証する。 ネットワークは、特定のLHC散乱過程のモンテカルロ生成データセットに適用される。
  論文  参考訳（メタデータ） (2021-10-13T18:00:01Z)
• Hybrid Quantum Classical Graph Neural Networks for Particle Track Reconstruction [0.0]
  大型ハドロン衝突型加速器(LHC)は、粒子衝突の瞬間速度(光度)をさらに高めるためにアップグレードされる。 HL-LHCは、さらに多くの検出器ヒットを発生させるだろう。 本研究では,新しいグラフニューラルネットワークモデルをハイブリッド量子古典グラフニューラルネットワークに変換する可能性について検討する。
  論文  参考訳（メタデータ） (2021-09-26T15:47:31Z)
• Performance of Particle Tracking Using a Quantum Graph Neural Network [1.0480625205078853]
  大型ハドロン衝突型加速器(LHC)は、粒子衝突(光度)の瞬間的な速度を高めるためにアップグレードされ、高輝度LHCとなる。 この研究は、指数関数的に増大するヒルベルト空間の恩恵を得るために、トラック再構成タスクで証明された新しいグラフニューラルネットワークモデルをハイブリッドグラフニューラルネットワークに変換する可能性を探究する。
  論文  参考訳（メタデータ） (2020-12-02T18:23:48Z)
• Experimental Quantum Generative Adversarial Networks for Image Generation [93.06926114985761]
  超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。 我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2020-10-13T06:57:17Z)

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。