論文の概要: Lund Plane to Bloch (LP2B) Encoding for Object and Polarization Tagging with Quantum Jet Substructure

• arxiv url: http://arxiv.org/abs/2604.18613v1
• Date: Wed, 15 Apr 2026 13:57:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.358261
• Title: Lund Plane to Bloch (LP2B) Encoding for Object and Polarization Tagging with Quantum Jet Substructure
• Title（参考訳）: Lund Plane to Bloch (LP2B) Encoding for Object and Polarization Tagging with Quantum Jet Substructure
• Authors: Fabrizio Napolitano, Luca Della Penna, Tommaso Tedeschi, Livio Fanò,
• Abstract要約: ジェットのサブ構造は、LHC以降の要求と相補的な課題に対処するために依然として不可欠である。 ジェットキネマティックスの理論的にクリーンでロバストな表現をキュービット状態に直接マッピングするために設計されたLund Plane to Bloch (LP2B) 符号化を導入する。 我々はLundツリーの階層構造を埋め込んだ量子木トポロジーネットワーク(QTTN)を実装した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The application of quantum algorithms to jet substructure analysis is of growing interest as NISQ hardware continues to mature in qubit count and gate depth. Jet substructure remains essential for addressing demanding and complementary challenges at the LHC and beyond, notably object classification and polarization tagging. However, existing quantum machine learning approaches typically rely on data representations that suffer from infrared and collinear unsafety, sensitivity to non-perturbative effects, or poor scalability. In this work, we introduce the Lund Plane to Bloch (LP2B) encoding, designed to map a theoretically clean and robust representation of jet kinematics directly into qubit states. Leveraging this encoding, we implement a Quantum Tree-Topology Network (QTTN) that natively embeds the hierarchical structure of the Lund tree. We evaluate the QTTN across multiple benchmarks and observe that it matches the performance of large classical deep learning architectures, such as LundNet, on polarization tagging, while maintaining competitive accuracy for W boson and top quark tagging. The architecture demonstrates enhanced sensitivity compared to standard 1P1Q encodings on both polarization and W tagging, and pushes the Pareto front when compared against MLP of similar size and BDTs. Remarkably, the QTTN requires three orders of magnitude fewer parameters than LundNet, demonstrating promises for low-latency FPGA implementations in trigger systems. Furthermore, the QTTN outperforms classical methods in the low-data regime, making it suitable for low-yield, data-driven analyses. We also find that the quantum model is less susceptible to overfitting generator-specific parton shower and hadronization models than classical deep learning approaches, pointing toward potentially smaller systematic uncertainties. We validate the QTTN on real quantum hardware using a 3-qubit SpinQ device.
• Abstract（参考訳）: 量子アルゴリズムのサブ構造解析への応用は、NISQハードウェアがキュービット数とゲート深さで成熟し続けるにつれ、関心が高まっている。 ジェットのサブストラクチャーは、LHCやそれ以上の、特に物体の分類と偏光タグ付けの要求と相補的な課題に対処するためには、依然として不可欠である。 しかし、既存の量子機械学習アプローチは一般的に、赤外線とコリニアの不安全、非摂動効果への感受性、スケーラビリティの低下に苦しむデータ表現に依存している。 本研究では,ジェットキネマティクスの理論的にクリーンでロバストな表現をキュービット状態に直接マッピングするために,Lund Plane to Bloch (LP2B) 符号化を導入する。 このエンコーディングを活用して、Lundツリーの階層構造をネイティブに埋め込む量子ツリートポロジーネットワーク(QTTN)を実装した。 我々は、複数のベンチマークでQTTNを評価し、LundNetのような古典的なディープラーニングアーキテクチャの偏極タギングにおける性能と一致し、Wボソンとトップクォークタギングの競争精度を維持しながら、QTTNを評価した。 このアーキテクチャは、ポーラライゼーションとWタグ付けの両方の標準1P1Qエンコーディングと比較して感度が向上し、同様のサイズとBDTのMPPと比較した場合、Paretoフロントをプッシュする。 注目すべきなのは、QTTNはLundNetよりも3桁少ないパラメータを必要とすることだ。 さらに、QTTNは、低収率でデータ駆動分析に適した、低データ方式の古典的手法よりも優れています。 また、量子モデルは、古典的なディープラーニングアプローチよりも、発電機固有のパルトンシャワーやハドロン化モデルに過度に適合する可能性が少なく、潜在的により小さな体系的不確実性を指している。 実量子ハードウェア上でのQTTNを3量子スピンQデバイスを用いて検証する。

関連論文リスト

• Dual-Qubit Hierarchical Fuzzy Neural Network for Image Classification: Enabling Relational Learning via Quantum Entanglement [27.317371900372127]
  本稿では,2量子階層型ファジィニューラルネットワーク(DQ-HFNN)を提案する。 一対の絡み合った量子ビットに特徴対をエンコードし、単一のファジィモデルをジョイントファジィ表現に拡張する。 ノイズのある条件下での実験では、ノイズに対して堅牢であり、ノイズの多い中間スケールの量子デバイスに実装される可能性があることが示唆されている。
  論文  参考訳（メタデータ） (2025-12-15T12:35:53Z)
• HyperNQ: A Hypergraph Neural Network Decoder for Quantum LDPC Codes [1.716414185235193]
  Quantum Low-Density Parity-Check (QLDPC) コードは、スケーラブルなQuantum Error Correction (QEC) アプリケーションのための有望なソリューションとして登場した。 我々は,最初のハイパーグラフニューラルネットワーク(HGNN)ベースのQLDPCデコーダであるHyperNQを提案する。
  論文  参考訳（メタデータ） (2025-11-03T16:52:17Z)
• An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
  量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。 入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。 我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-04-13T11:49:53Z)
• Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
  量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
  論文  参考訳（メタデータ） (2024-11-13T23:56:20Z)
• Neural Quantum State Study of Fracton Models [3.8068573698649826]
  フラクトン模型は3次元以上の非伝統的な位相秩序を包含する。 これらのモデルにおける相転移を研究するための新しいツールとして、ニューラル量子状態(NQS)を確立する。 本研究は,複雑な3次元問題の研究におけるNQSの顕著な可能性を示すものである。
  論文  参考訳（メタデータ） (2024-06-17T15:58:09Z)
• NeuraLUT: Hiding Neural Network Density in Boolean Synthesizable Functions [2.7086888205833968]
  Field-Programmable Gate Array (FPGA)アクセラレータは、レイテンシとリソースクリティカルなDeep Neural Network (DNN)推論タスクの処理に成功している。 本稿では、ニューロンの境界を緩和し、サブネットワーク全体を単一のLUTにマッピングすることを提案する。 提案手法は,既知の遅延クリティカルタスク,ジェットサブストラクチャタグ,古典的コンピュータビジョンタスク,MNISTを用いた桁分類で検証する。
  論文  参考訳（メタデータ） (2024-02-29T16:10:21Z)
• 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)
• DeepQMLP: A Scalable Quantum-Classical Hybrid DeepNeural Network Architecture for Classification [6.891238879512672]
  量子機械学習(QML)は、従来の機械学習(ML)タスクの潜在的なスピードアップと改善を約束している。 本稿では、古典的なディープニューラルネットワークアーキテクチャにインスパイアされたスケーラブルな量子古典ハイブリッドニューラルネットワーク(DeepQMLP)アーキテクチャを提案する。 DeepQMLPは、ノイズ下での推論において、最大25.3%の損失と7.92%の精度を提供する。
  論文  参考訳（メタデータ） (2022-02-02T15:29:46Z)
• Toward Trainability of Quantum Neural Networks [87.04438831673063]
  量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。 QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。 木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
  論文  参考訳（メタデータ） (2020-11-12T08:32:04Z)
• AQD: Towards Accurate Fully-Quantized Object Detection [94.06347866374927]
  本稿では,浮動小数点演算を除去するために,AQDと呼ばれる高精度な量子化オブジェクト検出ソリューションを提案する。 我々のAQDは、非常に低ビットのスキームの下での完全精度と比較して、同等またはそれ以上の性能を実現しています。
  論文  参考訳（メタデータ） (2020-07-14T09:07:29Z)

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。