論文の概要: Machine learning development for quantum computing and neutrino physics

• arxiv url: http://arxiv.org/abs/2607.13699v1
• Date: Wed, 15 Jul 2026 11:01:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.747095
• Title: Machine learning development for quantum computing and neutrino physics
• Title（参考訳）: 量子コンピューティングとニュートリノ物理のための機械学習開発
• Authors: Annalisa De Lorenzis,
• Abstract要約: この論文は、量子コンピューティングとニュートリノ物理学の文脈における機械学習手法の適用について研究している。 研究の最初の部分は、古典的なデータが量子状態にエンコードされるハイブリッド量子古典的フレームワークであるQuantum Extreme Learning Machines (QELMs)に捧げられている。 論文の第2部は、ニュートリノ物理学における水面チェレンコフ検出器による画像の解析へのディープラーニングの適用に関するものである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This thesis investigates the application of machine-learning methods in the context of quantum computing and neutrino physics, with particular emphasis on the construction of effective representations for complex, high-dimensional data. The first part of the work is devoted to Quantum Extreme Learning Machines (QELMs), a hybrid quantum--classical framework in which classical data are encoded into quantum states and processed through fixed quantum dynamics, while learning is performed by a classical readout layer. Within this framework, we analyze the role of encoding strategies, feature-reduction methods, Hamiltonian structure, and measurement, with particular focus on the relationship between quantum dynamics, expressivity, entanglement, and classical simulability. The second part of the thesis concerns the application of deep learning to the analysis of images produced by water Cherenkov detectors in neutrino physics. Convolutional architectures, including residual networks, are developed for the classification of complex events in realistic simulated datasets, showing that such models can effectively extract relevant information from detector data. Taken together, these results highlight the potential of machine learning, in both its classical and quantum forms, as a powerful framework for the analysis of complex data in fundamental physics, while also outlining relevant challenges and directions for future research.
• Abstract（参考訳）: この論文は、量子コンピューティングとニュートリノ物理学の文脈における機械学習手法の適用について研究し、特に複雑な高次元データに対する効果的な表現の構築に重点を置いている。 古典的データが量子状態に符号化され、量子力学によって処理されるハイブリッド量子古典的フレームワークであるQuantum Extreme Learning Machines (QELMs)に、学習は古典的な読み出し層によって実行される。 本枠組みでは, 量子力学, 表現性, 絡み合い, 古典的シミュラビリティの関係に着目し, 符号化戦略, 特徴還元法, ハミルトニアン構造, 測定の役割を解析する。 論文の第2部は、ニュートリノ物理学における水面チェレンコフ検出器による画像の解析へのディープラーニングの適用に関するものである。 残余ネットワークを含む畳み込みアーキテクチャは、現実的なシミュレーションデータセットにおける複雑な事象の分類のために開発されており、そのようなモデルが検出器データから関連情報を効果的に抽出できることが示されている。 これらの結果は、基礎物理学における複雑なデータ分析のための強力なフレームワークとして、古典的および量子的形式の機械学習の可能性を強調しつつ、今後の研究の課題と方向性を概説している。

関連論文リスト

• Quantum Qualifiers for Neural Network Model Selection in Hadronic Physics [0.0]
  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。
  論文  参考訳（メタデータ） (2026-01-19T23:37:31Z)
• Exploring polymer classification with a hybrid single-photon quantum approach [45.88028371034407]
  本稿では, 単一光子を用いた量子分類器と, 古典的ディープニューラルネットワークを結合したハイブリッドな古典量子形式について述べる。 このパイプラインは、その光学的ギャップによってポリマー種をうまく分類し、CPUベースのノイズシミュレーションとQuandelaのAscella量子プロセッサ上でのプルーフ・オブ・プリンシプルの動作による性能向上を実現した。
  論文  参考訳（メタデータ） (2025-12-19T23:06:38Z)
• Artificial intelligence for representing and characterizing quantum systems [49.29080693498154]
  大規模量子システムの効率的なキャラクタリゼーションは、量子科学における中心的な課題である。 人工知能(AI)の最近の進歩は、この課題に対処するための強力なツールとして現れている。 本稿では、これらのAIパラダイムが量子システム評価における2つのコアタスクにどのように貢献するかを論じる。
  論文  参考訳（メタデータ） (2025-09-05T08:41:24Z)
• Quantum reservoir computing on random regular graphs [0.0]
  量子貯水池コンピューティング(QRC)は、入力駆動多体量子システムと古典的な学習技術を組み合わせた低複雑性学習パラダイムである。 我々は、情報局在化、動的量子相関、および乱れハミルトニアンの多体構造について研究する。 そこで本研究では、乱れたアナログ量子学習プラットフォームの最適設計のためのガイドラインを提供する。
  論文  参考訳（メタデータ） (2024-09-05T16:18:03Z)
• Large-scale quantum reservoir learning with an analog quantum computer [45.21335836399935]
  我々は中性原子アナログ量子コンピュータの量子力学を利用してデータを処理する量子貯水池学習アルゴリズムを開発した。 アルゴリズムを実験的に実装し、機械学習タスクの様々なカテゴリで競合性能を達成する。 本研究は,従来の量子相関を有効機械学習に活用する可能性を示すものである。
  論文  参考訳（メタデータ） (2024-07-02T18:00:00Z)
• Programmable Simulations of Molecules and Materials with Reconfigurable Quantum Processors [0.3320294284424914]
  モデルスピンハミルトニアンで表現できる強い相関量子系のシミュレーションフレームワークを導入する。 提案手法は、再構成可能な量子ビットアーキテクチャを利用して、リアルタイムなダイナミクスをプログラム的にシミュレートする。 本稿では, この方法を用いて, 多核遷移金属触媒と2次元磁性材料のキー特性を計算する方法について述べる。
  論文  参考訳（メタデータ） (2023-12-04T19:00:01Z)
• 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)
• 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)
• Quantum Reservoir Computing Implementations for Classical and Quantum Problems [0.0]
  量子貯水池コンピューティングは、量子機械学習の分野において有望なパラダイムとして登場した。 量子貯水池の複雑な力学を利用して、量子に着想を得た機械学習手法の可能性を探る。
  論文  参考訳（メタデータ） (2022-11-15T23:19:26Z)

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。