論文の概要: Classical Hardware Acceleration of Quantum Autoencoders for Real-Time Anomaly Detection in Collider Experiments
- arxiv url: http://arxiv.org/abs/2607.20302v1
- Date: Wed, 22 Jul 2026 15:50:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-23 18:51:38.138206
- Title: Classical Hardware Acceleration of Quantum Autoencoders for Real-Time Anomaly Detection in Collider Experiments
- Title（参考訳）: 衝突実験におけるリアルタイム異常検出のための量子オートエンコーダの古典的ハードウェア高速化
- Abstract要約: 本稿では、現代のコライダー実験において、リアルタイムな異常検出トリガのための変分量子オートエンコーダモデルについて述べる。
これらのモデルは、最先端の古典的アプローチに匹敵する性能を達成し、FPGA合成後、リソース使用量とタイミング制約を満たす。
- 参考スコア（独自算出の注目度）: 0.0044302156879028705
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum machine learning (QML) algorithms in high energy physics (HEP) can efficiently represent and leverage long-range, high-order correlations in high-dimensional collider data, potentially with fewer parameters and favorable scaling relative to classical models. Deployment of QML in real-time collider applications such as trigger systems requires the ability to emulate and compile quantum circuits classically, then synthesize the resulting quantum gates onto low-latency hardware accelerators, namely field-programmable gate arrays (FPGAs). We present a study of variational quantum autoencoder models for real-time anomaly detection triggers in modern collider experiments. The models achieve performance comparable to state-of-the-art classical approaches and, after FPGA synthesis, satisfy resource usage and timing constraints consistent with trigger applications in future colliders. This work provides one of the first FPGA implementations of QML models for HEP triggers, enabling higher-capability models in today's classical data acquisition pipelines while advancing quantum readiness of collider experiment infrastructure.
- Abstract（参考訳）: 高エネルギー物理学(HEP)における量子機械学習(QML)アルゴリズムは、高次元コライダーデータにおける長距離高次相関を効率的に表現し、活用することができる。
トリガーシステムのようなリアルタイムコライダーアプリケーションにQMLをデプロイするには、量子回路を古典的にエミュレートしてコンパイルし、その結果の量子ゲートを低遅延ハードウェアアクセラレーター、すなわちフィールドプログラマブルゲートアレイ(FPGA)に合成する必要がある。
本稿では、現代のコライダー実験において、リアルタイムな異常検出トリガのための変分量子オートエンコーダモデルについて述べる。
これらのモデルは、最先端の古典的アプローチに匹敵する性能を達成し、FPGA合成の後、将来の衝突機におけるトリガアプリケーションと整合したリソース使用量とタイミング制約を満たす。
この作業は、HEPトリガ用のQMLモデルの最初のFPGA実装のひとつであり、コライダー実験インフラストラクチャの量子可読性を進めながら、今日の古典的なデータ取得パイプラインにおける高機能モデルを可能にする。
関連論文リスト
- Quantum Dynamic Time Warping for Multivariate Time Series Classification [41.99844472131922]
本稿では,古典距離計量を量子ヒルベルト空間のパラメータ化幾何に置き換えたハイブリッド量子動的時間温暖化アーキテクチャを提案する。
このアーキテクチャにより、トレーニングされていない量子カーネルは高度に表現力のあるベースラインとして機能し、パラメータ化されたトレーニングは、高次元データの重複を効果的に解消する。
論文 参考訳（メタデータ） (2026-06-26T07:58:37Z) - Hardware-Aware Tensor Networks for Real-Time Quantum-Inspired Anomaly Detection at Particle Colliders [0.0044302156879028705]
この研究は、コライダー検出器のリアルタイム異常検出にテンソルネットワークを用いることを実証する。
標準モデルベンチマーク以外の様々な種類の感度を提供する空間行列積演算子(SMPO)が開発されている。
その結果、高エネルギー衝突器に量子インスパイアされたMLを配置することの利点と短期的可能性を明らかにした。
論文 参考訳（メタデータ） (2026-03-27T17:02:33Z) - Digital Quantum Simulation of the Holstein-Primakoff Transformation on Noisy Qubits [40.8066152850216]
クラウドベースの超伝導量子プロセッサ上でのボソニックモードのディジタル量子シミュレーションについて検討する。
アルゴリズムとハードウェアが引き起こすエラーの相互作用を検証し、最適なシミュレーションパラメータを同定する。
論文 参考訳（メタデータ） (2026-02-19T20:14:04Z) - 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) - Quantum Adaptive Self-Attention for Quantum Transformer Models [0.0]
本稿では,量子アテンション機構を備えた古典的トランスフォーマーモデルを強化するハイブリッドアーキテクチャであるQuantum Adaptive Self-Attention (QASA)を提案する。
QASAはドット積の注意をパラメータ化量子回路(PQC)に置き換え、量子ヒルベルト空間におけるトークン間の関係を適応的に捉える。
合成時系列タスクの実験により、QASAは標準変圧器と古典的変圧器の双方と比較して、より高速な収束と優れた一般化を実現することが示された。
論文 参考訳（メタデータ） (2025-04-05T02:52:37Z) - Quantum Data Encoding and Variational Algorithms: A Framework for Hybrid Quantum Classical Machine Learning [0.0]
量子機械学習(QML)は、量子力学の計算フレームワークと古典的な機械学習の適応特性を統合する。
この記事では、古典的なデータパイプラインと量子アルゴリズムの接続を可能にする広範なアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-02-17T16:04:04Z) - Programming optical-lattice Fermi-Hubbard quantum simulators [39.58317527488534]
我々は異なるフェルミオンモデルのための基底状態準備アルゴリズムを開発した。
特に,我々はFermi-Hubbardモデルの基底状態を作成するために,変分プリコンパイルされた量子回路を最初に設計した。
本稿では,変分フェルミオン回路を用いた仮想時間進化の近似法について論じる。
論文 参考訳（メタデータ） (2025-02-07T16:40:58Z) - Programming Variational Quantum Circuits with Quantum-Train Agent [3.360429911727189]
可変量子回路(VQC)の効率的かつスケーラブルなプログラミングを容易にするQT-QFWP(Quantum-Train Quantum Fast Weight Programmer)フレームワークを提案する。
このアプローチは、量子と古典の両方のパラメータ管理を最適化することで、従来のハイブリッド量子古典モデルに対して大きな優位性をもたらす。
QT-QFWPは、関連モデルを効率性と予測精度の両方で上回り、より実用的で費用対効果の高い量子機械学習アプリケーションへの道筋を提供する。
論文 参考訳（メタデータ） (2024-12-02T06:26:09Z) - 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) - Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。
テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。
この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
論文 参考訳（メタデータ） (2023-05-18T03:08:18Z) - Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the
Race to Practical Quantum Advantage [43.3054117987806]
本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。
本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。
古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
論文 参考訳（メタデータ） (2022-08-29T15:24:03Z)
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。