論文の概要: Robust Quantum Machine Learning for Collider Event Selection under Detector Variability

• arxiv url: http://arxiv.org/abs/2608.11330v1
• Date: Tue, 11 Aug 2026 18:29:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.333792
• Title: Robust Quantum Machine Learning for Collider Event Selection under Detector Variability
• Title（参考訳）: 検出変数を考慮した衝突イベント選択のためのロバスト量子機械学習
• Authors: Christopher Brown, Michael Spannowsky, Simon Williams,
• Abstract要約: パラメータ化量子モデルがロバストコライダー-イベント選択に有用な帰納バイアスを与えるかどうかを考察する。 教師なしの研究では、バックグラウンドイベントで訓練された量子オートエンコーダを、異常検出のための古典的および変動的オートエンコーダと比較する。 スミアリングの下では、量子モデルは一般的に出力スコアの小さなシフトを示し、表現力のある古典的ベースラインよりも効果的に識別を維持する。
• 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: Robust machine-learning methods are becoming increasingly important for high-energy physics data analysis as experiments enter the era of higher luminosity and future higher-energy colliders. Detector degradation, changing running conditions and calibration drift can shift data distributions, causing models trained on clean reference samples to degrade after deployment. We investigate whether parameterised quantum models provide a useful inductive bias for robust collider-event selection in two complementary settings. In the unsupervised study, quantum autoencoders trained on background events are compared with classical and variational autoencoders for anomaly detection. In the supervised study, quantum classifiers with data reuploading are trained to distinguish a supersymmetric signal from background and are compared with linear and multilayer-perceptron classifiers. All models are trained under reference conditions and subsequently evaluated under controlled feature-level smearing while their parameters and preprocessing transformations are held fixed. On clean inputs, the quantum autoencoders achieve competitive anomaly-detection performance, including in the low-false-positive-rate regime relevant for triggering, while the deeper data-reuploading classifier attains discrimination comparable to the non-linear classical baseline. Under smearing, the quantum models generally exhibit smaller shifts in their output scores and retain their discrimination more effectively than the expressive classical baselines. These results suggest that parameterised quantum models can provide a useful robustness inductive bias for collider-event selection and motivate further studies with realistic detector systematics, finite-shot statistics and quantum-device noise.
• Abstract（参考訳）: 実験がより高い光度と将来の高エネルギー衝突器の時代に入るにつれ、高エネルギー物理データ分析においてロバストな機械学習手法がますます重要になっている。 検出器の劣化、実行条件の変更、キャリブレーションドリフトはデータの分散をシフトさせ、クリーンな参照サンプルでトレーニングされたモデルがデプロイ後に劣化する原因となる。 パラメータ化量子モデルが2つの相補的な設定でロバストコライダー-イベント選択に有用な帰納バイアスを与えるかどうかを検討する。 教師なしの研究では、バックグラウンドイベントで訓練された量子オートエンコーダを、異常検出のための古典的および変動的オートエンコーダと比較する。 教師付き研究では、データ再アップロードを伴う量子分類器を訓練し、背景から超対称信号を識別し、線形および多層パーセプトロン分類器と比較する。 全てのモデルは参照条件下で訓練され、その後、パラメータと前処理変換が固定されている間、制御された特徴レベルのスミアリングで評価される。 クリーンな入力では、量子オートエンコーダはトリガーに関連する低偽陽性状態を含む競合する異常検出性能を達成する一方、より深いデータ再ロード分類器は、非線形の古典的ベースラインに匹敵する差別を実現する。 スミアリングの下では、量子モデルは一般的に出力スコアの小さなシフトを示し、表現力のある古典的ベースラインよりも効果的に識別を維持する。 これらの結果は、パラメータ化された量子モデルは、衝突点選択に有用なロバスト性誘導バイアスを与え、現実的な検出器体系、有限ショット統計学、量子デバイスノイズによるさらなる研究を動機付けることを示唆している。

関連論文リスト

• Benchmarking Quantum Extreme Learning based on Gaussian Boson Sampling [0.5161531917413708]
  Reservoirモデルは、ノイズの多い中間スケール量子デバイスに対して、ハードウェア効率のよい学習パラダイムを提供する。 本稿では,光学資源の要求を低減しつつ,高い分類精度を実現する量子極端学習マシンを提案する。
  論文  参考訳（メタデータ） (2026-06-13T10:00:10Z)
• Domain-Aware Hybrid Quantum Learning via Correlation-Guided Circuit Design for Crime Pattern Analytics [54.3410887955176]
  犯罪パターン分析は法執行機関と予測警察にとって重要である。 急速な都市化による犯罪活動の急増は、高次元の不均衡なデータセットを生み出す。 本研究では,犯罪分析のための量子古典比較フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-08T06:05:25Z)
• Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
  CL-QASは連続的な量子アーキテクチャ検索フレームワークである。 振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。 制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
  論文  参考訳（メタデータ） (2026-01-10T02:36:03Z)
• Q-BAR: Blogger Anomaly Recognition via Quantum-enhanced Manifold Learning [0.0]
  レコメンデーション駆動のオンラインメディアでは、クリエーターは意味突然変異に悩まされ、悪意のある二次編集は意図した意味を変えながら視覚的忠実を保つ。 低データ状態における意味的異常を検出するためのハイブリッド量子古典的フレームワークQ-BARを提案する。 100人のクリエーターによるキュレートされたデータセットでは、従来のベースラインに比べてトレーニング可能なパラメータが大幅に少ない堅牢な検出性能を実現しています。
  論文  参考訳（メタデータ） (2025-12-11T19:39:45Z)
• Enhancing Network Anomaly Detection with Quantum GANs and Successive Data Injection for Multivariate Time Series [6.576759206183036]
  本稿では,異常検出のためのQGANアーキテクチャを提案する。 データ再アップロードとSuDaIを統合することで、アプローチは古典的なデータを量子状態に効率的にマッピングする。 QGANは、異常検出において高いリコールとF1スコアとともに高い精度を達成し、古典モデルと比較して低いMSEを達成する。
  論文  参考訳（メタデータ） (2025-05-16T18:47:42Z)
• Optimizing Hyperparameters for Quantum Data Re-Uploaders in Calorimetric Particle Identification [11.099632666738177]
  本稿では,1量子ビットデータ再アップロード(QRU)量子モデルの粒子分類への応用について述べる。 このモデルは、強力な分類性能を提供しながら、最小の量子ビットを必要とする。
  論文  参考訳（メタデータ） (2024-12-16T23:10:00Z)
• Quantum-enhanced learning with a controllable bosonic variational sensor network [0.40964539027092906]
  絡み合ったセンサネットワーク(SLAEN)による教師付き学習 本稿では非線形データ分類タスクを処理できるSLAENを提案する。 分類誤差のしきい値現象は、プローブのエネルギーが一定のしきい値を超えると、誤差は劇的にゼロになる。
  論文  参考訳（メタデータ） (2024-04-28T19:41:40Z)
• Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
  オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。 本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。 多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
  論文  参考訳（メタデータ） (2023-06-14T11:41:42Z)
• Investigation of Different Calibration Methods for Deep Speaker Embedding based Verification Systems [66.61691401921296]
  本稿では, ディープスピーカ埋込抽出器のスコアキャリブレーション法について検討する。 この研究のさらなる焦点は、スコア正規化がシステムの校正性能に与える影響を推定することである。
  論文  参考訳（メタデータ） (2022-03-28T21:22:22Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)

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。