論文の概要: Classical and Hybrid Quantum Machine Learning for Trigger-Like Event Selection on CMS Open Data: An Eight-Qubit, PCA-Constrained Benchmark

• arxiv url: http://arxiv.org/abs/2608.26224v1
• Date: Wed, 26 Aug 2026 15:32:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.128246
• Title: Classical and Hybrid Quantum Machine Learning for Trigger-Like Event Selection on CMS Open Data: An Eight-Qubit, PCA-Constrained Benchmark
• Title（参考訳）: CMSオープンデータを用いたトリガー型イベント選択のための古典的およびハイブリッド量子機械学習:8Qubit, PCA制約付きベンチマーク
• Abstract要約: イベントトリガーは高エネルギー物理学の中心に位置し、そこでは稀な関心事が維持されなければならない。 この研究は、サポートベクターマシン、人工ニューラルネットワーク、畳み込みネットワーク、長期記憶ネットワークの4つの古典的機械学習モデルを比較する。 CMSオープンデータから構築されたトリガのようなバイナリ分類タスク上の4つのハイブリッド量子対向体。
• 参考スコア（独自算出の注目度）: 0.9106818059692908
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Event triggering sits at the heart of high-energy physics, where the rare events of interest must be retained while an overwhelming background is discarded under tight latency and bandwidth budgets. This work compares four classical machine learning models, namely a support vector machine, an artificial neural network, a convolutional network and a long short-term memory network, with four hybrid quantum counterparts, on a trigger-like binary classification task built from CMS open data. The label is defined by an invariant-mass window, and the inputs combine reconstructed kinematics with physics-motivated derived variables: the pseudorapidity difference, the wrapped azimuthal difference, the angular separation and the total transverse momentum. The quantum models run under a fixed resource budget of eight qubits, a principal-component compression to sixteen features and state-vector simulation. Every model shares the same stratified split, the same preprocessing and a common decision threshold, and performance is reported through accuracy, ROC-AUC, F1-score, precision and recall. The strongest classical model is the artificial neural network, at 93.53 percent accuracy and 0.9819 ROC-AUC, while the strongest quantum model is the quantum convolutional network, at 90.89 percent accuracy and 0.9731 ROC-AUC, with the quantum neural network close behind. The quantum-kernel and recurrent quantum approaches trail both, which places the trainable hybrid embeddings ahead within this budget. The study is meant as a controlled reference point rather than a claim of quantum advantage.
• Abstract（参考訳）: イベントトリガーは高エネルギー物理学の核心にあり、そこでは希少な関心事が維持されなければならないが、圧倒的なバックグラウンドはタイトなレイテンシと帯域幅の予算で破棄される。 この研究は、CMSオープンデータから構築されたトリガーライクなバイナリ分類タスクにおいて、サポートベクターマシン、人工ニューラルネットワーク、畳み込みネットワーク、長期の短期記憶ネットワークの4つの古典的機械学習モデルと4つのハイブリッド量子処理モデルを比較する。 ラベルは不変質量ウィンドウで定義され、入力は再構成されたキネマティクスと物理に動機づけられた派生変数(擬似ラピディティ差、包まれたアジムタル差、角分離、全横運動量)を組み合わせる。 量子モデルは8キュービットの固定資源予算の下で動作し、16個の特徴に対する主成分圧縮と状態ベクトルシミュレーションを行う。 各モデルは、同じ階層化された分割、同じ前処理、共通の決定しきい値を共有し、精度、ROC-AUC、F1スコア、精度、リコールによって性能が報告される。 最強の古典的モデルは、93.53%の精度で0.9819ROC-AUC、最強の量子モデルは、90.89パーセントの精度で0.9731ROC-AUCの量子畳み込みネットワークである。 量子カーネルとリカレント量子アプローチはどちらも、トレーニング可能なハイブリッド埋め込みをこの予算内に配置する。 この研究は、量子優位性の主張よりも制御された基準点として意図されている。

関連論文リスト

• Comparing Classical and Quantum Machine Learning for Regression in High Energy Physics Collision Data [2.588098602452988]
  この研究は、4つの古典的機械学習アーキテクチャと量子的アーキテクチャを体系的に比較する。 全てのモデルは、CERN Open Dataポータルから電子-陽電子とミューオン-反ミューオンの最終状態による陽子-陽子衝突のシミュレーションに基づいて訓練されている。 古典的アーキテクチャ、特にCNNとLSTMは、現在のハードウェアとデータセットの制約の下で、はるかに優れた定量的パフォーマンスを達成する。 しかし、量子モデルは、トレーニング可能なパラメータをかなり少なくして、競争精度に達する。
  論文  参考訳（メタデータ） (2026-08-28T08:53:15Z)
• Quantum Incremental Learning with Mixed State Prototypes [53.319426778720434]
  トレーニング可能な混合状態プロトタイプに基づく新しい量子インクリメンタル学習フレームワークを提案する。 本モデルでは,最小数の量子ビットを用いて高次元特徴量を実現する。
  論文  参考訳（メタデータ） (2026-08-11T04:22:42Z)
• Quantum-classical crossover in fault-tolerant quantum dynamics simulation [56.198154828333685]
  我々は、コヒーレントな観測可能推定と非クリフォード回転の時空間効率実装を組み合わせたスケーラブルなフォールトトレラントフレームワークを提案する。 最先端テンソルネットワークと変分モンテカルロアルゴリズムに対するベンチマークでは、混合場イジングダイナミクスのための具体的なクロスオーバーが明らかにされている。
  論文  参考訳（メタデータ） (2026-07-17T16:54:25Z)
• Designing quantum technologies with a quantum computer [1.4951795042951048]
  一般電子スピン共鳴ハミルトニアンを用いたデバイスシミュレーションのための量子コンピュータ支援フレームワークを開発した。 このモデルでは、グレーエンコードされたqudit-to-qubitマッピング、qubit-wise commutingアグリゲーション、およびマルチ参照選択量子クリロフ高速フォワードアルゴリズムを組み合わせる。 数値シミュレーションはマイクロ波吸収スペクトルとともに$sim100$nsまでの自己相関関数の計算を実証する。 本フレームワークを古典シミュレーションに対してベンチマークし,ハードウェアコストの固定精度を規定する主要な要因として,sQKFFにおける参照状態の選択を同定する。
  論文  参考訳（メタデータ） (2026-01-29T18:26:54Z)
• Entanglement and Classical Simulability in Quantum Extreme Learning Machines [0.0]
  本稿では,古典的エクストリーム学習マシンの量子アナログである量子エクストリーム学習マシン(QELM)について検討する。 我々のアーキテクチャは、(PCAまたはオートエンコーダを介して)次元の減少、量子状態の符号化、XXハミルトニアンの下での進化、および射影測定を組み合わせたものである。 この性能向上は、古典データの埋め込みを改善する絡み合いの開始と相関することを示す。
  論文  参考訳（メタデータ） (2025-09-08T16:43:37Z)
• 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)
• 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)
• Memory-Augmented Hybrid Quantum Reservoir Computing [0.0]
  本稿では、量子計測の古典的後処理を通じてメモリを実装するハイブリッド量子古典的アプローチを提案する。 我々は、完全に連結されたIsingモデルとRydberg原子配列の2つの物理プラットフォーム上でモデルをテストした。
  論文  参考訳（メタデータ） (2024-09-15T22:44:09Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• 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)
• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)
• A performance characterization of quantum generative models [35.974070202997176]
  量子生成モデリングに使用される量子回路を比較する。 2つの一般的なトレーニング手法を用いてデータセットの確率分布を学習する。 確率分布のコプラを学習する離散アーキテクチャの変種が、他のすべての手法より優れていることを実証的に見出した。
  論文  参考訳（メタデータ） (2023-01-23T11:00:29Z)

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。