論文の概要: Evaluating Quantum Kernel Methods for Track-Based Classification in High-Energy Physics
- arxiv url: http://arxiv.org/abs/2608.27333v1
- Date: Thu, 27 Aug 2026 16:35:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.491714
- Title: Evaluating Quantum Kernel Methods for Track-Based Classification in High-Energy Physics
- Title（参考訳）: 高エネルギー物理におけるトラックベース分類のための量子カーネル法の評価
- Abstract要約: 本稿では,CLAS12ドリフトチャンバーを用いた大規模量子カーネル分類の設計について述べる。
各イベントは、完全に絡み合ったZZFeatureMapを介して6量子状態にエンコードされる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We present a systematic design for large-scale quantum kernel classification, demonstrated through a quantum support vector classifier (QSVC) for particle-track classification using centroid-based CLAS12 drift-chamber features. Each event is encoded into a six-qubit state via a fully entangled ZZFeatureMap, whose fidelities define a quantum kernel within a standard SVM framework. By decoupling state preparation from kernel construction and distributing evaluation across a multi-node MPI-based HPC allocation, the approach scales to 1.0x10^5 training and 4.0x10^5 test events with an exactly constructed kernel matrix, to our knowledge more than an order of magnitude larger than prior high-energy-physics quantum-kernel studies. Benchmarked against linear, polynomial, RBF, and sigmoid SVM kernels and extremely randomized trees (ERT), the ideal QSVC achieves the highest recall (99.99%) among all models. Under a calibrated hardware noise model (FakeMumbaiV2, 500 training / 2,000 test events), AUC falls from 0.9985 to 0.9671 and peak significance improvement falls from 17.5 to ~3.5, yet recall remains at 99.51% -- indicating this signal-retention advantage is attenuated but not eliminated by circuit-level decoherence. Geometric analysis of the quantum embedding shows near-orthogonal inter-class states with coherent intra-class neighborhoods under ideal simulation; under noise this structure compresses toward the maximally mixed state while preserving its relative ordering. These results demonstrate a scalable, reproducible workflow for quantum kernel experimentation at HEP-relevant scale, quantifying the practical cost of realistic hardware noise on quantum-enhanced classification.
- Abstract（参考訳）: 本稿では,CLAS12ドリフトチャンバー特徴を用いた粒子追跡分類のための量子支援ベクトル分類器(QSVC)を用いて,大規模量子カーネル分類のための体系設計を提案する。
各イベントは、完全に絡み合ったZZFeatureMapを介して6量子状態にエンコードされる。
カーネル構築から状態準備を分離し、マルチノードMPIベースのHPCアロケーションで評価を分散することにより、そのアプローチは、正確に構築されたカーネルマトリックスを用いて1.0x10^5のトレーニングと4.0x10^5のテストイベントにスケールし、これまでの高エネルギー物理量子カーネル研究よりも桁違いに大きい知識を得る。
線形、多項式、RBF、シグモノイドのSVMカーネルと極端にランダム化された木(ERT)に対してベンチマークを行い、理想的なQSVCは全てのモデルの中で最も高いリコール(99.99%)を達成する。
校正されたハードウェアノイズモデル(FakeMumbaiV2、500のトレーニング/2,000のテストイベント)では、AUCは0.9985から0.9671に低下し、ピーク値の改善は17.5から~3.5に低下するが、99.51%のリコールが残っている。
量子埋め込みの幾何学的解析は、理想的シミュレーションの下で、直交したクラス内近傍を持つクラス間準位状態を示し、この構造は、その相対的な順序を維持しながら、最大混合状態に向かって圧縮される。
これらの結果は、HEP関連スケールでの量子カーネル実験のためのスケーラブルで再現可能なワークフローを示し、量子エンハンスド分類における現実的なハードウェアノイズの実用的なコストを定量化する。
関連論文リスト
- Large-Scale Quantum Kernels for Hyperspectral Data Classification [0.0]
本稿では,超スペクトルデータ分類のための有限量子カーネル支援ベクトルマシンの大規模研究について述べる。
我々は伝統的に量子モデルに関連する計算ボトルネックを克服し、量子ビット数の2次スケーリング O(n2) を達成する。
本稿では、カーネル帯域幅最適化の詳細な解析を行い、指数集中効果の緩和におけるその重要な役割を実証する。
論文 参考訳（メタデータ） (2026-05-17T18:32:12Z) - Benchmarking Quantum Kernel Support Vector Machines Against Classical Baselines on Tabular Data: A Rigorous Empirical Study with Hardware Validation [0.0]
量子カーネル法は、短期量子コンピュータを教師あり学習に活用するための有望なアプローチとして提案されている。
本稿では,9つのバイナリ分類データセット,4つの量子特徴写像,3つの古典的カーネル,複数のノイズモデルにまたがる量子カーネル支援ベクトルマシン(QSVM)の総合的研究について述べる。
我々の分析は4つのフェーズにまたがっている: (i) 統計的意義試験により、29対の量子古典比較のうち、0.05$; (ii) 学習曲線分析が6つのトレーニング分数に対して有意に到達しないことが判明した。
論文 参考訳（メタデータ） (2026-04-20T21:03:02Z) - 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) - Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。
近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。
QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
論文 参考訳（メタデータ） (2025-10-15T12:17:23Z) - Quantum Kernel Methods: Convergence Theory, Separation Bounds and Applications to Marketing Analytics [0.22940141855172033]
本研究は、NISQ体制における実際の消費者分類タスクに量子カーネル法を適用することの実現可能性について研究する。
量子カーネル支援ベクトルマシン(Q-SVM)と量子特徴抽出モジュール(QFE)を組み合わせたハイブリッドパイプラインを提案する。
論文 参考訳（メタデータ） (2025-10-11T14:11:41Z) - Impact of finite squeezing on near-term quantum computations using GKP qubits [0.0]
本稿では,Gottesman-Kitaev-Preskill (GKP) 量子ビットに基づく測定に基づく量子計算の詳細なシミュレーションを行う。
これは最近開発されたFMPS(FunctionalMatrix Product State)フレームワークによって実現された。
論文 参考訳（メタデータ） (2025-07-21T18:00:10Z) - Calibration of Quantum Devices via Robust Statistical Methods [45.464983015777314]
量子パラメータ学習の最先端技術に対するベイズ推論の高度な統計的手法を数値解析する。
既存のアプローチ、すなわち多モード性および高次元性において、これらのアプローチの利点を示す。
我々の発見は、オープン量子システムの力学を学習する量子キャラクタリゼーションの課題に応用できる。
論文 参考訳（メタデータ） (2025-07-09T15:22:17Z) - 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-Efficient Kernel Target Alignment [0.0]
我々は、KTAで訓練された量子埋め込みカーネルを調査し、低ランク行列近似であるNystr"om法を用いて、カーネル行列を構成するために必要な量子回路の実行を減らす。
我々は、SVMの精度と量子回路実行の削減に着目し、様々なデータセットにまたがるアプローチの性能を実証的に評価した。
論文 参考訳（メタデータ） (2025-02-12T09:08:51Z) - 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) - Noisy Quantum Kernel Machines [58.09028887465797]
量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。
消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。
量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
論文 参考訳（メタデータ） (2022-04-26T09:52:02Z)
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。