論文の概要: Quantum Graph Neural Networks for Jet Tagging on Quantum Hardware

• arxiv url: http://arxiv.org/abs/2609.04367v1
• Date: Thu, 03 Sep 2026 18:29:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.792058
• Title: Quantum Graph Neural Networks for Jet Tagging on Quantum Hardware
• Title（参考訳）: 量子ハードウェア上でのジェットタギングのための量子グラフニューラルネットワーク
• Abstract要約: ジェットは、現在および将来の衝突者の物理学プログラムの中心である。 本稿では,ジェットの粒子雲表現に適用した置換不変量子グラフニューラルネットワーク(QGNN)を提案する。 理想的なシミュレーションでは、QGNNはParticle Flow Networkや従来のQCDオブザーバブルと競合して動作する。
• 参考スコア（独自算出の注目度）: 0.10262304700896197
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Jets are central to the physics programs of both current and future colliders, from precision Standard Model measurements and searches for new physics at the Large Hadron Collider to studies of nucleon structure at the future Electron-Ion Collider. Motivated by these applications, we explore quantum machine learning for jet classification and present a permutation-invariant Quantum Graph Neural Network (QGNN) applied to particle-cloud representations of jets. We apply the model to two such discrimination tasks: quark vs. gluon and up vs. down quark flavor tagging, with the latter being, to our knowledge, the first application of a quantum model to this problem. In the ideal simulation, the QGNN performs competitively against the Particle Flow Network and traditional QCD observables. We further deploy scaled-down models to IBM and IonQ quantum processing units (QPUs), where we train and evaluate them, obtaining promising results. Finally, we perform an interpretability analysis to characterize the observables learned by the quantum model, relating them to generalized angularities for the quark-gluon study and to jet charge for the flavor study.
• Abstract（参考訳）: ジェットは、精密標準モデルの測定や大型ハドロン衝突型加速器の新しい物理学の探索から、将来の電子・イオン衝突型加速器における核子構造の研究まで、現在の衝突型加速器と将来の衝突型衝突型加速器の物理学プログラムの中心である。 これらの応用により、ジェットの分類のための量子機械学習を探求し、ジェットの粒子雲表現に適用する置換不変量子グラフニューラルネットワーク(QGNN)を提案する。 このモデルを、クォーク対グルーオンとアップ対ダウンクォークフレーバータギングという2つの識別タスクに適用し、後者は、この問題に量子モデルを初めて適用した知識である。 理想的なシミュレーションでは、QGNNはParticle Flow Networkや従来のQCDオブザーバブルと競合して動作する。 さらに、IBMとIonQ量子処理ユニット(QPU)にスケールダウンモデルをデプロイし、トレーニングと評価を行い、有望な結果を得る。 最後に、量子モデルにより学習された可観測物の特徴を解析し、クォークグルーオン研究のための一般化角度と、フレーバー研究のためのジェット電荷とを関連付ける。

関連論文リスト

• How Hard Is Quantum Advantage? A Cloud Microphysics Stress Test for Variational Quantum Models [0.041122099523495166]
  クラウドマイクロ物理のデータセットにハイブリッド量子ニューラルネットワーク(QNN)を用いる。 我々のQNNは、広範なハイパーパラメータ最適化の恩恵を強く受けています。 同時に、QNNは、単純な完全接続ニューラルネットワークという形で、古典的なベースラインよりも優れています。
  論文  参考訳（メタデータ） (2026-07-06T10:43:27Z)
• Quantum Machine Learning for particle scattering entanglement classification [0.0]
  絡み合いは、粒子散乱過程における量子相関を特徴づける重要な量である。 本研究では,フェミオン密度プロファイルが,問題を分類タスクとしてフレーミングすることで,絡み合うためのプロキシとして機能するかどうかを検討する。 量子畳み込みニューラルネットワーク(QCNN)は、より高速な収束と低分散で、一貫して競争力や優れた精度を達成する。
  論文  参考訳（メタデータ） (2026-04-07T15:13:38Z)
• QINNs: Quantum-Informed Neural Networks [0.0]
  古典的なディープニューラルネットワークは、コライダーデータにおいてリッチな多粒子相関を学習することができるが、誘導バイアスが物理構造に固定されることは滅多にない。 量子情報の概念と量子オブザーバブルを純粋に古典的なモデルにもたらす一般的なフレームワークである量子インフォームドニューラルネットワーク(QINN)を提案する。
  論文  参考訳（メタデータ） (2025-10-20T18:03:15Z)
• A Novel Quantum Realization of Jet Clustering in High-Energy Physics Experiments [8.841173525787223]
  高エネルギー粒子衝突ではクォークとグルーオンが生成され、すぐにジェットとして知られる衝突粒子噴霧を形成する。 正確なジェット・クラスタリングは、起源のクォークやグルーオンの情報を保持するために重要である。 この研究は、ジェットクラスタリングに革命をもたらす量子コンピューティングの可能性を強調した。
  論文  参考訳（メタデータ） (2024-07-12T07:26:22Z)
• Jet Discrimination with Quantum Complete Graph Neural Network [1.684646794156297]
  本稿では,完全グラフに基づく変分量子アルゴリズムであるQuantum Complete Graph Neural Network (QCGNN)を提案する。 本研究は, ジェット判別の課題にQCGNNを適用し, ジェットを完全なグラフとして表現する手法である。
  論文  参考訳（メタデータ） (2024-03-08T02:02:23Z)
• 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)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
  量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。 機械学習の観点からQGLMの現状を概観する。 従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2022-06-07T07:32:57Z)
• Theory of Quantum Generative Learning Models with Maximum Mean Discrepancy [67.02951777522547]
  量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。 まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。 次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
  論文  参考訳（メタデータ） (2022-05-10T08:05:59Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• Experimental Quantum Generative Adversarial Networks for Image Generation [93.06926114985761]
  超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。 我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2020-10-13T06:57:17Z)

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。