論文の概要: Quantum Fourier integration of decay rates at next-to-leading order

• arxiv url: http://arxiv.org/abs/2611.08204v1
• Date: Thu, 05 Nov 2026 15:56:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 04:55:13.568365
• Title: Quantum Fourier integration of decay rates at next-to-leading order
• Title（参考訳）: 次から次への次数における崩壊速度の量子フーリエ積分
• Abstract要約: 我々は、摂動理論において、次から次へと導く順序(NLO)における減衰率を統合するツールとして量子ニューラルネットワーク(QNN)の使用について議論する。 データ符号化量子回路は、切り詰められたフーリエ系列表現を認め、訓練されたQNNがターゲット積分を近似することができる。 この研究は、高エネルギー物理学におけるフーリエベースのQNN統合の可能性を示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We discuss the use of quantum neural networks (QNNs) as a tool for integrating decay rates at next-to-leading order (NLO) in perturbation theory. Data-encoding quantum circuits admit a truncated Fourier-series representation, enabling a trained QNN to approximate a target integrand and provide the coefficients subsequently integrated with Quantum Fourier Iterative Amplitude Estimation (QFIAE). The causal-unitary formulation of the Loop-Tree Duality (LTD) combines virtual and real contributions into locally finite integrands suitable for this representation. We consider $H\to q\bar q(g)$, $γ^*\to q\bar q(g)$ and $Φ\toφφ(φ)$, comparing quantum-simulator and quantum-hardware results with analytic NLO predictions. The study illustrates the potential of Fourier-based QNN integration for high-energy physics.
• Abstract（参考訳）: 我々は、摂動理論において、次から次へと導く順序(NLO)における減衰率を統合するツールとして量子ニューラルネットワーク(QNN)の使用について議論する。 データ符号化量子回路は、切り詰められたフーリエ系列表現を認め、訓練されたQNNがターゲット積分を近似し、その後量子フーリエ反復振幅推定(QFIAE)と統合された係数を提供する。 Loop-Tree Duality (LTD) の因果単位式は、仮想的および実的コントリビューションを、この表現に適した局所有限積分に結合する。 我々は、$H\to q\bar q(g)$, $γ^*\to q\bar q(g)$と$\toφφ(φ)$を考え、量子シミュレータと量子ハードウエアの結果を解析的NLO予測と比較する。 この研究は、高エネルギー物理学におけるフーリエベースのQNN統合の可能性を示している。

関連論文リスト

• Single-shot quantum neural networks with amplitude estimation [2.7412662946127764]
  量子ニューラルネットワーク(QNN)は、量子計測が確率的であるため、基本的なサンプリングボトルネックに悩まされる。 本研究は、量子振幅推定(AE)を読み出し段階に統合する「単一ショット」QNNフレームワークを導入する。 AEをベースとしたQNN推論では,1ショットでも$mathcalO(1/N)の誤差が得られることを示す。
  論文  参考訳（メタデータ） (2026-04-21T10:29:09Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Quantum integration of decay rates at second order in perturbation theory [0.0]
  摂動量子場理論において、高エネルギー物理学における全崩壊率の量子計算を2次で行う。 この研究は、2つの最近の最先端の進歩の合流点を浮き彫りにしている。
  論文  参考訳（メタデータ） (2024-09-18T18:00:04Z)
• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• Quantum Fourier Iterative Amplitude Estimation [0.0]
  我々はモンテカルロ積分を推定するための新しいツールを構築するために量子フーリエ反復振幅推定(QFIAE)を提案する。 QFIAEはパラメタライズド量子回路(PQC)と量子ニューラルネットワーク(QNN)を用いてターゲット関数をフーリエ級数に分解する そこで本研究では,実ハードウェア上での実行に適した精度で,QFIAEが同等の精度を実現することを示す。
  論文  参考訳（メタデータ） (2023-05-02T18:00:05Z)
• 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)
• Symmetric Pruning in Quantum Neural Networks [111.438286016951]
  量子ニューラルネットワーク(QNN)は、現代の量子マシンの力を発揮する。 ハンドクラフト対称アンサーゼを持つQNNは、一般に非対称アンサーゼを持つものよりも訓練性が高い。 本稿では,QNNのグローバル最適収束を定量化するために,実効量子ニューラルネットワークカーネル(EQNTK)を提案する。
  論文  参考訳（メタデータ） (2022-08-30T08:17:55Z)
• 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)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)

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。