論文の概要: Beauty and charm jet identification with end-to-end training on a superconducting quantum processor
- arxiv url: http://arxiv.org/abs/2611.16607v1
- Date: Thu, 12 Nov 2026 10:45:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.446642
- Title: Beauty and charm jet identification with end-to-end training on a superconducting quantum processor
- Title(参考訳): 超伝導量子プロセッサのエンド・ツー・エンドトレーニングによる美容とチャームジェットの同定
- Abstract要約: 重フレーバージェットの同定は、大型ハドロン衝突型加速器における測定における最も難しい分類の1つである。
本研究では, 5量子ビット超伝導量子コンピュータ上で, LHCb実験におけるb-およびc-jetsの分類のための変分量子回路を実装した。
我々の知る限り、これはLHC実験のシミュレーションデータを用いたジェット識別のための量子アルゴリズムの最初のデモであり、トレーニングやテストを含む機械学習ワークフローのすべてのステージが実際の量子ハードウェア上で実行される。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The identification of heavy-flavor jets, i.e. collimated streams of particles originating from the fragmentation of beauty and charm quarks produced in proton-proton collisions, represents one of the most challenging classification tasks in measurements at Large Hadron Collider experiments. In recent years, advanced machine learning techniques have been successfully employed to address this problem, while quantum machine learning has emerged as a promising alternative approach. However, the high dimensionality of the problem, typically involving hundreds of observables, raises an open question: whether the current generation of quantum computers, characterized by limited qubit count, can effectively tackle such complex tasks. In this work, a variational quantum circuit for the classification of b- and c-jets at the LHCb experiment is implemented on a 5-qubit superconducting quantum computer manufactured by IQM and installed at the Politecnico di Torino. To the best of our knowledge, this is the first demonstration of a quantum algorithm for jet identification using simulated data from an LHC experiment in which all stages of the machine-learning workflow, including training and testing, are performed on real quantum hardware. The results demonstrate that the impact of hardware-induced quantum noise does not significantly degrade the performance. A framework for the evaluation of the training time on the quantum hardware and for the circuit optimization is also proposed. These findings pave the way for future applications on larger quantum devices based on superconducting qubits, featuring a larger number of qubits enabling the encoding of information beyond the reach of classical simulation and providing a step toward investigating whether quantum advantage may eventually be achievable in high-energy physics classification tasks.
- Abstract(参考訳): 重フレーバージェット、すなわち陽子-陽子衝突で生じる美しさとチャームクォークの断片化に由来する粒子の衝突流の同定は、大型ハドロン衝突型加速器実験において最も難しい分類の1つである。
近年、この問題に対処するために高度な機械学習技術が採用され、量子機械学習は有望な代替手法として登場している。
しかし、この問題の高次元性(典型的には数百の観測可能量を含む)は、量子コンピュータの現在の世代が、量子ビット数に制限されていることが、そのような複雑なタスクに効果的に対処できるかどうかというオープンな疑問を提起する。
本研究では,LHCb実験におけるb-およびc-ジェットの分類のための変分量子回路を,IQMで製造されトリノのポリテコニコ・ディ・トリノに設置された5量子ビット超伝導量子コンピュータ上で実装した。
我々の知る限り、これはLHC実験のシミュレーションデータを用いたジェット識別のための量子アルゴリズムの最初のデモであり、トレーニングやテストを含む機械学習ワークフローのすべてのステージが実際の量子ハードウェア上で実行される。
その結果,ハードウェアによる量子ノイズの影響は性能を著しく低下させるものではないことがわかった。
量子ハードウェア上でのトレーニング時間の評価と回路最適化のためのフレームワークも提案する。
これらの発見は、超伝導量子ビットに基づく大規模量子デバイスへの将来の応用の道を開くものであり、古典的なシミュレーションの範囲を超えた情報の符号化を可能にする多くの量子ビットを特徴とし、高エネルギー物理分類タスクにおいて量子優位性が最終的に達成できるかどうかを研究するためのステップを提供する。
関連論文リスト
- Enabling large-scale digital quantum simulations with superconducting qubits [0.0]
デジタル量子シミュレーションは、量子化学、凝縮物質物理学、材料科学などの分野を変換することができる。
フォールトトレラントな量子コンピュータの長期的解は、主に量子ビット数のオーバーヘッドのために、自分自身の誤りを正すことはできない。
この論文は、完全な計算スタックにまたがる量子シミュレーションを進める方法を探究することによって、このより広範な努力に寄与する。
論文 参考訳(メタデータ) (2026-02-04T16:29:55Z) - Noise-Resilient Quantum Metrology with Quantum Computing [10.243775711846629]
本稿では,古典的データエンコーディングから量子データの直接処理へ焦点を移す方法を提案する。
本研究では,量子力学から取得した情報を量子コンピュータが最適化する実験可能な手法を開発した。
本手法は,推定値の精度を向上し,量子フィッシャー情報によって定量化されるように感度を著しく向上することを示す。
論文 参考訳(メタデータ) (2025-08-31T09:53:38Z) - Digital quantum simulation of many-body systems: Making the most of intermediate-scale, noisy quantum computers [51.56484100374058]
この論文は量子デバイス上の量子力学をシミュレートすることを中心にしている。
本稿では,量子力学における最も関連性の高い量子アルゴリズムの概要を紹介する。
近い将来に量子シミュレーションの恩恵を受けることができる量子力学における関連する問題を同定する。
論文 参考訳(メタデータ) (2025-08-29T10:37:19Z) - 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) - The curse of random quantum data [62.24825255497622]
量子データのランドスケープにおける量子機械学習の性能を定量化する。
量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。
この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
論文 参考訳(メタデータ) (2024-08-19T12:18:07Z) - Machine Learning for Practical Quantum Error Mitigation [0.0]
量子エラー軽減のための機械学習は、そのコストを大幅に削減することを示す。
本稿では,ML-QEMを用いて従来の緩和手法を模倣し,より優れた実行効率で拡張性を実現する方法を提案する。
論文 参考訳(メタデータ) (2023-09-29T16:17:12Z) - Quantum Machine Learning: from physics to software engineering [58.720142291102135]
古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。
量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
論文 参考訳(メタデータ) (2023-01-04T23:37:45Z) - Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the
Race to Practical Quantum Advantage [43.3054117987806]
本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。
本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。
古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
論文 参考訳(メタデータ) (2022-08-29T15:24:03Z) - An Application of Quantum Annealing Computing to Seismic Inversion [55.41644538483948]
小型地震インバージョン問題を解決するために,D波量子アニールに量子アルゴリズムを適用した。
量子コンピュータによって達成される精度は、少なくとも古典的コンピュータと同程度である。
論文 参考訳(メタデータ) (2020-05-06T14:18:44Z)
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。