1Centro de Investigación Cuántica, Instituto de Innovación Tecnológica, Abu Dhabi, Emiratos Árabes Unidos
2Departamento de Física Quàntica i Astrofísica e Institut de Ciències del Cosmos (ICCUB), Universitat de Barcelona, Barcelona, España.
3Departamento de Física Teórica, CERN, CH-1211 Ginebra 23, Suiza.
4Instituto de Física, Universidad Nacional Yang Ming Chiao Tung, Hsinchu 30010, Taiwán.
5TIF Lab, Dipartimento di Fisica, Università degli Studi di Milano e INFN Sezione di Milano, Milán, Italia.
¿Encuentra este documento interesante o quiere discutirlo? Scite o deje un comentario en SciRate.
Resumen
Proponemos y evaluamos una arquitectura alternativa de generador cuántico en el contexto del aprendizaje generativo de confrontación para la generación de eventos de Monte Carlo, utilizada para simular procesos de física de partículas en el Gran Colisionador de Hadrones (LHC). Validamos esta metodología implementando la red cuántica en datos artificiales generados a partir de distribuciones subyacentes conocidas. Luego, la red se aplica a conjuntos de datos generados por Monte Carlo de procesos de dispersión específicos del LHC. La nueva arquitectura del generador cuántico conduce a una generalización de las implementaciones de última generación, logrando divergencias Kullback-Leibler más pequeñas incluso con redes de poca profundidad. Además, el generador cuántico aprende con éxito las funciones de distribución subyacentes incluso si se entrena con pequeños conjuntos de muestras de entrenamiento; esto es particularmente interesante para aplicaciones de aumento de datos. Implementamos esta metodología novedosa en dos arquitecturas de hardware cuántico diferentes, tecnologías de iones atrapados y superconductoras, para probar su viabilidad independiente del hardware.
Imagen destacada: A la izquierda, pasos esquemáticos involucrados en el entrenamiento style-qGAN. A la derecha, distribuciones de muestras marginales para los observables físicos, s, t, y en pp -> ttbar producción en el LHC para el modelo style-qGAN.
► datos BibTeX
► referencias
[ 1 ] J. Preskill, Quantum 2, 79 (2018).
https://doi.org/10.22331/q-2018-08-06-79
[ 2 ] F. Arute, K. Arya, R. Babbush, D. Bacon, JC Bardin, R. Barends, R. Biswas, S. Boixo, FGSL Brandao, DA Buell, et al., Nature 574, 505 (2019).
https://doi.org/10.1038/s41586-019-1666-5
[ 3 ] H.-S. Zhong, H. Wang, Y.-H. Deng, M.-C. Chen, L.-C. Peng, Y.-H. Luo, J. Qin, D. Wu, X. Ding, Y. Hu, et al., Science 370, 1460 (2020).
https: / / doi.org/ 10.1126 / science.abe8770
[ 4 ] M. Cerezo, A. Arrasmith, R. Babbush, SC Benjamin, S. Endo, K. Fujii, JR McClean, K. Mitarai, X. Yuan, L. Cincio, et al., Nature Reviews Physics 3, 625–644 (2021).
https://doi.org/10.1038/s42254-021-00348-9
[ 5 ] K. Bharti, A. Cervera-Lierta, TH Kyaw, T. Haug, S. Alperin-Lea, A. Anand, M. Degroote, H. Heimonen, JS Kottmann, T. Menke, W.-K. Mok, S. Sim, L.-C. Kwek y A. Aspuru-Guzik, Reseñas de física moderna 94, 015004 (2022).
https: / / doi.org/ 10.1103 / RevModPhys.94.015004
[ 6 ] J. Biamonte, P. Wittek, N. Pancotti, P. Rebentrost, N. Wiebe y S. Lloyd, Nature 549, 195 (2017).
https: / / doi.org/ 10.1038 / nature23474
[ 7 ] M. Schuld y F. Petruccione, Aprendizaje supervisado con computadoras cuánticas, vol. 17 (Primavera, 2018).
https://doi.org/10.1007/978-3-319-96424-9
[ 8 ] N. Wiebe, D. Braun y S. Lloyd, Physical Review Letters 109, 050505 (2012).
https: / / doi.org/ 10.1103 / PhysRevLett.109.050505
[ 9 ] S. Lloyd, M. Mohseni y P. Rebentrost, versión preliminar de arXiv arXiv:1307.0411 (2013).
https:///doi.org/10.48550/arXiv.1307.0411
arXiv: 1307.0411
[ 10 ] P. Rebentrost, M. Mohseni y S. Lloyd, Physical Review Letters 113, 130503 (2014).
https: / / doi.org/ 10.1103 / physrevlett.113.130503
[ 11 ] I. Kerenidis y A. Prakash, Physical Review A 101, 022316 (2020).
https: / / doi.org/ 10.1103 / PhysRevA.101.022316
[ 12 ] AW Harrow, A. Hassidim y S. Lloyd, Physical Review Letters 103, 150502 (2009).
https: / / doi.org/ 10.1103 / PhysRevLett.103.150502
[ 13 ] M. Benedetti, E. Lloyd, S. Sack y M. Fiorentini, Quantum Science and Technology 4, 043001 (2019a).
https://doi.org/10.1088/2058-9565/ab4eb5
[ 14 ] S. Sim, PD Johnson y A. Aspuru-Guzik, Advanced Quantum Technologies 2, 1900070 (2019).
https: / / doi.org/ 10.1002 / qute.201900070
[ 15 ] C. Bravo-Prieto, J. Lumbreras-Zarapico, L. Tagliacozzo, and JI Latorre, Quantum 4, 272 (2020).
https://doi.org/10.22331/q-2020-05-28-272
[ 16 ] M. Larocca, N. Ju, D. García-Martín, PJ Coles y M. Cerezo, arXiv preprint arXiv:2109.11676 (2021).
https:///doi.org/10.48550/arXiv.2109.11676
arXiv: 2109.11676
[ 17 ] M. Schuld, R. Sweke y JJ Meyer, Physical Review A 103, 032430 (2021).
https: / / doi.org/ 10.1103 / PhysRevA.103.032430
[ 18 ] T. Goto, QH Tran y K. Nakajima, Physical Review Letters 127, 090506 (2021).
https: / / doi.org/ 10.1103 / PhysRevLett.127.090506
[ 19 ] A. Pérez-Salinas, D. López-Núñez, A. García-Sáez, P. Forn-Díaz, and JI Latorre, Physical Review A 104, 012405 (2021).
https: / / doi.org/ 10.1103 / PhysRevA.104.012405
[ 20 ] V. Havlíček, AD Córcoles, K. Temme, AW Harrow, A. Kandala, JM Chow y JM Gambetta, Nature 567, 209 (2019).
https://doi.org/10.1038/s41586-019-0980-2
[ 21 ] M. Schuld, A. Bocharov, KM Svore y N. Wiebe, Physical Review A 101, 032308 (2020).
https: / / doi.org/ 10.1103 / physreva.101.032308
[ 22 ] A. Pérez-Salinas, A. Cervera-Lierta, E. Gil-Fuster y JI Latorre, Quantum 4, 226 (2020).
https://doi.org/10.22331/q-2020-02-06-226
[ 23 ] T. Dutta, A. Pérez-Salinas, JPS Cheng, JI Latorre y M. Mukherjee, Physical Review A 106, 012411 (2022).
https: / / doi.org/ 10.1103 / PhysRevA.106.012411
[ 24 ] J. Romero, JP Olson y A. Aspuru-Guzik, Quantum Science and Technology 2, 045001 (2017).
https: / / doi.org/ 10.1088 / 2058-9565 / aa8072
[ 25 ] A. Pepper, N. Tischler y GJ Pryde, Physical Review Letters 122, 060501 (2019).
https: / / doi.org/ 10.1103 / PhysRevLett.122.060501
[ 26 ] C. Bravo-Prieto, Machine Learning: Ciencia y Tecnología 2, 035028 (2021).
https: / / doi.org/ 10.1088 / 2632-2153 / ac0616
[ 27 ] C. Cao y X. Wang, Physical Review Applied 15, 054012 (2021).
https: / / doi.org/ 10.1103 / PhysRevApplied.15.054012
[ 28 ] M. Benedetti, D. García-Pintos, O. Perdomo, V. Leyton-Ortega, Y. Nam y A. Perdomo-Ortiz, npj Quantum Information 5, 1 (2019b).
https://doi.org/10.1038/s41534-019-0157-8
[ 29 ] KE Hamilton, EF Dumitrescu y RC Pooser, Physical Review A 99, 062323 (2019).
https: / / doi.org/ 10.1103 / PhysRevA.99.062323
[ 30 ] B. Coyle, D. Mills, V. Danos y E. Kashefi, npj Quantum Information 6, 1 (2020).
https://doi.org/10.1038/s41534-020-00288-9
[ 31 ] P.-L. Dallaire-Demers y N. Killoran, Physical Review A 98, 012324 (2018).
https: / / doi.org/ 10.1103 / PhysRevA.98.012324
[ 32 ] S. Lloyd y C. Weedbrook, Physical Review Letters 121, 040502 (2018).
https: / / doi.org/ 10.1103 / PhysRevLett.121.040502
[ 33 ] I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A. Courville e Y. Bengio, Communications of the ACM 63, 139–144 (2020).
https: / / doi.org/ 10.1145 / 3422622
[ 34 ] C. Zoufal, A. Lucchi y S. Woerner, npj Quantum Information 5, 1 (2019).
https://doi.org/10.1038/s41534-019-0223-2
[ 35 ] J. Zeng, Y. Wu, J.-G. Liu, L. Wang y J. Hu, Physical Review A 99, 052306 (2019).
https: / / doi.org/ 10.1103 / PhysRevA.99.052306
[ 36 ] H. Situ, Z. He, Y. Wang, L. Li y S. Zheng, Ciencias de la información 538, 193 (2020).
https: / / doi.org/ 10.1016 / j.ins.2020.05.127
[ 37 ] L. Hu, S.-H. Wu, W. Cai, Y. Ma, X. Mu, Y. Xu, H. Wang, Y. Song, D.-L. Deng, C.-L. Zou, et al., Science Advances 5, eaav2761 (2019).
https: / / doi.org/ 10.1126 / sciadv.aav2761
[ 38 ] M. Benedetti, E. Grant, L. Wossnig y S. Severini, New Journal of Physics 21, 043023 (2019c).
https://doi.org/10.1088/1367-2630/ab14b5
[ 39 ] J. Romero y A. Aspuru-Guzik, Advanced Quantum Technologies 4, 2000003 (2021).
https: / / doi.org/ 10.1002 / qute.202000003
[ 40 ] MY Niu, A. Zlokapa, M. Broughton, S. Boixo, M. Mohseni, V. Smelyanskyi y H. Neven, Physical Review Letters 128, 220505 (2022).
https: / / doi.org/ 10.1103 / PhysRevLett.128.220505
[ 41 ] T. Karras, S. Laine y T. Aila, IEEE Transactions on Pattern Analysis and Machine Intelligence 43, 4217 (2021).
https: / / doi.org/ 10.1109 / TPAMI.2020.2970919
[ 42 ] A. Pérez-Salinas, J. Cruz-Martinez, AA Alhajri y S. Carrazza, Physical Review D 103, 034027 (2021).
https: / / doi.org/ 10.1103 / PhysRevD.103.034027
[ 43 ] W. Guan, G. Perdue, A. Pesah, M. Schuld, K. Terashi, S. Vallecorsa y J.-R. Vlimant, Aprendizaje automático: ciencia y tecnología 2, 011003 (2021).
https://doi.org/10.1088/2632-2153/abc17d
[ 44 ] SY Chang, S. Vallecorsa, EF Combarro y F. Carminati, preimpresión de arXiv arXiv:2101.11132 (2021a).
https:///doi.org/10.48550/arXiv.2101.11132
arXiv: 2101.11132
[ 45 ] SY Chang, S. Herbert, S. Vallecorsa, EF Combarro y R. Duncan, EPJ Web of Conferences 251, 03050 (2021b).
https: / / doi.org/ 10.1051 / epjconf / 202125103050
[ 46 ] V. Belis, S. González-Castillo, C. Reissel, S. Vallecorsa, EF Combarro, G. Dissertori, and F. Reiter, EPJ Web of Conferences 251, 03070 (2021).
https: / / doi.org/ 10.1051 / epjconf / 202125103070
[ 47 ] GR Khattak, S. Vallecorsa, F. Carminati y GM Khan, The European Physical Journal C 82, 1 (2022).
https://doi.org/10.1140/epjc/s10052-022-10258-4
[ 48 ] P. Baldi, L. Blecher, A. Butter, J. Collado, JN Howard, F. Keilbach, T. Plehn, G. Kasieczka y D. Whiteson, preimpresión de arXiv arXiv:2012.11944 (2021).
https:///doi.org/10.48550/arXiv.2012.11944
arXiv: 2012.11944
[ 49 ] M. Backes, A. Butter, T. Plehn y R. Winterhalder, SciPost Physics 10, 89 (2021).
https: / / doi.org/ 10.21468 / SciPostPhys.10.4.089
[ 50 ] A. Butter y T. Plehn, en Inteligencia artificial para física de alta energía (World Scientific, 2022) págs. 191–240.
https: / / doi.org/ 10.1142 / 9789811234033_0007
[ 51 ] A. Butter, S. Diefenbacher, G. Kasieczka, B. Nachman y T. Plehn, SciPost Physics 10, 139 (2021).
https: / / doi.org/ 10.21468 / SciPostPhys.10.6.139
[ 52 ] A. Butter, T. Plehn y R. Winterhalder, SciPost Physics Core 3, 9 (2020).
https: / / doi.org/ 10.21468 / SciPostPhysCore.3.2.009
[ 53 ] M. Bellagente, A. Butter, G. Kasieczka, T. Plehn y R. Winterhalder, SciPost Physics 8, 70 (2020).
https: / / doi.org/ 10.21468 / SciPostPhys.8.4.070
[ 54 ] A. Butter, T. Plehn y R. Winterhalder, SciPost Physics 7, 75 (2019).
https: / / doi.org/ 10.21468 / SciPostPhys.7.6.075
[ 55 ] S. Efthymiou, S. Ramos-Calderer, C. Bravo-Prieto, A. Pérez-Salinas, D. García-Martín, A. Garcia-Saez, JI Latorre, and S. Carrazza, Quantum Science and Technology 7, 015018 ( 2021a).
https://doi.org/10.1088/2058-9565/ac39f5
[ 56 ] S. Efthymiou, S. Carrazza, S. Ramos, bpcarlos, AdrianPerezSalinas, D. García-Martín, Paul, J. Serrano y atomicprinter, qiboteam/qibo: Qibo 0.1.6-rc1 (2021b).
https: / / doi.org/ 10.5281 / zenodo.5088103
[ 57 ] M. Abadi, A. Agarwal, P. Barham, E. Brevdo, Z. Chen, C. Citro, GS Corrado, A. Davis, J. Dean, M. Devin, et al., TensorFlow: aprendizaje automático a gran escala sobre sistemas heterogéneos (2015), software disponible en tensorflow.org.
https: / / www.tensorflow.org/
[ 58 ] afrancis heplat, C. Bravo-Prieto, S. Carrazza, M. Cè, J. Baglio y dm grabowska, Qti-th/style-qgan: v1.0.0 (2021).
https: / / doi.org/ 10.5281 / zenodo.5567077
[ 59 ] MD Zeiler, versión preliminar de arXiv arXiv:1212.5701 (2012).
https:///doi.org/10.48550/arXiv.1212.5701
arXiv: 1212.5701
[ 60 ] M. Ostaszewski, E. Grant y M. Benedetti, Quantum 5, 391 (2021).
https://doi.org/10.22331/q-2021-01-28-391
[ 61 ] S. Kullback y RA Leibler, Annals of Mathematical Statistics 22, 79 (1951).
https: / / doi.org/ 10.1214 / aoms / 1177729694
[ 62 ] M. Frid-Adar, E. Klang, M. Amitai, J. Goldberger y H. Greenspan, en 2018 IEEE 15th International Symposium on Biomedical Imaging (ISBI 2018) (2018) págs. 289–293.
https://doi.org/10.1109/ISBI.2018.8363576
[ 63 ] FHK dos Santos Tanaka y C. Aranha, preimpresión de arXiv arXiv:1904.09135 (2019).
https:///doi.org/10.48550/arXiv.1904.09135
arXiv: 1904.09135
[ 64 ] J. Alwall, R. Frederix, S. Frixione, V. Hirschi, F. Maltoni, O. Mattelaer, HS Shao, T. Stelzer, P. Torrielli y M. Zaro, Journal of High Energy Physics 07, 079 (2014) ).
https: / / doi.org/ 10.1007 / JHEP07 (2014) 079
[ 65 ] R. Frederix, S. Frixione, V. Hirschi, D. Pagani, HS Shao y M. Zaro, Journal of High Energy Physics 07, 185 (2018).
https: / / doi.org/ 10.1007 / JHEP07 (2018) 185
[ 66 ] I.-K. Yeo y RA Johnson, Biometrika 87, 954 (2000).
https: / / doi.org/ 10.1093 / biomet / 87.4.954
[ 67 ] F. Pedregosa, G. Varoquaux, A. Gramfort, V. Michel, B. Thirion, O. Grisel, M. Blondel, P. Prettenhofer, R. Weiss, V. Dubourg, J. Vanderplas, A. Passos, D. Cournapeau, M. Brucher, M. Perrot y E. Duchesnay, Journal of Machine Learning Research 12, 2825–2830 (2011).
https: / / dl.acm.org/ doi / 10.5555 / 1953048.2078195
[ 68 ] G. Aleksandrowicz, T. Alexander, P. Barkoutsos, L. Bello, Y. Ben-Haim, D. Bucher, FJ Cabrera-Hernández, J. Carballo-Franquis, A. Chen, C.-F. Chen, et al., Qiskit: un marco de código abierto para la computación cuántica (2019).
https: / / doi.org/ 10.5281 / zenodo.2562111
Citado por
[1] Travis S. Humble, Andrea Delgado, Raphael Pooser, Christopher Seck, Ryan Bennink, Vicente Leyton-Ortega, C. -C. Joseph Wang, Eugene Dumitrescu, Titus Morris, Kathleen Hamilton, Dmitry Lyakh, Prasanna Date, Yan Wang, Nicholas A. Peters, Katherine J. Evans, Marcel Demarteau, Alex McCaskey, Thien Nguyen, Susan Clark, Melissa Reville, Alberto Di Meglio, Michele Grossi, Sofia Vallecorsa, Kerstin Borras, Karl Jansen y Dirk Krücker, “Libro blanco de Snowmass: sistemas de computación cuántica y software para la investigación en física de alta energía”, arXiv: 2203.07091.
[2] Andreas Adelmann, Walter Hopkins, Evangelos Kourlitis, Michael Kagan, Gregor Kasieczka, Claudius Krause, David Shih, Vinicius Mikuni, Benjamin Nachman, Kevin Pedro y Daniel Winklehner, “Nuevas direcciones para modelos sustitutos y programación diferenciable para física de alta energía simulación de detectores”, arXiv: 2203.08806.
[3] Andrea Delgado, Kathleen E. Hamilton, Prasanna Date, Jean-Roch Vlimant, Duarte Magano, Yasser Omar, Pedrame Bargassa, Anthony Francis, Alessio Gianelle, Lorenzo Sestini, Donatella Lucchesi, Davide Zuliani, Davide Nicotra, Jacco de Vries, Dominica Dibenedetto, Miriam Lucio Martinez, Eduardo Rodrigues, Carlos Vazquez Sierra, Sofia Vallecorsa, Jesse Thaler, Carlos Bravo-Prieto, su Yeon Chang, Jeffrey Lazar, and Carlos A. Argüelles, “Quantum Computing for Data Analysis in High-Energy Physics” , arXiv: 2203.08805.
[4] Yuxuan Du, Zhuozhuo Tu, Bujiao Wu, Xiao Yuan y Dacheng Tao, “Poder del aprendizaje generativo cuántico”, arXiv: 2205.04730.
[5] Stefano Carrazza, Stavros Efthymiou, Marco Lazzarin y Andrea Pasquale, “Un marco modular de código abierto para la computación cuántica”, arXiv: 2202.07017.
[6] Sandra Nguemto y Vicente Leyton-Ortega, “Re-QGAN: un marco de aprendizaje de circuitos cuánticos antagónicos optimizado”, arXiv: 2208.02165.
[7] Gabriele Agliardi, Michele Grossi, Mathieu Pellen y Enrico Prati, “Integración cuántica de procesos de partículas elementales”, Cartas de física B 832, 137228 (2022).
[8] Jack Y. Araz y Michael Spannowsky, "Clásico versus cuántico: comparación de circuitos cuánticos basados en redes tensoriales en datos del LHC", arXiv: 2202.10471.
[9] Andrea Delgado y Kathleen E. Hamilton, "Aprendizaje de circuitos cuánticos no supervisados en física de alta energía", arXiv: 2203.03578.
[10] Sulaiman Alvi, Christian Bauer y Benjamin Nachman, “Detección de anomalías cuánticas para la física de colisionadores”, arXiv: 2206.08391.
[11] Oriel Kiss, Michele Grossi, Enrique Kajomovitz y Sofia Vallecorsa, “Conditional Born machine for Monte Carlo events generation”, arXiv: 2205.07674.
Las citas anteriores son de ANUNCIOS SAO / NASA (última actualización exitosa 2022-08-18 08:19:35). La lista puede estar incompleta ya que no todos los editores proporcionan datos de citas adecuados y completos.
On Servicio citado por Crossref no se encontraron datos sobre las obras citadas (último intento 2022-08-18 08:19:33).
Este documento se publica en Quantum bajo el Creative Commons Reconocimiento 4.0 Internacional (CC BY 4.0) licencia. Los derechos de autor permanecen con los titulares de derechos de autor originales, como los autores o sus instituciones.
