1Quantum Research Centre, Technology Innovation Institute, Abu Dhabi, Arabiemiirikunnat
2Departament de Física Quàntica i Astrofísica ja Institut de Ciències del Cosmos (ICCUB), Universitat de Barcelona, Barcelona, Espanja.
3Teoreettisen fysiikan laitos, CERN, CH-1211 Geneva 23, Sveitsi.
4Fysiikan instituutti, kansallinen Yang Ming Chiao Tungin yliopisto, Hsinchu 30010, Taiwan.
5TIF Lab, Dipartimento di Fisica, Università degli Studi di Milano ja INFN Sezione di Milano, Milano, Italia.
Onko tämä artikkeli mielenkiintoinen vai haluatko keskustella? Scite tai jätä kommentti SciRate.
Abstrakti
Ehdotamme ja arvioimme vaihtoehtoista kvanttigeneraattoriarkkitehtuuria generatiivisen kontradiktorisen oppimisen yhteydessä Monte Carlon tapahtumien luomiseen, jota käytetään hiukkasfysiikan prosessien simulointiin Large Hadron Colliderissa (LHC). Validoimme tämän metodologian toteuttamalla kvanttiverkon keinotekoiseen dataan, joka on luotu tunnetuista taustalla olevista jakaumista. Verkkoa sovelletaan sitten Monte Carlon luomiin tietosarjoihin tietyistä LHC-sirontaprosesseista. Uusi kvanttigeneraattoriarkkitehtuuri johtaa uusimpien toteutusten yleistämiseen, jolloin saavutetaan pienempiä Kullback-Leibler-eroja jopa matalan syvyysverkon kanssa. Lisäksi kvanttigeneraattori oppii onnistuneesti taustalla olevat jakaumafunktiot, vaikka sitä olisi koulutettu pienillä harjoitusnäytesarjoilla; Tämä on erityisen mielenkiintoista tiedon lisäyssovelluksissa. Käytämme tätä uutta metodologiaa kahdessa erilaisessa kvanttilaitteistoarkkitehtuurissa, loukkuun jääneissä ioneissa ja suprajohtavissa teknologioissa, testataksemme sen laitteistosta riippumatonta elinkelpoisuutta.
Suositeltu kuva: Vasemmalla kaavamaiset vaiheet style-qGAN-koulutukseen. Oikealla marginaalinäytteiden jakaumat fyysisille havaittaville, s, t, y in pp -> ttbar tuotanto LHC:ssä tyyli-qGAN mallille.
► BibTeX-tiedot
► Viitteet
[1] 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 ai., 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 ai., 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 ym., 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 ja A. Aspuru-Guzik, Reviews of Modern Physics 94, 015004 (2022).
https: / / doi.org/ 10.1103 / RevModPhys.94.015004
[6] J. Biamonte, P. Wittek, N. Pancotti, P. Rebentrost, N. Wiebe ja S. Lloyd, Nature 549, 195 (2017).
https: / / doi.org/ 10.1038 / nature23474
[7] M. Schuld ja F. Petruccione, Ohjattu oppiminen kvanttitietokoneilla, Voi. 17 (kevät, 2018).
https://doi.org/10.1007/978-3-319-96424-9
[8] N. Wiebe, D. Braun ja S. Lloyd, Physical Review Letters 109, 050505 (2012).
https: / / doi.org/ 10.1103 / PhysRevLett.109.050505
[9] S. Lloyd, M. Mohseni ja P. Rebentrost, arXiv preprint arXiv:1307.0411 (2013).
https:///doi.org/10.48550/arXiv.1307.0411
arXiv: 1307.0411
[10] P. Rebentrost, M. Mohseni ja S. Lloyd, Physical Review Letters 113, 130503 (2014).
https: / / doi.org/ 10.1103 / physrevlett.113.130503
[11] I. Kerenidis ja A. Prakash, Physical Review A 101, 022316 (2020).
https: / / doi.org/ 10.1103 / PhysRevA.101.022316
[12] AW Harrow, A. Hassidim ja S. Lloyd, Physical Review Letters 103, 150502 (2009).
https: / / doi.org/ 10.1103 / PhysRevLett.103.150502
[13] M. Benedetti, E. Lloyd, S. Sack ja M. Fiorentini, Quantum Science and Technology 4, 043001 (2019a).
https://doi.org/10.1088/2058-9565/ab4eb5
[14] S. Sim, PD Johnson ja 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 ja 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 ja M. Cerezo, arXiv preprint arXiv:2109.11676 (2021).
https:///doi.org/10.48550/arXiv.2109.11676
arXiv: 2109.11676
[17] M. Schuld, R. Sweke ja JJ Meyer, Physical Review A 103, 032430 (2021).
https: / / doi.org/ 10.1103 / PhysRevA.103.032430
[18] T. Goto, QH Tran ja 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 ja 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 ja JM Gambetta, Nature 567, 209 (2019).
https://doi.org/10.1038/s41586-019-0980-2
[21] M. Schuld, A. Bocharov, KM Svore ja 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 ja 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 ja M. Mukherjee, Physical Review A 106, 012411 (2022).
https: / / doi.org/ 10.1103 / PhysRevA.106.012411
[24] J. Romero, JP Olson ja A. Aspuru-Guzik, Quantum Science and Technology 2, 045001 (2017).
https: / / doi.org/ 10.1088 / 2058-9565 / aa8072
[25] A. Pepper, N. Tischler ja GJ Pryde, Physical Review Letters 122, 060501 (2019).
https: / / doi.org/ 10.1103 / PhysRevLett.122.060501
[26] C. Bravo-Prieto, Machine Learning: Science and Technology 2, 035028 (2021).
https: / / doi.org/ 10.1088 / 2632-2153 / ac0616
[27] C. Cao ja X. Wang, Physical Review Applied 15, 054012 (2021).
https: / / doi.org/ 10.1103 / PhysRevApplied.15.054012
[28] M. Benedetti, D. Garcia-Pintos, O. Perdomo, V. Leyton-Ortega, Y. Nam ja A. Perdomo-Ortiz, npj Quantum Information 5, 1 (2019b).
https://doi.org/10.1038/s41534-019-0157-8
[29] KE Hamilton, EF Dumitrescu ja RC Pooser, Physical Review A 99, 062323 (2019).
https: / / doi.org/ 10.1103 / PhysRevA.99.062323
[30] B. Coyle, D. Mills, V. Danos ja E. Kashefi, npj Quantum Information 6, 1 (2020).
https://doi.org/10.1038/s41534-020-00288-9
[31] P.-L. Dallaire-Demers ja N. Killoran, Physical Review A 98, 012324 (2018).
https: / / doi.org/ 10.1103 / PhysRevA.98.012324
[32] S. Lloyd ja 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 ja Y. Bengio, Communications of the ACM 63, 139–144 (2020).
https: / / doi.org/ 10.1145 / +3422622
[34] C. Zoufal, A. Lucchi ja 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 ja 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 ja S. Zheng, Information Sciences 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 ai., Science advances 5, eaav2761 (2019).
https: / / doi.org/ 10.1126 / sciadv.aav2761
[38] M. Benedetti, E. Grant, L. Wossnig ja S. Severini, New Journal of Physics 21, 043023 (2019c).
https://doi.org/10.1088/1367-2630/ab14b5
[39] J. Romero ja 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 ja H. Neven, Physical Review Letters 128, 220505 (2022).
https: / / doi.org/ 10.1103 / PhysRevLett.128.220505
[41] T. Karras, S. Laine ja 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 ja 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 ja J.-R. Vlimant, Machine Learning: Science and Technology 2, 011003 (2021).
https:///doi.org/10.1088/2632-2153/abc17d
[44] SY Chang, S. Vallecorsa, EF Combarro ja F. Carminati, arXiv preprint arXiv:2101.11132 (2021a).
https:///doi.org/10.48550/arXiv.2101.11132
arXiv: 2101.11132
[45] SY Chang, S. Herbert, S. Vallecorsa, EF Combarro ja 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 ja F. Reiter, EPJ Web of Conferences 251, 03070 (2021).
https://doi.org/ 10.1051/epjconf/202125103070
[47] GR Khattak, S. Vallecorsa, F. Carminati ja 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 ja D. Whiteson, arXiv preprint arXiv:2012.11944 (2021).
https:///doi.org/10.48550/arXiv.2012.11944
arXiv: 2012.11944
[49] M. Backes, A. Butter, T. Plehn ja R. Winterhalder, SciPost Physics 10, 89 (2021).
https: / / doi.org/ 10.21468 / SciPostPhys.10.4.089
[50] A. Butter ja T. Plehn, teoksessa Artificial Intelligence For High Energy Physics (World Scientific, 2022), s. 191–240.
https: / / doi.org/ 10.1142 / 9789811234033_0007
[51] A. Butter, S. Diefenbacher, G. Kasieczka, B. Nachman ja T. Plehn, SciPost Physics 10, 139 (2021).
https: / / doi.org/ 10.21468 / SciPostPhys.10.6.139
[52] A. Butter, T. Plehn ja 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 ja R. Winterhalder, SciPost Physics 8, 70 (2020).
https: / / doi.org/ 10.21468 / SciPostPhys.8.4.070
[54] A. Butter, T. Plehn ja 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 ja 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, Adrian PerezSalinas, D. García-Martín, Paul, J. Serrano ja 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 ym., TensorFlow: Large-scale machine learning heterogeenisissä järjestelmissä (2015), ohjelmisto saatavilla osoitteesta tensorflow.org.
https: / / www.tensorflow.org/
[58] afrancis heplat, C. Bravo-Prieto, S. Carrazza, M. Cè, J. Baglio ja dm grabowska, Qti-th/style-qgan: v1.0.0 (2021).
https: / / doi.org/ 10.5281 / zenodo.5567077
[59] MD Zeiler, arXiv preprint arXiv:1212.5701 (2012).
https:///doi.org/10.48550/arXiv.1212.5701
arXiv: 1212.5701
[60] M. Ostaszewski, E. Grant ja M. Benedetti, Quantum 5, 391 (2021).
https://doi.org/10.22331/q-2021-01-28-391
[61] S. Kullback ja RA Leibler, The Annals of Mathematical Statistics 22, 79 (1951).
https: / / doi.org/ 10.1214 / aoms / 1177729694
[62] M. Frid-Adar, E. Klang, M. Amitai, J. Goldberger ja H. Greenspan vuonna 2018 IEEE 15th International Symposium on Biomedical Imaging (ISBI 2018) (2018) s. 289–293.
https:///doi.org/10.1109/ISBI.2018.8363576
[63] FHK dos Santos Tanaka ja C. Aranha, arXiv preprint 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 ja 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 ja M. Zaro, Journal of High Energy Physics 07, 185 (2018).
https: / / doi.org/ 10.1007 / JHEP07 (2018) 185
[66] I.-K. Yeo ja 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 ja 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: An Open-source Framework for Quantum Computing (2019).
https: / / doi.org/ 10.5281 / zenodo.2562111
Viitattu
[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 ja Dirk Krücker, "Snowmass White Paper: Quantum Computing Systems and Software for High-Energy Physics Research", arXiv: 2203.07091.
[2] Andreas Adelmann, Walter Hopkins, Evangelos Kourlitis, Michael Kagan, Gregor Kasieczka, Claudius Krause, David Shih, Vinicius Mikuni, Benjamin Nachman, Kevin Pedro ja Daniel Winklehner, "Uudet suunnat korvikemalleille ja erottuva ohjelmointi High Energy Physicsille ilmaisinsimulaatio”, 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 ja Carlos A. Argüelles, "Quantum Computing for Data Analysis in HighEnergy Physics" , arXiv: 2203.08805.
[4] Yuxuan Du, Zhuozhuo Tu, Bujiao Wu, Xiao Yuan ja Dacheng Tao, "Power of Quantum Generative Learning", arXiv: 2205.04730.
[5] Stefano Carrazza, Stavros Efthymiou, Marco Lazzarin ja Andrea Pasquale, "Avoimen lähdekoodin modulaarinen kehys kvanttilaskentaan", arXiv: 2202.07017.
[6] Sandra Nguemto ja Vicente Leyton-Ortega, "Re-QGAN: optimoitu kontradiktorinen kvanttipiirin oppimiskehys", arXiv: 2208.02165.
[7] Gabriele Agliardi, Michele Grossi, Mathieu Pellen ja Enrico Prati, "Alkuainehiukkasten prosessien kvanttiintegraatio", Fysiikan kirjeet B 832, 137228 (2022).
[8] Jack Y. Araz ja Michael Spannowsky, "Classical versus Quantum: verrating Tensor Network-based Quantum Circuits on LHC data", arXiv: 2202.10471.
[9] Andrea Delgado ja Kathleen E. Hamilton, "Supervised Quantum Circuit Learning in High Energy Physics", arXiv: 2203.03578.
[10] Sulaiman Alvi, Christian Bauer ja Benjamin Nachman, "Quantum Anomalia Detection for Collider Physics", arXiv: 2206.08391.
[11] Oriel Kiss, Michele Grossi, Enrique Kajomovitz ja Sofia Vallecorsa, "Conditional Born machine for Monte Carlo Events Generation", arXiv: 2205.07674.
Yllä olevat sitaatit ovat peräisin SAO: n ja NASA: n mainokset (viimeksi päivitetty onnistuneesti 2022-08-18 08:19:35). Lista voi olla puutteellinen, koska kaikki julkaisijat eivät tarjoa sopivia ja täydellisiä viittaustietoja.
On Crossrefin siteerattu palvelu tietoja teosten viittaamisesta ei löytynyt (viimeinen yritys 2022-08-18 08:19:33).
Tämä kirja on julkaistu Quantum - lehdessä Creative Commons Nimeäminen 4.0 Kansainvälinen (CC BY 4.0) lisenssin. Tekijänoikeudet säilyvät alkuperäisillä tekijänoikeuksien haltijoilla, kuten tekijöillä tai heidän instituutioillaan.
