1Quantum Research Centre, Technology Innovation Institute, Abu Dhabi, Egyesült Arab Emírségek
2Departament de Física Quàntica i Astrofísica és Institut de Ciències del Cosmos (ICCUB), Universitat de Barcelona, Barcelona, Spanyolország.
3Elméleti Fizikai Tanszék, CERN, CH-1211 Genf 23, Svájc.
4Fizikai Intézet, Nemzeti Yang Ming Chiao Tung Egyetem, Hsinchu 30010, Tajvan.
5TIF Lab, Dipartimento di Fisica, Università degli Studi di Milano és INFN Sezione di Milano, Milánó, Olaszország.
Érdekesnek találja ezt a cikket, vagy szeretne megvitatni? Scite vagy hagyjon megjegyzést a SciRate-en.
Absztrakt
Alternatív kvantumgenerátor-architektúrát javasolunk és értékelünk a generatív ellenséges tanulás kontextusában a Monte Carlo-i események generálásához, amelyet a Large Hadron Collider (LHC) részecskefizikai folyamatainak szimulálására használnak. Ezt a módszertant úgy validáljuk, hogy a kvantumhálózatot az ismert mögöttes eloszlásokból generált mesterséges adatokon implementáljuk. A hálózatot ezután a Monte Carlo által generált adathalmazokra alkalmazzák a specifikus LHC-szórási folyamatokról. Az új kvantumgenerátor architektúra a legmodernebb megvalósítások általánosítását eredményezi, kisebb Kullback-Leibler eltéréseket érve el még kis mélységű hálózatoknál is. Ezenkívül a kvantumgenerátor sikeresen megtanulja a mögöttes eloszlási függvényeket, még akkor is, ha kis tanító mintakészletekkel tanítják; ez különösen érdekes adatkiegészítő alkalmazásoknál. Ezt az új módszertant két különböző kvantumhardver-architektúrán, az ioncsapdás és a szupravezető technológiákon alkalmazzuk, hogy teszteljük hardverfüggetlen életképességét.
Kiemelt kép: A bal oldalon a style-qGAN képzés sematikus lépései. A jobb oldalon marginális minták eloszlásai a fizikai megfigyelhető értékekhez, s, t, y pp-ben -> ttbar termelés az LHC-ben a style-qGAN modellhez.
► BibTeX adatok
► Referenciák
[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, J. C. Bardin, R. Barends, R. Biswas, S. Boixo, F. G. S. L. Brandao, D. A. Buell és munkatársai, 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 és munkatársai, Science 370, 1460 (2020).
https:///doi.org/10.1126/science.abe8770
[4] M. Cerezo, A. Arrasmith, R. Babbush, S. C. Benjamin, S. Endo, K. Fujii, J. R. McClean, K. Mitarai, X. Yuan, L. Cincio és társai, Nature Reviews Physics 3, 625–644 (2021).
https://doi.org/10.1038/s42254-021-00348-9
[5] K. Bharti, A. Cervera-Lierta, T. H. Kyaw, T. Haug, S. Alperin-Lea, A. Anand, M. Degroote, H. Heimonen, J. S. Kottmann, T. Menke, W.-K. Mok, S. Sim, L.-C. Kwek és 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 és S. Lloyd, Nature 549, 195 (2017).
https:///doi.org/10.1038/nature23474
[7] M. Schuld és F. Petruccione, Supervised learning with quantum computers, Vol. 17 (Tavasz, 2018).
https://doi.org/10.1007/978-3-319-96424-9
[8] N. Wiebe, D. Braun és S. Lloyd, Physical Review Letters 109, 050505 (2012).
https:///doi.org/10.1103/PhysRevLett.109.050505
[9] S. Lloyd, M. Mohseni és P. Rebentrost, arXiv preprint arXiv:1307.0411 (2013).
https:///doi.org/10.48550/arXiv.1307.0411
arXiv: 1307.0411
[10] P. Rebentrost, M. Mohseni és S. Lloyd, Physical Review Letters 113, 130503 (2014).
https:///doi.org/10.1103/physrevlett.113.130503
[11] I. Kerenidis és A. Prakash, Physical Review A 101, 022316 (2020).
https:///doi.org/10.1103/PhysRevA.101.022316
[12] A. W. Harrow, A. Hassidim és S. Lloyd, Physical Review Letters 103, 150502 (2009).
https:///doi.org/10.1103/PhysRevLett.103.150502
[13] M. Benedetti, E. Lloyd, S. Sack és M. Fiorentini, Quantum Science and Technology 4, 043001 (2019a).
https://doi.org/10.1088/2058-9565/ab4eb5
[14] S. Sim, PD Johnson és 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 és J. I. Latorre, Quantum 4, 272 (2020).
https://doi.org/10.22331/q-2020-05-28-272
[16] M. Larocca, N. Ju, D. García-Martín, P. J. Coles és M. Cerezo, arXiv preprint arXiv:2109.11676 (2021).
https:///doi.org/10.48550/arXiv.2109.11676
arXiv: 2109.11676
[17] M. Schuld, R. Sweke és J. J. Meyer, Physical Review A 103, 032430 (2021).
https:///doi.org/10.1103/PhysRevA.103.032430
[18] T. Goto, Q. H. Tran és 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 és J. I. Latorre, Physical Review A 104, 012405 (2021).
https:///doi.org/10.1103/PhysRevA.104.012405
[20] V. Havlíček, A. D. Córcoles, K. Temme, A. W. Harrow, A. Kandala, J. M. Chow és J. M. Gambetta, Nature 567, 209 (2019).
https://doi.org/10.1038/s41586-019-0980-2
[21] M. Schuld, A. Bocharov, K. M. Svore és 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 és J. I. Latorre, Quantum 4, 226 (2020).
https://doi.org/10.22331/q-2020-02-06-226
[23] T. Dutta, A. Pérez-Salinas, J. P. S. Cheng, J. I. Latorre és M. Mukherjee, Physical Review A 106, 012411 (2022).
https:///doi.org/10.1103/PhysRevA.106.012411
[24] J. Romero, J. P. Olson és A. Aspuru-Guzik, Quantum Science and Technology 2, 045001 (2017).
https:///doi.org/10.1088/2058-9565/aa8072
[25] A. Pepper, N. Tischler és G. J. 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 és 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 és A. Perdomo-Ortiz, npj Quantum Information 5, 1 (2019b).
https://doi.org/10.1038/s41534-019-0157-8
[29] K. E. Hamilton, E. F. Dumitrescu és R. C. Pooser, Physical Review A 99, 062323 (2019).
https:///doi.org/10.1103/PhysRevA.99.062323
[30] B. Coyle, D. Mills, V. Danos és E. Kashefi, npj Quantum Information 6, 1 (2020).
https://doi.org/10.1038/s41534-020-00288-9
[31] P.-L. Dallaire-Demers és N. Killoran, Physical Review A 98, 012324 (2018).
https:///doi.org/10.1103/PhysRevA.98.012324
[32] S. Lloyd és 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 és Y. Bengio, Communications of the ACM 63, 139–144 (2020).
https:///doi.org/10.1145/3422622
[34] C. Zoufal, A. Lucchi és 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 és 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 és 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 al., Science advances 5, eaav2761 (2019).
https:///doi.org/10.1126/sciadv.aav2761
[38] M. Benedetti, E. Grant, L. Wossnig és S. Severini, New Journal of Physics 21, 043023 (2019c).
https://doi.org/10.1088/1367-2630/ab14b5
[39] J. Romero és A. Aspuru-Guzik, Advanced Quantum Technologies 4, 2000003 (2021).
https:///doi.org/10.1002/qute.202000003
[40] M. Y. Niu, A. Zlokapa, M. Broughton, S. Boixo, M. Mohseni, V. Smelyanskyi és H. Neven, Physical Review Letters 128, 220505 (2022).
https:///doi.org/10.1103/PhysRevLett.128.220505
[41] T. Karras, S. Laine és 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, A. A. Alhajri és 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 és J.-R. Vlimant, Machine Learning: Science and Technology 2, 011003 (2021).
https:///doi.org/10.1088/2632-2153/abc17d
[44] S. Y. Chang, S. Vallecorsa, E. F. Combarro és F. Carminati, arXiv preprint arXiv:2101.11132 (2021a).
https:///doi.org/10.48550/arXiv.2101.11132
arXiv: 2101.11132
[45] S. Y. Chang, S. Herbert, S. Vallecorsa, E. F. Combarro és 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, E. F. Combarro, G. Dissertori és F. Reiter, EPJ Web of Conferences 251, 03070 (2021).
https:///doi.org/10.1051/epjconf/202125103070
[47] G. R. Khattak, S. Vallecorsa, F. Carminati és G. M. 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, J. N. Howard, F. Keilbach, T. Plehn, G. Kasieczka és 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 és R. Winterhalder, SciPost Physics 10, 89 (2021).
https:///doi.org/10.21468/SciPostPhys.10.4.089
[50] A. Butter és T. Plehn, Artificial Intelligence for High Energy Physics (World Scientific, 2022) 191–240.
https:///doi.org/10.1142/9789811234033_0007
[51] A. Butter, S. Diefenbacher, G. Kasieczka, B. Nachman és T. Plehn, SciPost Physics 10, 139 (2021).
https:///doi.org/10.21468/SciPostPhys.10.6.139
[52] A. Butter, T. Plehn és 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 és R. Winterhalder, SciPost Physics 8, 70 (2020).
https:///doi.org/10.21468/SciPostPhys.8.4.070
[54] A. Butter, T. Plehn és 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, J. I. Latorre és 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 és 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, G. S. Corrado, A. Davis, J. Dean, M. Devin és munkatársai, TensorFlow: Large-scale machine learning heterogén rendszereken (2015), szoftver elérhető a tensorflow.org webhelyről.
https:///www.tensorflow.org/
[58] afrancis heplat, C. Bravo-Prieto, S. Carrazza, M. Cè, J. Baglio és d-m 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 és M. Benedetti, Quantum 5, 391 (2021).
https://doi.org/10.22331/q-2021-01-28-391
[61] S. Kullback és R. A. 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 és H. Greenspan, 2018-ban az IEEE 15th International Symposium on Biomedical Imaging (ISBI 2018) (2018) 289–293.
https:///doi.org/10.1109/ISBI.2018.8363576
[63] F. H. K. dos Santos Tanaka és 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, H. S. Shao, T. Stelzer, P. Torrielli és 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, H. S. Shao és M. Zaro, Journal of High Energy Physics 07, 185 (2018).
https:///doi.org/10.1007/JHEP07(2018)185
[66] I.-K. Yeo és R. A. 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 és 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, F. J. 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
Idézi
[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 és 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 és Daniel Winklehner: „Új irányok a helyettesítő modellekhez és a differenciálható programozáshoz a nagy energiájú fizikához detektor szimuláció”, 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 és Carlos A. Argüelles, „Quantum Computing for Data Analysis in High-Energy Physics” , arXiv: 2203.08805.
[4] Yuxuan Du, Zhuozhuo Tu, Bujiao Wu, Xiao Yuan és Dacheng Tao, „Power of Quantum Generative Learning”, arXiv: 2205.04730.
[5] Stefano Carrazza, Stavros Efthymiou, Marco Lazzarin és Andrea Pasquale, „Nyílt forráskódú moduláris keretrendszer a kvantumszámításhoz”, arXiv: 2202.07017.
[6] Sandra Nguemto és Vicente Leyton-Ortega, „Re-QGAN: egy optimalizált adversariális kvantumáramkör tanulási keretrendszer”, arXiv: 2208.02165.
[7] Gabriele Agliardi, Michele Grossi, Mathieu Pellen és Enrico Prati, „Az elemi részecskefolyamatok kvantumintegrációja”, Physics Letters B 832, 137228 (2022).
[8] Jack Y. Araz és Michael Spannowsky, „Classical versus Quantum: Comparing Tensor Network-based Quantum Circuits on LHC data”, arXiv: 2202.10471.
[9] Andrea Delgado és Kathleen E. Hamilton, „Unsupervised Quantum Circuit Learning in High Energy Physics”, arXiv: 2203.03578.
[10] Sulaiman Alvi, Christian Bauer és Benjamin Nachman, „Quantum Anomaly Detection for Collider Physics”, arXiv: 2206.08391.
[11] Oriel Kiss, Michele Grossi, Enrique Kajomovitz és Sofia Vallecorsa, „Conditional Born machine for Monte Carlo Event Generation”, arXiv: 2205.07674.
A fenti idézetek innen származnak SAO/NASA HIRDETÉSEK (utolsó sikeres frissítés: 2022-08-18 08:19:35). Előfordulhat, hogy a lista hiányos, mivel nem minden kiadó ad megfelelő és teljes hivatkozási adatokat.
On Crossref által idézett szolgáltatás művekre hivatkozó adat nem található (utolsó próbálkozás 2022-08-18 08:19:33).
Ez a tanulmány a Quantumban jelent meg Creative Commons Nevezd meg 4.0 International (CC BY 4.0) engedély. A szerzői jog az eredeti szerzői jog tulajdonosainál marad, például a szerzőknél vagy intézményeiknél.
