1Quantum Research Centre, Technology Innovation Institute, Abu Dhabi, Förenade Arabemiraten
2Departament de Física Quàntica i Astrofísica och Institut de Ciències del Cosmos (ICCUB), Universitat de Barcelona, Barcelona, Spanien.
3Institutionen för teoretisk fysik, CERN, CH-1211 Genève 23, Schweiz.
4Institutet för fysik, National Yang Ming Chiao Tung University, Hsinchu 30010, Taiwan.
5TIF Lab, Dipartimento di Fisica, Università degli Studi di Milano och INFN Sezione di Milano, Milano, Italien.
Hitta det här uppsatsen intressant eller vill diskutera? Scite eller lämna en kommentar på SciRate.
Abstrakt
Vi föreslår och bedömer en alternativ kvantgeneratorarkitektur i samband med generativ kontradiktorisk inlärning för generering av Monte Carlo-händelser, som används för att simulera partikelfysikprocesser vid Large Hadron Collider (LHC). Vi validerar denna metodik genom att implementera kvantnätverket på artificiell data genererad från kända underliggande distributioner. Nätverket appliceras sedan på Monte Carlo-genererade datauppsättningar av specifika LHC-spridningsprocesser. Den nya kvantgeneratorarkitekturen leder till en generalisering av de senaste implementeringarna, vilket uppnår mindre Kullback-Leibler-divergenser även med nätverk med grunt djup. Dessutom lär sig kvantgeneratorn framgångsrikt de underliggande distributionsfunktionerna även om den tränas med små träningsprovuppsättningar; detta är särskilt intressant för dataökningsapplikationer. Vi använder denna nya metodik på två olika kvanthårdvaruarkitekturer, fångade-jon- och supraledande teknologier, för att testa dess hårdvaruoberoende livskraft.
Utvald bild: Till vänster, schematiska steg involverade i stil-qGAN-träningen. Till höger, marginella sampelfördelningar för de fysiska observerbara, s, t, y i pp -> ttbar produktion vid LHC för stil-qGAN-modellen.
► BibTeX-data
► Referenser
[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 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 och 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 och S. Lloyd, Nature 549, 195 (2017).
https: / / doi.org/ 10.1038 / nature23474
[7] M. Schuld och F. Petruccione, Supervised learning with quantum computers, Vol. 17 (Springer, 2018).
https://doi.org/10.1007/978-3-319-96424-9
[8] N. Wiebe, D. Braun och S. Lloyd, Physical Review Letters 109, 050505 (2012).
https: / / doi.org/ 10.1103 / PhysRevLett.109.050505
[9] S. Lloyd, M. Mohseni och P. Rebentrost, arXiv preprint arXiv:1307.0411 (2013).
https:///doi.org/10.48550/arXiv.1307.0411
arXiv: 1307.0411
[10] P. Rebentrost, M. Mohseni och S. Lloyd, Physical Review Letters 113, 130503 (2014).
https: / / doi.org/ 10.1103 / physrevlett.113.130503
[11] I. Kerenidis och A. Prakash, Physical Review A 101, 022316 (2020).
https: / / doi.org/ 10.1103 / PhysRevA.101.022316
[12] AW Harrow, A. Hassidim och S. Lloyd, Physical Review Letters 103, 150502 (2009).
https: / / doi.org/ 10.1103 / PhysRevLett.103.150502
[13] M. Benedetti, E. Lloyd, S. Sack och M. Fiorentini, Quantum Science and Technology 4, 043001 (2019a).
https://doi.org/10.1088/2058-9565/ab4eb5
[14] S. Sim, PD Johnson och 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 och 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 och M. Cerezo, arXiv preprint arXiv:2109.11676 (2021).
https:///doi.org/10.48550/arXiv.2109.11676
arXiv: 2109.11676
[17] M. Schuld, R. Sweke och JJ Meyer, Physical Review A 103, 032430 (2021).
https: / / doi.org/ 10.1103 / PhysRevA.103.032430
[18] T. Goto, QH Tran och 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 och 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 och JM Gambetta, Nature 567, 209 (2019).
https://doi.org/10.1038/s41586-019-0980-2
[21] M. Schuld, A. Bocharov, KM Svore och 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 och 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 och M. Mukherjee, Physical Review A 106, 012411 (2022).
https: / / doi.org/ 10.1103 / PhysRevA.106.012411
[24] J. Romero, JP Olson och A. Aspuru-Guzik, Quantum Science and Technology 2, 045001 (2017).
https: / ⠀ </ ⠀ <doi.org/†<10.1088 / ⠀ <2058-9565 / ⠀ <aa8072
[25] A. Pepper, N. Tischler och 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 och 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 och A. Perdomo-Ortiz, npj Quantum Information 5, 1 (2019b).
https://doi.org/10.1038/s41534-019-0157-8
[29] KE Hamilton, EF Dumitrescu och RC Pooser, Physical Review A 99, 062323 (2019).
https: / / doi.org/ 10.1103 / PhysRevA.99.062323
[30] B. Coyle, D. Mills, V. Danos och E. Kashefi, npj Quantum Information 6, 1 (2020).
https://doi.org/10.1038/s41534-020-00288-9
[31] P.-L. Dallaire-Demers och N. Killoran, Physical Review A 98, 012324 (2018).
https: / / doi.org/ 10.1103 / PhysRevA.98.012324
[32] S. Lloyd och 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 och Y. Bengio, Communications of the ACM 63, 139–144 (2020).
https: / / doi.org/ 10.1145 / 3422622
[34] C. Zoufal, A. Lucchi och 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 och 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 och 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 och S. Severini, New Journal of Physics 21, 043023 (2019c).
https://doi.org/10.1088/1367-2630/ab14b5
[39] J. Romero och 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 och H. Neven, Physical Review Letters 128, 220505 (2022).
https: / / doi.org/ 10.1103 / PhysRevLett.128.220505
[41] T. Karras, S. Laine och 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 och 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 och 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 och 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 och 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 och F. Reiter, EPJ Web of Conferences 251, 03070 (2021).
https://doi.org/ 10.1051/epjconf/202125103070
[47] GR Khattak, S. Vallecorsa, F. Carminati och 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 och 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 och R. Winterhalder, SciPost Physics 10, 89 (2021).
https: / / doi.org/ 10.21468 / SciPostPhys.10.4.089
[50] A. Butter och T. Plehn, i Artificiell intelligens för högenergifysik (World Scientific, 2022) s. 191–240.
https: / / doi.org/ 10.1142 / 9789811234033_0007
[51] A. Butter, S. Diefenbacher, G. Kasieczka, B. Nachman och T. Plehn, SciPost Physics 10, 139 (2021).
https: / / doi.org/ 10.21468 / SciPostPhys.10.6.139
[52] A. Butter, T. Plehn och 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 och R. Winterhalder, SciPost Physics 8, 70 (2020).
https: / / doi.org/ 10.21468 / SciPostPhys.8.4.070
[54] A. Butter, T. Plehn och 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 och 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 och atomprinter, 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: Large-scale machine learning on heterogeneous systems (2015), programvara tillgänglig från tensorflow.org.
https: / / www.tensorflow.org/
[58] afrancis heplat, C. Bravo-Prieto, S. Carrazza, M. Cè, J. Baglio och 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 och M. Benedetti, Quantum 5, 391 (2021).
https://doi.org/10.22331/q-2021-01-28-391
[61] S. Kullback och 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 och H. Greenspan, 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 och 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 och 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 och M. Zaro, Journal of High Energy Physics 07, 185 (2018).
https: / / doi.org/ 10.1007 / JHEP07 (2018) 185
[66] I.-K. Yeo och 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 och 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
Citerad av
[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 och 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 och Daniel Winklehner, "Nya anvisningar för surrogatmodeller och differentierbar programmering för högenergifysik detektorsimulering", 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 och Carlos A. Argüelles, "Quantum Computing for Data Analysis in High-Energy Physics" , arXiv: 2203.08805.
[4] Yuxuan Du, Zhuozhuo Tu, Bujiao Wu, Xiao Yuan och Dacheng Tao, "Power of Quantum Generative Learning", arXiv: 2205.04730.
[5] Stefano Carrazza, Stavros Efthymiou, Marco Lazzarin och Andrea Pasquale, "An open source modular framework for quantum computing", arXiv: 2202.07017.
[6] Sandra Nguemto och Vicente Leyton-Ortega, "Re-QGAN: an optimized adversarial quantum circuit learning framework", arXiv: 2208.02165.
[7] Gabriele Agliardi, Michele Grossi, Mathieu Pellen och Enrico Prati, "Quantum integration of elementary particle processes", Fysikbokstäver B 832, 137228 (2022).
[8] Jack Y. Araz och Michael Spannowsky, "Classical versus Quantum: comparing Tensor Network-based Quantum Circuits on LHC data", arXiv: 2202.10471.
[9] Andrea Delgado och Kathleen E. Hamilton, "Oövervakad kvantkretslärande i högenergifysik", arXiv: 2203.03578.
[10] Sulaiman Alvi, Christian Bauer och Benjamin Nachman, "Quantum Anomaly Detection for Collider Physics", arXiv: 2206.08391.
[11] Oriel Kiss, Michele Grossi, Enrique Kajomovitz och Sofia Vallecorsa, "Conditional Born machine for Monte Carlo event generation", arXiv: 2205.07674.
Ovanstående citat är från SAO / NASA ADS (senast uppdaterad framgångsrikt 2022-08-18 08:19:35). Listan kan vara ofullständig eftersom inte alla utgivare tillhandahåller lämpliga och fullständiga citatdata.
On Crossrefs citerade service Inga uppgifter om citerande verk hittades (sista försök 2022-08-18 08:19:33).
Detta papper publiceras i Quantum under Creative Commons Attribution 4.0 International (CC BY 4.0) licens. Upphovsrätten kvarstår med de ursprungliga upphovsrättsinnehavarna som författarna eller deras institutioner.
