类型2活性星系黑洞质量估计的比较分析：经典 vs 量子机器学习与深度学习方法
天体物理仪器与方法
2025-02-25 v2 机器学习
量子物理
摘要
在类型2活性星系中，估计黑洞质量具有挑战性。了解银河如何形成和演化需要对黑洞质量有大量见解。本工作比较了不同经典和量子机器学习（QML）算法用于黑洞质量估计，其中经典算法包括线性回归、XGBoost回归、随机森林回归、支持向量回归（SVR）、Lasso回归、Ridge回归、弹性网回归、贝叶斯回归、决策树回归、梯度增强回归、经典神经网络、门控循环单元（GRU）、LSTM、深度残差网络（ResNets）和基于Transformer的回归。另一方面，量子算法包括混合量子神经网络（QNN）、量子长短期记忆（Q-LSTM）、Sampler-QNN、Estimator-QNN、变分量子回归器（VQR）、量子线性回归（Q-LR）以及使用JAX优化的QML。结果显示，经典算法在R²、MAE、MSE和RMSE方面优于量子模型。在经典模型中，LSTM表现最佳，准确率达99.77%。在量子模型中，Estimator-QNN在MSE为0.0124、准确率达99.75%方面表现最高。该研究确定了经典和量子方法的优势与不足。据我们了解，本工作可能为未来在天文大数据分析中应用量子算法铺平了道路。
引用
@article{arxiv.2502.15297,
title = {Comparative Analysis of Black Hole Mass Estimation in Type-2 AGNs: Classical vs. Quantum Machine Learning and Deep Learning Approaches},
author = {Sathwik Narkedimilli and Venkata Sriram Amballa and N V Saran Kumar and R Arun Kumar and R Praneeth Reddy and Satvik Raghav and Manish M and Aswath Babu H},
journal= {arXiv preprint arXiv:2502.15297},
year = {2025}
}
备注
29 pages, 12 Figures, 6 Tables