生成式可逆量子神经网络
高能物理 - 唯象学
2024-06-05 v3 人工智能
机器学习
量子物理
摘要
可逆神经网络（INN）已成为模拟和生成高度复杂数据的成熟工具。我们提出了一种用于量子可逆神经网络（QINN）的量子门算法，并将其应用于Z玻色子与喷注关联产生并衰变为轻子的LHC数据，这是粒子对撞机精密测量的标准烛光过程。我们比较了QINN在不同损失函数和训练场景下的性能。对于该任务，我们发现混合QINN在学习与生成复杂数据方面可与规模显著更大的纯经典INN性能相当。
引用
@article{arxiv.2302.12906,
title = {Generative Invertible Quantum Neural Networks},
author = {Armand Rousselot and Michael Spannowsky},
journal= {arXiv preprint arXiv:2302.12906},
year = {2024}
}
备注
18 pages, 7 figures Changes in v2: Add references 49-51, provided gitlab link to code repository Changes in v3: Incorporate rebuttal from https://scipost.org/submissions/2302.12906v2/