面向粒子子对的硬件感知张量网络用于量子灵感异常检测
机器学习
2026-03-30 v1 高能物理 - 唯象学
仪器与探测器
摘要
量子机器学习能够捕获高维特征空间中的复杂相关性，这对于检测粒子子对中超标准模型物理的挑战至关重要，同时在未来量子处理器中具有 unprecedented 计算效率的潜力。近期利用这些收益可通过开发用于部署在经典硬件上的量子灵感算法来实现，以便在当前科学实验的"边缘"应用中实现。本工作演示了在粒子子对检测器中使用张量网络进行实时异常检测。开发了一种间隔矩阵乘子算子(SMPO)，可对各种超标准模型基准具有灵敏度，并可在场可编程门阵列硬件中实现，资源和延迟符合触发器部署。引入了级联SMPO架构作为SMPO变体，提供了在资源受限环境中关键边缘应用的更大灵活性和效率。这些结果揭示了在高能粒子子对中部署量子灵感机器学习的收益和近期可行性。
引用
@article{arxiv.2603.26604,
title = {Hardware-Aware Tensor Networks for Real-Time Quantum-Inspired Anomaly Detection at Particle Colliders},
author = {Sagar Addepalli and Prajita Bhattarai and Abhilasha Dave and Julia Gonski},
journal= {arXiv preprint arXiv:2603.26604},
year = {2026}
}
备注
28 pages, 9 figures