用于 LHC 上新物理搜索的量子度量学习
高能物理 - 唯象学
2023-11-29 v1
摘要
在 NISQ（含噪中等规模量子）时代，量子计算机可通过将变分量子电路视为神经网络模型来用于深度学习。这可首先使用非参数酉门将输入数据编码到量子计算机上实现。另一种方法是训练数据编码，将不同类别的输入数据映射到希尔伯特空间中的分离位置。这种分离通过度量损失函数实现，因此命名为“量子度量学习”。在 NISQ 时代量子比特数量有限的情况下，该方法天然作为一种混合经典-量子计算，能够将高维特征数据嵌入到少量量子比特中。此处，我们考虑一个来自色单态标量衰变产生的硬 b-喷注的全局 QCD 颜色结构示例，以通过混合经典-量子度量学习优化信号与背景的判别。由于数据稀疏，迄今已使用带数据增强的自监督方法。与这种经典自监督方法相比，我们的混合方法在无数据增强的情况下展现出更好的分类性能。我们强调，不依赖数据增强技术的性能提升避免了数据增强引入的人为风险。
引用
@article{arxiv.2311.16866,
title = {Quantum Metric Learning for New Physics Searches at the LHC},
author = {A. Hammad and Kyoungchul Kong and Myeonghun Park and Soyoung Shim},
journal= {arXiv preprint arXiv:2311.16866},
year = {2023}
}
备注
10 pages and 4 figures