ترجمه فارسی مقاله شبکه های عصبی کوانتومی کوانتومی برای طبقه بندی تصاویر جت

چکیده

Recently, interest in quantum computing has significantly increased, driven by its potential advantages over classical techniques. Quantum machine learning (QML) exemplifies one of the important quantum computing applications that are expected to surpass classical machine learning in a wide range of instances. This paper addresses the performance of QML in the context of high-energy physics (HEP). As an example, we focus on the top-quark tagging, for which classical convolutional neural networks (CNNs) have been effective but fall short in accuracy when dealing with highly energetic jet images. In this paper, we use a quantum convolutional neural network (QCNN) for this task and compare its performance with CNN using a classical noiseless simulator. We compare various setups for the QCNN, varying the convolutional circuit, type of encoding, loss function, and batch sizes. For every quantum setup, we design a similar setup to the corresponding classical model for a fair comparison. Our results indicate that QCNN with proper setups tend to perform better than their CNN counterparts, particularly when the convolution block has a lower number of parameters. This suggests that quantum models, especially with appropriate encodings, can hold potential promise for enhancing performance in HEP tasks such as top quark jet tagging.

چکیده به فارسی (ترجمه ماشینی)

اخیراً ، علاقه به محاسبات کوانتومی به طور قابل توجهی افزایش یافته است ، که ناشی از مزایای بالقوه آن نسبت به تکنیک های کلاسیک است.یادگیری ماشین کوانتومی (QML) یکی از برنامه های مهم محاسبات کوانتومی را نشان می دهد که انتظار می رود در طیف گسترده ای از نمونه ها از یادگیری ماشین کلاسیک فراتر رود.در این مقاله به عملکرد QML در زمینه فیزیک پر انرژی (HEP) می پردازد.به عنوان نمونه ، ما بر روی برچسب زدن به کوارک بالا تمرکز می کنیم ، که شبکه های عصبی کلاسیک (CNN) برای آن مؤثر بوده اند اما هنگام برخورد با تصاویر جت بسیار پرانرژی ، از دقت کم می شوند.در این مقاله ، ما از یک شبکه عصبی کوانتومی Convolutional (QCNN) برای این کار استفاده می کنیم و عملکرد آن را با CNN با استفاده از یک شبیه ساز کلاسیک بدون سر و صدا مقایسه می کنیم.ما تنظیمات مختلفی را برای QCNN مقایسه می کنیم ، و مدار حلقوی ، نوع رمزگذاری ، عملکرد از دست دادن و اندازه دسته را تغییر می دهیم.برای هر مجموعه کوانتومی ، ما یک مجموعه مشابه با مدل کلاسیک مربوطه را برای یک مقایسه عادلانه طراحی می کنیم.نتایج ما نشان می دهد که QCNN با تنظیمات مناسب تمایل به عملکرد بهتر از همتایان CNN خود دارد ، به ویژه هنگامی که بلوک حلقوی تعداد پارامترهای کمتری دارد.این نشان می دهد که مدل های کوانتومی ، به ویژه با رمزگذاری های مناسب ، می توانند نوید بالقوه ای را برای تقویت عملکرد در کارهای HEP مانند برچسب زدن جت کوارک بالا داشته باشند.