کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
In collider physics experiments, particle identification (PID), i. e. the identification of the charged particle species in the detector is usually one of the most crucial tools in data analysis. In the past decade, machine learning techniques have gradually become one of the mainstream methods in PID, usually providing superior discrimination power compared to classical algorithms. In recent years, quantum machine learning (QML) has bridged the traditional machine learning and the quantum computing techniques, providing further improvement potential for traditional machine learning models. In this work, targeting at the $μ^{\pm} /π^{\pm}$ discrimination problem at the BESIII experiment, we developed a variational quantum classifier (VQC) with nine qubits. Using the IBM quantum simulator, we studied various encoding circuits and variational ansatzes to explore their performance. Classical optimizers are able to minimize the loss function in quantum-classical hybrid models effectively. A comparison of VQC with the traditional multiple layer perception neural network reveals they perform similarly on the same datasets. This illustrates the feasibility to apply quantum machine learning to data analysis in collider physics experiments in the future.
چکیده به فارسی (ترجمه ماشینی)
در آزمایش های فیزیک برخورد ، شناسایی ذرات (PID) ، من.ه.شناسایی گونه های ذرات باردار در ردیاب معمولاً یکی از مهمترین ابزارها در تجزیه و تحلیل داده ها است.در دهه گذشته ، تکنیک های یادگیری ماشین به تدریج به یکی از روشهای اصلی در PID تبدیل شده اند ، که معمولاً قدرت تبعیض برتر را در مقایسه با الگوریتم های کلاسیک فراهم می کند.در سالهای اخیر ، یادگیری ماشین کوانتومی (QML) یادگیری ماشین سنتی و تکنیک های محاسبات کوانتومی را به همراه داشته است ، و پتانسیل بهبود بیشتری را برای مدلهای یادگیری ماشین سنتی فراهم می کند.در این کار ، هدف قرار دادن $ μ^{\ pm} /π^{\ pm} $ مشکل تبعیض $ در آزمایش BESIII ، ما یک طبقه بندی کننده کوانتومی متغیر (VQC) با نه qubits ایجاد کردیم.با استفاده از شبیه ساز کوانتومی IBM ، ما مدارهای رمزگذاری مختلف و انصاتزهای متنوع را برای کشف عملکرد آنها مطالعه کردیم.بهینه سازهای کلاسیک قادر به به حداقل رساندن عملکرد از دست دادن در مدلهای ترکیبی کلاسیک کوانتومی به طور مؤثر هستند.مقایسه VQC با شبکه عصبی ادراک چند لایه سنتی نشان می دهد که آنها به طور مشابه در همان مجموعه داده ها عمل می کنند.این امکان را برای استفاده از یادگیری ماشین کوانتومی برای تجزیه و تحلیل داده ها در آزمایش های فیزیک برخورد در آینده نشان می دهد.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
