Benchmarking Quantum Convolutional Neural Networks for Signal Classification in Simulated Gamma-Ray Burst Detection

要約

この研究では、光曲線の形でシミュレートされた天体物理学的データセット内のガンマ線バースト（GRB）に似た信号を特定するための量子畳み込みニューラルネットワーク（QCNNS）の使用を評価します。
ここで対処するタスクは、非常に高エネルギーのガンマ線科学の次世代天体物理学的天文台であるシミュレートされたチェレンコフ望遠鏡アレイ天文台（CTAO）データのバックグラウンドノイズからGRB様信号を区別することに焦点を当てています。
古典的な畳み込みニューラルネットワーク（CNNS）の量子対応物であるQCNNSは、量子原理を活用して高次元データを効率的に処理および分析します。
QCNNSが量子シミュレータでトレーニングされた状態で、Qiskitフレームワークを使用してハイブリッド量子クラシカル機械学習技術を実装しました。
いくつかのQCNNアーキテクチャがテストされ、データの再表示や振幅エンコードなどのさまざまなエンコーディング方法を採用しました。
重要な調査結果には、QCNNが古典的なCNNに匹敵する精度を達成し、しばしば90 \％を上回り、より少ないパラメーターを使用し、計算リソースの点でより効率的なモデルにつながる可能性があります。
ベンチマーク研究では、ハイパーパラメーターがキュビットの数やエンコーディング方法のようなハイパーパラメーターがパフォーマンスにどのように影響し、より多くのキュービットと高度なエンコード方法が精度を向上させ、複雑さを高める方法を調べました。
QCNNSは、タイムシリーズデータセットで堅牢なパフォーマンスを示し、GRB信号が高精度で正常に検出されました。
この研究は、QCNNを天体物理学に適用する先駆的な努力であり、潜在的と限界に関する洞察を提供します。
この作業は、将来の調査の段階を設定して、天体物理学的データ分析におけるQCNNの利点を完全に実現します。

要約(オリジナル)

This study evaluates the use of Quantum Convolutional Neural Networks (QCNNs) for identifying signals resembling Gamma-Ray Bursts (GRBs) within simulated astrophysical datasets in the form of light curves. The task addressed here focuses on distinguishing GRB-like signals from background noise in simulated Cherenkov Telescope Array Observatory (CTAO) data, the next-generation astrophysical observatory for very high-energy gamma-ray science. QCNNs, a quantum counterpart of classical Convolutional Neural Networks (CNNs), leverage quantum principles to process and analyze high-dimensional data efficiently. We implemented a hybrid quantum-classical machine learning technique using the Qiskit framework, with the QCNNs trained on a quantum simulator. Several QCNN architectures were tested, employing different encoding methods such as Data Reuploading and Amplitude encoding. Key findings include that QCNNs achieved accuracy comparable to classical CNNs, often surpassing 90\%, while using fewer parameters, potentially leading to more efficient models in terms of computational resources. A benchmark study further examined how hyperparameters like the number of qubits and encoding methods affected performance, with more qubits and advanced encoding methods generally enhancing accuracy but increasing complexity. QCNNs showed robust performance on time-series datasets, successfully detecting GRB signals with high precision. The research is a pioneering effort in applying QCNNs to astrophysics, offering insights into their potential and limitations. This work sets the stage for future investigations to fully realize the advantages of QCNNs in astrophysical data analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google