Generative Invertible Quantum Neural Networks

要約

Invertible Neural Networks (INN) は、非常に複雑なデータのシミュレーションと生成のためのツールとして確立されています。
我々は、量子反転ニューラルネットワーク（QINN）用の量子ゲートアルゴリズムを提案し、それを、粒子衝突器の高精度測定のための標準的なキャンドルプロセスである、レプトンに崩壊するジェット関連のZボソンの生成のLHCデータに適用します。
さまざまな損失関数とトレーニング シナリオに対する QINN のパフォーマンスを比較します。
このタスクでは、複雑なデータの学習と生成において、ハイブリッド QINN が非常に大規模な純粋に古典的な INN のパフォーマンスに匹敵することがわかりました。

要約(オリジナル)

Invertible Neural Networks (INN) have become established tools for the simulation and generation of highly complex data. We propose a quantum-gate algorithm for a Quantum Invertible Neural Network (QINN) and apply it to the LHC data of jet-associated production of a Z-boson that decays into leptons, a standard candle process for particle collider precision measurements. We compare the QINN’s performance for different loss functions and training scenarios. For this task, we find that a hybrid QINN matches the performance of a significantly larger purely classical INN in learning and generating complex data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google