机构名称：
¥ 2.0
摘要：异常检测是一种至关重要的技术，用于探索大型强子对撞机（LHC）的标准模型（BSM）以外的新物理学的特征。LHC产生的大量碰撞需要复杂的深度学习技术。相似性学习是一种自我监督的机器学习，通过估计其与背景事件的相似性来检测异常信号。在本文中，我们通过相似性学习探讨了量子计算机对异常检测的潜力，利用量子计算的力量来增强已知的相似性学习方法。在嘈杂的中间量子量子（NISQ）设备的领域中，我们采用了混合经典的量词网络来搜索Di-Higgs生产渠道中的重标量共振。在没有量子噪声的情况下，混合网络表现出对已知相似性学习方法的改善。此外，我们采用了一种聚类算法来减少有限射击计数的测量噪声，从而导致混合网络性能提高了9％。我们的分析强调了量子算法在LHC数据分析中的适用性，其中随着耐断层量子计算机的出现，预计会进行改进。
JHEP02（2025）081
主要关键词
相关文件推荐
