pu.edu.pk

이 이메일 도메인이 관측된 논문 3건

arXiv:2609.22189v1quant-ph

1차원 슈뢰딩거 고유값 문제를 위한 물리 정보 고전 및 양자 신경망

Physics-Informed Classical and Quantum Neural Networks for One-Dimensional Schrodinger Eigenvalue Problems

1차원 공간에서의 슈뢰딩거 방정식은 정확히 풀 수 있는 잠재(potential)의 소수 집합을 허용하며, 이는 새로운 고유값 솔버에 대한 자연스러운 검증 벤치마크 역할을 한다. 시간 독립 슈뢰딩거 방정식에 대해 물리 정보 신경망(PINNs)과 물리 정보 양자 신경망(PIQNNs)을 구성하고, 이 벤치마크 중 세 가지—조화 진동자, 무한 사각 우물, 유한 사각 우물—에 적용한다. 각 경우 복합 손실은 미분방정식 잔차, 정규화 조건, 경계 거동, 고유상태 간 직교성을 인코딩하여 지도 데이터 없이 시행 파동함수가 진정한 고유함수로 수렴하도록 한다. 두 방법이 반환하는 고유값과 파동함수는 정확한 스펙트럼 및 세 가지 고전 참조법—행렬 Numerov 방법, 유한 차분법, 슈팅(shooting) 방법—과 비교한다. 매끄러운 진동자의 경우 두 신경 솔버는 최저 네 개 고유값을 백만분의 일(parts per million) 수준까지 재현하며, 사각 우물에서는 잠재가 불연속인 경우에도 해석적 에너지 준위를 비슷한 정확도로 복원한다. 강한 얽힘 블록으로 구성된 계층적 각도 임베딩(embedding) ansatz로 만든 양자 회로는, 고전 네트워크의 손실 경관이 탐색하기 어려워지는 더 높은 여기(excited) 상태에서 고전 대응물보다 더 안정적으로 수렴한다.

arXiv:2608.28084v1cs.LG

고에너지 물리 충돌 데이터 회귀를 위한 고전·양자 기계학습 비교

Comparing Classical and Quantum Machine Learning for Regression in High Energy Physics Collision Data

입자 충돌 사건의 분류와 회귀는 실험 고에너지 물리에서 지속적인 계산적 과제이며, 대량의 시뮬레이션 데이터를 속도와 정밀도 모두를 갖추어 처리해야 한다. 본 연구는 지원 벡터 머신(SVM), 인공 신경망(ANN), 합성곱 신경망(CNN), 장단기 기억(LSTM) 네트워크 네 가지 고전 기계학습 아키텍처를 양자 대응 모델인 양자 SVM(QSVM), 양자 신경망(QNN), 양자 CNN(QCNN), 양자 LSTM(QLSTM)과 체계적으로 비교한다. 모든 모델은 CERN Open Data 포털의 전자-양전자 및 뮤온-반뮤온 최종 상태를 갖는 시뮬레이션 양성자-양성자 충돌 사건으로 학습하며, 입력 특징으로 횡운동량 성분을, 회귀 목표로 횡운동량 크기를 사용한다. 고전 아키텍처, 특히 CNN과 LSTM은 현재 하드웨어 및 데이터셋 제약 하에서 정량적 성능이 근소하게 더 우수하다. 그러나 양자 모델은 학습 가능 매개변수를 훨씬 적게 쓰면서도 경쟁력 있는 정확도에 도달한다. QCNN은 4큐비트와 깊이 3의 회로만으로 깊은 고전 CNN의 성능을 재현하여, 근기간(near-term) 양자 장치에서 실질적인 매개변수 효율 이점을 시사한다. 기준선 분석은 얕은 다항식 피팅에 대해 회귀 문제가 trivial하지 않음을 확인하여 아키텍처 비교의 관련성을 뒷받침한다. 이러한 결과는 현실적이고 자원이 제한된 조건에서 고전과 양자 접근법 간의 트레이드오프를 특성화하며, 실제 양자 하드웨어에 대한 향후 연구를 위한 벤치마크를 제공한다.

arXiv:2608.26224v1hep-ph

CMS 오픈 데이터에서 트리거형 이벤트 선별을 위한 고전 및 하이브리드 양자 머신러닝: 8큐비트 PCA 제약 벤치마크

Classical and Hybrid Quantum Machine Learning for Trigger-Like Event Selection on CMS Open Data: An Eight-Qubit, PCA-Constrained Benchmark

이벤트 트리거링은 관심 있는 희귀 이벤트를 유지하면서 압도적인 배경을 버려야 하는 고에너지 물리학의 핵심 과제이며, 이는 엄격한 지연 시간과 대역폭 예산 하에서 수행되어야 한다. 본 연구는 CMS 오픈 데이터로 구성한 트리거형 이진 분류 과제에서 서포트 벡터 머신, 인공 신경망, 합성곱 신경망, 장단기 기억(LSTM) 신경망 네 가지 고전 머신러닝 모델과 네 가지 하이브리드 양자 대응 모델을 비교한다. 레이블은 불변 질량 윈도우로 정의되며, 입력은 재구성된 운동학과 물리학적으로 동기 부여된 파생 변수, 즉赝급속도 차, 래핑된 방위각 차, 각 분리, 총 횡모멘텀을 결합한다. 양자 모델은 8큐비트, 16특징으로의 주성분 분석(PCA) 압축, 상태벡터 시뮬레이션이라는 고정 자원 예산 하에서 실행된다. 모든 모델은 동일한 계층화 분할, 동일한 전처리, 공통 의사결정 임계값을 공유하며, 성능은 정확도, ROC-AUC, F1-score, 정밀도, 재현율로 보고된다. 가장 강한 고전 모델은 인공 신경망으로 정확도 93.53%, ROC-AUC 0.9819이며, 가장 강한 양자 모델은 양자 합성곱 신경망으로 정확도 90.89%, ROC-AUC 0.9731이고 양자 신경망이 그에 근접한다. 양자 커널 및 순환(recurrent) 양자 접근법은 둘 다 뒤처져, 이 예산 내에서는 학습 가능한 하이브리드 임베딩이 앞서는 위치에 있다. 본 연구는 양자 우위를 주장하기보다 통제된 기준점으로 제시하기 위한 것이다.