生成式可逆量子神经网络
Generative Invertible Quantum Neural Networks
AI总结：
提出一种用于量子可逆神经网络（QINN）的量子门算法，应用于LHC粒子对撞机数据，发现混合QINN能匹配更大规模纯经典INN的性能。
摘要：
可逆神经网络（INN）已成为模拟和生成高度复杂数据的成熟工具。我们提出了一种用于量子可逆神经网络（QINN）的量子门算法，并将其应用于Z玻色子衰变为轻子的喷注协同产生LHC数据，这是粒子对撞机精密测量的标准烛光过程。我们比较了QINN在不同损失函数和训练场景下的性能。对于此任务，我们发现混合QINN在学习和生成复杂数据时，匹配了规模显著更大的纯经典INN的性能。
英文摘要：
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.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
