[論文レビュー] Artificial Primary Vertexing Data

Souvik Das, Andrew Wildridge+2 more|arXiv (Cornell University)|May 5, 2020

Particle physics theoretical and experimental studies被引用数 11

ひとこと要約

本論文は、D-Wave 2000Q量子プロセッサを用いて、ハドロン衝突実験におけるプライマリバーテックス再構成の完全な量子アニーリング手法を提案する。Chimeraアーキテクチャ上での決定的グラフ埋め込みを実証し、結合強度とアニーリング時間を最適化した。56論理キュービット（665物理キュービット）までの問題に対して、古典的シミュレーテッドアニーリングよりも量子優位性を示し、ビーム軸に沿ったトラック位置のクラスタリングにおいて高い効率性を達成した。

ABSTRACT

This data set contains the positions of artificial vertex positions and the associated particle tracks within the Compact Muon Solenoid (CMS) particle detector located at the Large Hadron Collider (LHC). A Gaussian with a width of 35 mm is used to approximate the vertex position distribution. The z₀ parameter of the artificial particle tracks is also sampled from a Gaussian centered around the sampled vertex position with a width determined from track resolutions reported by the CMS Collaboration in "Description and performance of track and primary-vertex reconstruction with the CMS tracker" (2014). The widths of the z₀ Gaussian distribution are dependent on the momentum of the particle tracks, which are also sampled from the reported distribution in the aforementioned paper. The zipped data set contains 100 samples for a given number of primary vertices and particle tracks. Seven different configurations for a given number of primary vertices and particle tracks are included, giving a total number of 700 samples to analyze. Each sample is a JSON file containing the primary vertex location and the associated tracks with their positions and uncertainties. Below is an example code in Python to load the data set: <pre><code class="language-python">inputFile = open(filename) d_vertextracks = json.load(inputFile) zT_i = [] zT_unc_i = [] for vertexTracks in d_vertextracks: primary_vertex = vertexTracks[0] tracks = vertexTracks[1] for i in tracks: zT_i.append(i[0]) zT_unc_i.append(i[1]) print(str(i[0])+" "+str(i[1]))</code></pre>

研究の動機と目的

• 1つの束クロージングあたり複数の陽子-陽子衝突が発生する高光度LHCイベントにおけるプライマリバーテックス再構成の課題に対処すること。
• 古典的・量子ハイブリッド手法を回避する、完全に量子アニーリングに基づく、ビーム軸（z0）に沿ったトラッククラスタリング用アルゴリズムの開発。
• CMS検出器データを模倣した人工イベントを用いて、物理的デバイス上での量子アニーリングの実現可能性と性能を示すこと。
• 同等の時間制約下で、古典的シミュレーテッドアニーリングと比較して量子優位性を評価すること。
• 現在および将来の量子アニーリングデバイスにおけるクラスタリング問題への一般化可能な埋め込みおよび最適化技術の確立。

提案手法

• トラッククラスタリング問題を、バイアス（hi）と結合（Jij）を用いてトラックの頂点への関連付けを符号化する問題ハミルトニアンを用いて、2次無制約バイナリ最適化（QUBO）問題に定式化する。
• D-WaveのChimeraアーキテクチャ上での論理的頂点を物理キュービットにマッピングする決定的グラフ埋め込み戦略を実装し、問題構造を保持するとともにチェーン断片化を最小限に抑える。
• 論理キュービット内の結合強度を、歪み関数g(x; m)を用いて最適化し、スピンギャップを拡大し、アニーリング中の反交叉の確率を低減する。
• 各イベントトポロジーの成功確率を最大化するように、経験的チューニングにより最適なアニーリング時間を決定する。
• 物理的D-Wave 2000Qプロセッサ上で量子アニーリングプロセスを実行し、同じ1回のアニーリング時間制約下でCPU上で実行される古典的シミュレーテッドアニーリングと結果を比較する。

実験結果

リサーチクエスチョン

• RQ1 物理的量子プロセッサ上で実行された完全な量子アニーリングアルゴリズムは、古典的シミュレーテッドアニーリングと比較して、競争力ある性能を達成できるか？
• RQ2 この応用において、量子優位性が観察される最大の問題サイズ（論理キュービット数）は何か？
• RQ3 最適化された結合強度とアニーリング時間は、このクラスタリングタスクにおける量子アニーリングの成功確率と効率性にどのように影響するか？
• RQ4 D-WaveのChimeraアーキテクチャ上での決定的グラフ埋め込みは、チェーン断片化を最小限に抑えて、高エネルギー物理学のクラスタリング問題に効果的に適用可能か？
• RQ5 量子アニーリングアプローチは、HL-LHCに向けたより大きなイベントトポロジーにどの程度スケーリング可能か？また、性能劣化の主な要因は何か？

主な発見

• 量子アニーリングアルゴリズムは、56論理キュービット（平均665物理キュービット）までの問題に対して、古典的シミュレーテッドアニーリングよりも量子優位性を示した。
• 2頂点・10トラックトポロジーにおけるD-Wave QPUの漸近的効率は0.98 ± 0.00であり、シミュレーテッドアニーリング（0.95 ± 0.00）と決定的アニーリング（0.94 ± 0.01）を上回った。
• 2頂点・28トラックトポロジーでは、QPUの効率は0.62 ± 0.02に低下したが、シミュレーテッドアニーリングは0.24 ± 0.02に低下し、複雑性の増加に伴い性能差が拡大した。
• 2頂点・10トラックケースにおけるDunnインデックスの反転点（顕著な性能低下の開始点）は、QPUで8.0 ± 0.3、シミュレーテッドアニーリングで19 ± 8であった。
• 2頂点・10トラックケースにおける効率対Dunnインデックス曲線の勾配は、QPUが0.33 ± 0.03、シミュレーテッドアニーリングが0.40 ± 0.01であり、QPUはより急激に劣化するが、同時により早いピーク性能を示した。
• 本研究では、高複雑度における性能劣化の原因としてチェーン凍結と反クロスイングが特定され、今後の改善には最適化されたアニーリングスケジュールやスペクトルギャップ強化技術の導入が有効であると示唆された。