[論文レビュー] Hybrid Quantum Classical Graph Neural Networks for Particle Track Reconstruction

Cenk Tüysüz, Carla Rieger+7 more|arXiv (Cornell University)|Sep 26, 2021

Quantum Computing Algorithms and Architecture参考文献 76被引用数 58

ひとこと要約

本論文は、高輝度LHC実験における粒子線跡再構成のためのハイブリッド量子古典的グラフニューラルネットワーク（QGNN）を提案する。変分量子回路を用いてスパースで幾何的な検出器データを処理する。QGNNはTrackMLベンチマークにおいて古典的GNNと同等の性能を達成し、回路10は低表現力にもかかわらず訓練安定性が最も優れていた。これは、さらなる最適化によって量子優位性が得られる可能性を示唆している。

ABSTRACT

The Large Hadron Collider (LHC) at the European Organisation for Nuclear Research (CERN) will be upgraded to further increase the instantaneous rate of particle collisions (luminosity) and become the High Luminosity LHC (HL-LHC). This increase in luminosity will significantly increase the number of particles interacting with the detector. The interaction of particles with a detector is referred to as "hit". The HL-LHC will yield many more detector hits, which will pose a combinatorial challenge by using reconstruction algorithms to determine particle trajectories from those hits. This work explores the possibility of converting a novel Graph Neural Network model, that can optimally take into account the sparse nature of the tracking detector data and their complex geometry, to a Hybrid Quantum-Classical Graph Neural Network that benefits from using Variational Quantum layers. We show that this hybrid model can perform similar to the classical approach. Also, we explore Parametrized Quantum Circuits (PQC) with different expressibility and entangling capacities, and compare their training performance in order to quantify the expected benefits. These results can be used to build a future road map to further develop circuit based Hybrid Quantum-Classical Graph Neural Networks.

研究の動機と目的

• 高輝度LHC環境下における粒子線跡再構成の計算負荷の増大に応えるため、古典的アルゴリズムがスケーリングに劣る問題に対処する。
• ハイブリッド量子古典的グラフニューラルネットワーク（QGNN）が、検出器ヒットから粒子軌跡を再構成する際に、古典的GNNと同等またはそれを上回る性能を示せるかを調査する。
• 異なるパラメータ化された量子回路（PQC）アーキテクチャが、訓練性能およびモデル表現力に与える影響を評価する。
• NISQ時代の量子ハードウェアが、特に線跡再構成を含む高エネルギー物理学への応用において実用的かどうかを評価する。

提案手法

• 検出器ヒットのグラフ構造的表現において、量子回路がノードおよびエッジ特徴量を処理するハイブリッド量子古典的GNNモデルを実装する。
• 角度符号化を用い、古典的粒子ヒットデータ（位置、運動量）を16量子ビット以下で量子状態にマッピングする。
• 幾何的およびトポロジカルな関係を符号化するために、エンタングルメント能力と表現力が異なる変分量子回路（PQC）を適用する。
• グラフアテンション機構を用いてエッジ寄与度を重みづけ、微分可能な量子機械学習フレームワーク（TensorFlow Quantum）を用いてモデルを訓練する。
• 勾配降下法を用い、最大20エポックで最適化を行う。pTカットを用いてデータセットサイズと計算負荷を低減する。
• 同じ事前処理済みTrackMLデータセットと評価指標を用いて、古典的GNNベースライン（HEP.TrkX）と性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッド量子古典的グラフニューラルネットワークは、TrackMLデータセット上での粒子線跡再構成において、古典的GNNと同等の性能を達成できるか？
• RQ2 表現力やエンタングルメント容量が異なるPQCアーキテクチャは、QGNNモデルの訓練安定性および収束にどのように影響するか？
• RQ3 このタスクにおいて、量子回路の使用がモデル容量や一般化性能の面で、古典的ニューラルネットワークに優位性を示すか？
• RQ4 現在のNISQデバイスにおけるノイズ効果やハードウェア制限は、高エネルギー物理学におけるQGNNの実用的導入をどの程度制限するか？

主な発見

• すべてのテストされた隠れ次元サイズにおいて、ハイブリッドQGNNモデルは古典的GNNベースラインと同等の検証損失性能を達成しており、顕著な性能差は観察されなかった。
• 回路10は、テスト済みPQCの中で表現力とエンタングルメント能力が最も低かったが、訓練安定性および最終損失において一貫して他を上回り、この設定では表現力よりもロバストネスが優先される可能性を示唆している。
• 16量子ビットのモデルでは、RAMとシミュレーションのオーバーヘッドが高く、訓練時間が1週間以上に及ぶことがあり、スケーラビリティに制限が生じ、pTカットと量子ビット数の削減によるデータ低減が不可欠となった。
• 隠れ次元サイズの増加に伴いモデルの性能が飽和する傾向を示しており、あるモデル深さを超えると学習能力の向上が止まることを示している。
• 古典的ハードウェアおよびシミュレーション時間の制限により、16量子ビットまでにシミュレーションが制限され、より大規模な量子モデルの探索は不可能だった。
• ノイズ効果は技術的制限により十分に調査されなかったが、先行研究では変分量子アルゴリズムにノイズ耐性の可能性があると示唆されている。