[論文レビュー] Quantum Algorithms for Charged Particle Track Reconstruction in the LUXE Experiment

Arianna Crippa, Lena Funcke+9 more|arXiv (Cornell University)|Jan 1, 2023

Quantum Computing Algorithms and Architecture被引用数 3

ひとこと要約

本論文は、LUXE実験における荷電粒子の軌道再構成にゲートベース量子コンピューティングを用いる可能性を調査し、変分量子固有値求解法（VQE）を用いた2次無制約バイナリ最適化（QUBO）および量子グラフニューラルネットワーク（QGNN）を採用している。古典的シミュレーションおよびIBMのibm_nairobiハードウェア上で、VQEベースのQUBO手法は高い再構成効率を示したが、高多重度では誤検出率が高くなる傾向を示した。一方、QGNNは現在のNISQデバイスの制約により限界に達していた。

ABSTRACT

The LUXE experiment is a new experiment in planning in Hamburg, which will study quantum electrodynamics at the strong-field frontier. LUXE intends to measure the positron production rate in this unprecedented regime using, among others, a silicon tracking detector. The large number of expected positrons traversing the sensitive detector layers results in an extremely challenging combinatorial problem, which can become computationally expensive for classical computers. This paper investigates the potential future use of gate-based quantum computers for pattern recognition in track reconstruction. Approaches based on a quadratic unconstrained binary optimisation and a quantum graph neural network are investigated in classical simulations of quantum devices and compared with a classical track reconstruction algorithm. In addition, a proof-of-principle study is performed using quantum hardware.

研究の動機と目的

• ゲートベース量子アルゴリズムが、LUXE実験の高多重度環境における荷電粒子軌道再構成に実用可能かどうかを検討すること。
• 強場QED実験で予想される極めて高い陽電子多重度下での組み合わせ的軌道再構成の計算課題に対処すること。
• VQE-QUBOおよびQGNNといった量子アプローチを、古典的トラッキングアルゴリズムと比較して、効率性、誤検出率、エネルギー分解能の観点から評価すること。
• 古典的シミュレーションおよび実際のNISQ時代の量子ハードウェア（ibm_nairobi）を用いたプロトタイプ実験を通じて、量子アルゴリズムの性能を検証すること。

提案手法

• 1バッチクロージャーあたり最大約10,000個の陽電子を含む現実的なイベントデータを生成するため、LUXEシリコンピクセルトラッカーのスタンドアロン高速シミュレーションを開発した。
• 三重項候補の関連付けを表すバイナリ変数を用いて、トラック再構成問題をQUBO問題に定式化し、シミュレーテッドおよび実際の量子デバイス上でVQEによる最適化を実施した。
• 粒子ヒットとその空間的関係をモデル化するためのグラフ構造データを用い、パターン認識を目的としたQGNNベースの手法を実装した。
• ibm_nairobi量子プロセッサ上で結果の忠実度を向上させるために、キャリブレーション行列を用いた測定誤差低減技術を適用した。
• パラメータ化された量子回路と古典的最適化器を組み合わせたハイブリッド量子-古典的最適化パイプラインを用い、コスト関数を最小化した。
• 再構成効率、誤検出率、エネルギー分解能といった指標を用いて、さまざまな粒子多重度における性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 VQEベースのQUBO最適化は、高多重度LUXEイベントにおいて、古典的トラッキング再構成を上回る効率性を達成できるか？
• RQ2 量子支援再構成の誤検出率は、古典的手法と比較して、粒子多重度の増加に伴いどのように変化するか？
• RQ3 現在のNISQデバイス上でのQGNNベース再構成の性能限界は何か？また、キュービット数および回路深さの制限によって生じる制約は何か？
• RQ4 測定誤差低減は、実ハードウェア上での量子軌道再構成の信頼性を向上させるためにどの程度有効か？
• RQ5 問題分解戦略（例：影響度ベースのソーティング）は、量子軌道再構成アルゴリズムのスケーラビリティをどの程度向上させるか？

主な発見

• 古典的シミュレーションにおいて、VQEベースのQUBO手法は特に高多重度条件下で、古典的手法を上回るやや高い再構成効率を達成した。
• 高多重度条件下では、VQE手法の誤検出率が古典的手法と比較して顕著に上昇し、最大で20%も高くなった。
• ibm_nairobi量子プロセッサ上では、VQEの結果が理想シミュレーションと強く相関しており、誤差低減後、正しい解（0001111）が最も確率の高い結果となった。
• QGNN手法は、現在のNISQハードウェアのキュービット数および回路深さの制限により、数千個の荷電粒子を超える範囲での評価が不可能だった。
• 影響度ベースのソーティング戦略は、相互作用を持つ三重項が存在しない単純なサブ-QUBOの割合が非常に高くなる結果となり、問題分解の改善が求められることが示唆された。
• VQEにおける最適化器の選択が、真の最小値を発見する確率に強く影響することから、今後の実装ではハイパーパramータの慎重なチューニングが不可欠であることが明らかになった。