[논문 리뷰] A Quantum Graph Neural Network Approach to Particle Track Reconstruction

Cenk Tüysüz, Federico Carminati외 7명|arXiv (Cornell University)|2020. 07. 14.

Particle physics theoretical and experimental studies참고 문헌 8인용 수 13

한 줄 요약

이 논문은 고광도 LHC 실험에서 입자 궤적 복원을 위한 양자 그래프 신경망(QGNN)을 제안한다. 그래프 신경망 내에서 양자 회로를 활용하여 궤적 세그먼트를 분류한다. 최소한의 양자 회로(트리 텐서 네트워크)를 사용했음에도 불구하고 6 큐비트와 하나의 은닉 차원만으로도 AUC 0.80과 이진 교차 엔트로피 손실 0.5를 달성하여, 고에너지 물리학의 궤적 복원에 양자 강화된 GNN의 가능성은 입증된다.

ABSTRACT

Unprecedented increase of complexity and scale of data is expected in computation necessary for the tracking detectors of the High Luminosity Large Hadron Collider (HL-LHC) experiments. While currently used Kalman filter based algorithms are reaching their limits in terms of ambiguities from increasing number of simultaneous collisions, occupancy, and scalability (worse than quadratic), a variety of machine learning approaches to particle track reconstruction are explored. It has been demonstrated previously by HEP.TrkX using TrackML datasets, that graph neural networks, by processing events as a graph connecting track measurements can provide a promising solution by reducing the combinatorial background to a manageable amount and are scaling to a computationally reasonable size. In previous work, we have shown a first attempt of Quantum Computing to Graph Neural Networks for track reconstruction of particles. We aim to leverage the capability of quantum computing to evaluate a very large number of states simultaneously and thus to effectively search a large parameter space. As the next step in this paper, we present an improved model with an iterative approach to overcome the low accuracy convergence of the initial oversimplified Tree Tensor Network (TTN) model.

연구 동기 및 목표

• 고광도 LHC에서 고전적 알고리즘(예: 칼만 필터)이 성능 한계에 도달하는 상황에서 입자 궤적 복원의 확장성과 계산 복잡도 문제를 해결한다.
• 궤적 복원에서 큰 조합적 매개변수 공간을 효율적으로 탐색하기 위해 양자 컴퓨팅과 그래프 신경망을 통합한다.
• 이전의 단순한 양자 모델(예: 트리 텐서 네트워크)이 악화된 수렴성과 낮은 정확도로 인해 약한 성능을 보였던 문제를 극복한다.
• TrackML 데이터셋을 사용하여 궤적 세그먼트 분류를 위한 양자 회로와 GNN를 결합한 프로토타입 QGNN 프레임워크를 구현한다.
• 사라지는 기울기와 회로 표현력 등의 주요 과제를 규명하여 향후 고에너지 물리학에서의 양자 기계학습 모델의 기초를 마련한다.

제안 방법

• 검출기의 8개의 φ 및 2개의 z 섹터로 나누어 1600개의 부분 그래프로 TrackML 이벤트 데이터를 변환하여 계산 부담을 줄이면서도 공간적 구조를 유지한다.
• 유연한 선택 기준(예: |pT| > 1 GeV, Δφ < 0.0006, |z₀| < 100 mm, η ∈ [-5,5])을 적용하여 히트를 필터링하고 그래프 연결성을 줄여 계산을 최소화하면서도 핵심적인 토폴로지를 손상시키지 않는다.
• 모서리 및 노드 특징을 양자 회로를 통해 처리하기 위해 트리 텐서 네트워크(TTN)를 사용한 양자 모서리 네트워크(QEN)와 양자 노드 네트워크(QNoN)를 구현한다.
• 공간 좌표(모서리의 경우 6차원, QNoN의 경우 노드 특징)를 Ry(θ) 회전 게이트를 사용해 큐비트 상태로 인코딩한다: Ry(θ)|0⟩ = cos(θ/2)|0⟩ + sin(θ/2)|1⟩.
• 반복 측정를 통해 상태 단층 촬영을 수행하여 기대값을 추정하고, 이를 업데이트된 모서리 및 노드 특징으로 사용한다.
• 클래스 불균형 보정이 적용된 가중치가 부여된 이진 교차 엔트로피 손실과 ADAM 최적화를 사용하여, 100개의 이벤트에 대해 한 에포크 동안 TTN 파rameter를 학습시켰다.

실험 결과

연구 질문

• RQ1 최소한의 양자 회로가 그래프 신경망에 통합되어 고에너지 물리학에서 입자 궤적 세그먼트를 효과적으로 분류할 수 있는가?
• RQ2 간단한 트리 텐서 네트워크를 사용할 때 QGNN에서 반복적 메시지 전달이 수렴성과 성능에 어떤 영향을 미치는가?
• RQ3 이러한 맥락에서 현재의 양자 회로 아키텍처의 주요 제약 사항(예: 사라지는 기울기, 낮은 표현력)은 무엇인가?
• RQ4 최소한의 큐비트 사용으로도 양자 강화된 GNN이 고전적 GNN보다 얼마나 뛰어나게 성능을 내는가?
• RQ5 현재의 양자 모델은 확장 가능한가 아니면 단지 프로토타입에 그치는가? 실용적 구현을 위해 어떤 아키텍처 개선이 필요한가?

주요 결과

• QGNN는 검증 세트에서 AUC 0.80을 기록하여 궤적 세그먼트 예측에 대해 중간 정도이지만 유망한 분류 성능를 보였다.
• 모델은 이진 교차 엔트로피 손실 0.5를 기록했는데, 이는 최소한의 양자 회로 복잡성과 하나의 은닉 차원만을 사용한 초기 구현에 대해 수용 가능한 결과였다.
• 기대와는 달리 반복 횟수(N_it)를 늘여도 성능 향상이 없었으며, N_it > 1의 결과는 N_it = 1과 유사하거나 더 나빴다. 이는 학습의 불안정성을 시사한다.
• 주요 성능 제약 요인은 트리 텐서 네트워크(TTN) 모델의 낮은 표현력과 반복 학습에서 발생하는 사라지는 기울기 문제에 기인한다.
• 심지어 6 큐비트의 기본적인 양자 회로라도 더 복잡한 고전적 GNN과 유사한 성능을 달성할 수 있음을 확인하여, 양자 강화된 GNN의 잠재력을 검증했다.
• 이 연구는 양자 회로가 고에너지 물리학 애플리케이션의 GNN에 통합될 수 있음을 확인했지만, 회로 아키텍처와 학습 동역학을 향상시키기 위한 추가 연구가 필요하다.