[논문 리뷰] Artificial Primary Vertexing Data

Souvik Das, Andrew Wildridge외 2명|arXiv (Cornell University)|2020. 05. 05.

Particle physics theoretical and experimental studies인용 수 11

한 줄 요약

이 논문은 D-Wave 2000Q 양자 프로세서를 사용하여 하드론 충돌 실험에서 주초점 재구성에 대해 완전히 양자 앤날링 기반 접근법을 제안한다. 카이머라 아키텍처에서 결정론적 그래프 임베딩을 구현하고, 결합 강도와 앤날링 시간을 최적화하며, 최대 56개의 논리 큐비트(665개의 물리 큐비트) 문제에서 고전적 시뮬레이티드 앤날링보다 양자 우월성을 입증한다. 이는 빔 축 방향의 트랙 위치 군집화 효율성을 높이는 데 기여한다.

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>

연구 동기 및 목표

• 한 번의 번치 크로스링에서 다수의 양성자-양성자 충돌이 발생하는 고광도 LHC 이벤트에서 주초점 재구성의 과제를 해결한다.
• 클래식-양자 하이브리드 접근법을 피하기 위해 빔 축(z0) 방향의 트랙 군집화를 위한 순수한 양자 앤날링 기반 알고리즘을 개발한다.
• CMS 검출기 데이터를 모방하는 인공 이벤트를 사용하여 고에너지 물리 응용 분야에서 실제 장치에서의 양자 앤날링의 실현 가능성과 성능을 입증한다.
• 같은 시간 제약 조건 하에서 클래식적 시뮬레이티드 앤날링과 비교하여 양자 우월성을 평가하기 위해 벤치마킹한다.
• 현재 및 향후 양자 앤날러에서 군집 문제에 적용 가능한 일반화 가능한 임베딩 및 최적화 기법을 수립한다.

제안 방법

• 트랙 군집화 문제를 이원형 비선형 최적화 문제(QUBO)로 공식화하며, 트랙이 초점에 할당되는 것을 표현하기 위해 편향(hi)과 결합(Jij)을 포함한 문제 해밀토니안을 사용한다.
• 논리적 정점들을 D-Wave 카이머라 아키텍처의 물리적 큐비트에 매핑하는 결정론적 그래프 임베딩 전략을 구현하여 문제의 구조를 유지하고 체인 끊김을 최소화한다.
• 논리적 큐비트 내의 결합 강도를 왜곡 함수 g(x; m)를 사용하여 최적화하여 스펙트럼 갭을 증대하고 앤날링 중 반대칭점의 발생 확률을 감소시킨다.
• 각 이벤트 구조에 대해 성공 확률을 최대화하기 위해 경험적 튜닝을 통해 최적의 앤날링 시간을 결정한다.
• 실제 D-Wave 2000Q 프로세서에서 양자 앤날링 과정을 실행하고, 동일한 앤날링 시간 제약 조건 하에서 CPU에서의 클래식적 시뮬레이티드 앤날링과 결과를 비교한다.

실험 결과

연구 질문

• RQ1 실제 양자 프로세서에서 실행될 때, 완전한 양자 앤날링 알고리즘이 고전적 시뮬레이티드 앤날링과 경쟁 가능한 성능을 달성할 수 있는가?
• RQ2 이 응용 분야에서 관찰되는 양자 우월성이 적용 가능한 최대 문제 크기(논리 큐비트 수로)는 얼마인가?
• RQ3 최적화된 결합 강도와 앤날링 시간은 이 군집 작업에서 양자 앤날링의 성공률과 효율성에 어떤 영향을 미치는가?
• RQ4 D-Wave 카이머라 아키텍처에서 결정론적 그래프 임베딩은 체인 끊김을 최소화하면서 고에너지 물리 군집 문제에 효과적으로 적용될 수 있는가?
• RQ5 이 양자 앤날링 접근법은 HL-LHC에 관련된 더 큰 이벤트 구조로 확장 가능한가? 성능 저하의 주요 원인은 무엇인가?

주요 결과

• 양자 앤날링 알고리즘이 최대 56개의 논리 큐비트 문제에서 고전적 시뮬레이티드 앤날링보다 양자 우월성을 확보했으며, 이는 평균 665개의 물리 큐비트에 해당한다.
• 2-정점, 10트랙 구조에서 D-Wave QPU의 점근적 효율성은 0.98 ± 0.00이었고, 이는 시뮬레이티드 앤날링(0.95 ± 0.00)과 결정론적 앤날링(0.94 ± 0.01)을 모두 초월했다.
• 2-정점, 28트랙 구조에서는 QPU 효율성이 0.62 ± 0.02로 떨어졌고, 시뮬레이티드 앤날링은 0.24 ± 0.02로 떨어져 복잡도 증가에 따라 성능 격차가 커지는 것으로 나타났다.
• 2-정점, 10트랙 케이스에서 덴 인덱스의 꺾임점(성능 급격한 저하의 시작점)은 QPU의 경우 8.0 ± 0.3에서 발생했고, 시뮬레이티드 앤날링의 경우 19 ± 8에서 발생했다.
• 2-정점, 10트랙 케이스에서 효율성 대 덴 인덱스 곡선의 기울기는 QPU의 경우 0.33 ± 0.03이었고, 시뮬레이티드 앤날링의 경우 0.40 ± 0.01이었으며, 이는 QPU가 더 빠르게 저하되지만 더 이르게 최고 성능에 도달함을 시사한다.
• 이 연구는 높은 복잡도에서 성능 저하의 원인으로 체인 고정과 반대칭점의 발생을 규명하였으며, 향후 최적화된 앤날링 스케줄링 또는 스펙트럼 갭 증대 기법을 통해 향상 가능성을 제안한다.