[논문 리뷰] Hybrid Quantum Classical Graph Neural Networks for Particle Track Reconstruction

Cenk Tüysüz, Carla Rieger외 7명|arXiv (Cornell University)|2021. 09. 26.

Quantum Computing Algorithms and Architecture참고 문헌 76인용 수 58

한 줄 요약

이 논문은 고광도 LHC 실험에서 입자 궤적 복원을 위해 변량 양자 회로를 활용해 희박하고 기하학적인 검출기 데이터를 처리하는 하이브리드 양자-고전적 그래프 신경망(QGNN)을 제안한다. QGNN는 TrackML 벤치마크에서 고전적 GNN과 유사한 성능을 달성하였으며, 낮은 표현력에도 불구하고 훈련 안정성이 뛰어난 회로 10이 최적임을 보여주어 향후 최적화를 통해 양자 우월성의 잠재력을 시사한다.

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.

연구 동기 및 목표

• 고광도 LHC 조건에서 고전적 알고리즘이 비효율적으로 확장되는 증가하는 계산적 과제를 해결한다.
• 하이브리드 양자-고전적 그래프 신경망(QGNN)이 검출기 히트에서 입자 궤적을 복원하는 데 있어 고전적 GNN과 동등하거나 슈퍼어리어할 수 있는지 조사한다.
• 다양한 파arametrized 양자 회로(PQC) 아키텍처가 훈련 성능와 모델 표현력에 미치는 영향을 평가한다.
• 특히 궤적 복원 분야에서 NISQ 시대의 양자 하드웨어를 고에너지 물리 응용에 실제로 구현할 수 있는지 평가한다.

제안 방법

• 검출기 히트의 그래프 구조적 표현에서 양자 회로가 노드 및 에지 특징을 처리하는 하이브리드 양자-고전적 GNN 모델을 구현한다.
• 16개 이하의 큐비트에 고전적 입자 히트 데이터(위치, 운동량)를 각도 인코딩을 통해 양자 상태로 매핑한다.
• 히트 간 기하학적 및 위상적 관계를 인코딩하기 위해 다양한 얽힘 능력과 표현력을 갖춘 변량 양자 회로(PQC)를 적용한다.
• 그래프 어텐션 메커니즘을 사용해 에지 기여도를 가중치화하고, 기저의 양자 머신러닝 프레임워크(TensorFlow Quantum)를 활용해 모델을 훈련시킨다.
• 최대 20 에포크 동안 확률적 경사 하강법을 사용해 모델을 최적화하며, 데이터셋 크기와 계산 부하를 줄이기 위해 pT-컷을 적용한다.
• 동일한 전처리된 TrackML 데이터셋과 평가 지표를 사용해 고전적 GNN 베이스라인(HEP.TrkX)과 성능을 비교한다.

실험 결과

연구 질문

• RQ1 하이브리드 양자-고전적 그래프 신경망은 TrackML 데이터셋에서 고전적 GNN과 유사한 성능을 달성할 수 있는가?
• RQ2 표현력과 얽힘 능력이 다른 다양한 PQC 아키텍처는 QGNN 모델의 훈련 안정성과 수렴에 어떤 영향을 미치는가?
• RQ3 이 작업에서 고전적 신경망과 비교해 양자 회로 사용이 모델 용량이나 일반화 능력 측면에서 어떤 이점을 제공하는가?
• RQ4 현재 NISQ 장치의 노이즈 효과와 하드웨어 제약은 QGNN의 고에너지 물리 분야에서의 실용적 구현을 어느 정도 제한하는가?

주요 결과

• 모든 테스트된 은닉 차원 크기에서 하이브리드 QGNN 모델은 고전적 GNN 베이스라인과 유사한 검증 손실 성능을 달성했으며, 유의미한 성능 격차는 관측되지 않았다.
• 표현력과 얽힘 능력이 테스트된 PQC 중에서 가장 낮았음에도 불구하고, 회로 10은 훈련 안정성과 최종 손실 측면에서 다른 회로들보다 뚜렷이 뛰어나, 이 설정에서는 표현력보다는 내구성이 더 중요함을 시사한다.
• 16 큐비트 모델의 훈련 시간이 1주일을 초과할 정도로 고전적 메모리와 시뮬레이션 오버헤드가 심해 확장성에 제약이 있었으며, 이에 따라 데이터 크기 감소와 큐비트 수 감소가 필요했다.
• 은닉 차원 크기가 증가함에 따라 모델의 성능이 포화 상태에 도달함을 보여, 일정한 모델 깊이를 초과하면 학습 능력의 상한선이 존재함을 시사한다.
• 고전적 하드웨어와 시뮬레이션 시간 제약로 인해 시뮬레이션은 16 큐비트로 제한되었으며, 이로 인해 더 큰 스케일의 양자 모델 탐색이 불가능했다.
• 기술적 제약으로 인해 노이즈 효과는 완전히 탐색되지 않았지만, 이전 문헌에 따르면 변량 양자 알고리즘이 노이즈에 강건할 가능성이 있음이 언급된다.