[논문 리뷰] Performance of Particle Tracking Using a Quantum Graph Neural Network

Cenk Tüysüz, Kristiane Novotny외 8명|arXiv (Cornell University)|2020. 12. 02.

Quantum Computing Algorithms and Architecture참고 문헌 22인용 수 8

한 줄 요약

이 논문은 고광도 LHC 실험에서 입자 궤적 복원을 위한 하이브리드 양자 그래프 신경망(QGNN)을 제안하며, 검출기 히트 데이터를 처리하기 위해 파arametrized 양자 회로(PQC)를 활용한다. 제한된 훈련(1 에포크)에도 불구하고 QGNN는 단순화된 고전적 GNN과 유사한 AUC 성능를 기록하여, 더 깊은 아키텍처와 향상된 인코딩 전략을 통해 향후 양자 우월성의 잠재력을 보여준다.

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. This increase in luminosity, will yield many more detector hits (occupancy), and thus measurements will pose a challenge to track reconstruction algorithms being responsible to determine particle trajectories from those hits. This work explores the possibility of converting a novel Graph Neural Network model, that proven itself for the track reconstruction task, to a Hybrid Graph Neural Network in order to benefit the exponentially growing Hilbert Space. Several Parametrized Quantum Circuits (PQC) are tested and their performance against the classical approach is compared. We show that the hybrid model can perform similar to the classical approach. We also present a future road map to further increase the performance of the current hybrid model.

연구 동기 및 목표

• 고광도 LHC 실험에서 양자 그래프 신경망(QGNN)을 사용한 입자 궤적 복원의 가능성 여부를 조사하는 것.
• 파라미터화된 양자 회로(PQC)를 사용한 하이브리드 QGNN의 성능를 단순화된 고전적 그래프 신경망(GNN)과 비교하는 것.
• 제한된 양자 회로 시뮬레이션 시간 조건에서 은닉 차원 크기와 반복 횟수의 QGNN 성능에 미치는 영향을 평가하는 것.
• 고에너지 물리 응용 분야에서 양자 신경망을 확장하기 위한 주요 과제와 향상 전략을 규명하는 것.

제안 방법

• 연구는 TrackML 데이터셋을 사용하며, 계산 복잡도를 줄이기 위해 100개의 이벤트만 선택하고 바렐레이어 레이어(8, 13, 17)에 집중한다.
• 입자 ID 참조값을 기반으로 히트에서 그래프를 구성하며, 일관성을 확보하기 위해 HepTrkX와 유사한 선택 기준을 사용해 간선을 형성한다.
• QGNN는 텐서 네트워크 영감을 받은 아키텍처(TTN, MERA)를 사용한 파라미터화된 양자 회로(PQC)를 활용해 그래프 특징을 양자 상태로 인코딩한다.
• 장기적인 시뮬레이션 시간으로 인해 단일 에포크로 훈련을 수행하며, 성능는 AUC와 손실 곡선을 통해 평가된다.
• 기준 비교를 위해 은닉 차원이 1, 5, 10인 단순화된 고전적 GNN(HepTrkX-GNN)을 사용한다.
• 성능는 AUC를 통해 모든 임계값에서의 모델 구분 능력을 평가하며, 양자 및 고전적 모델의 학습 곡선을 그린다.

실험 결과

연구 질문

• RQ1 제한된 훈련 조건에서 하이브리드 양자 그래프 신경망이 고전적 GNN과 유사한 성능를 달성할 수 있는가?
• RQ2 은닉 차원 크기와 반복 횟수를 증가시키면 이 맥락에서 QGNN의 성능에 어떤 영향을 미치는가?
• RQ3 고에너지 물리학 궤적 복원을 위한 확장 가능한 양자 신경망 훈련에서 주요 과제는 무엇인가?
• RQ4 향상된 양자 회로 설계와 인코딩 전략은 현재 QGNN의 성능 제한을 극복할 수 있는가?

주요 결과

• TTN 및 MERA 아키텍처를 사용한 QGNN는 약 0.8의 AUC를 기록하며, 단일 훈련 에포크 후 단순화된 고전적 GNN과 동일한 성능를 보였다.
• 은닉 차원 크기와 반복 횟수를 증가시키면 다양한 구성에서의 학습 곡선을 통해 QGNN 성능가 상당히 향상됨을 확인했다.
• 제한된 훈련에도 불구하고 QGNN는 고전적 모델과 유사한 AUC를 기록하여 현재로서는 명백한 양자 우월성이 없지만, 향후 향상 잠재력이 있음을 시사한다.
• 연구는 폭넓은 평탄한 평탄대 회피와 효율적인 양자 상태 인코딩을 하이브리드 양자 모델 확장에 있어 핵심 과제로 규명했다.
• 현재 한 에포크당 약 일주일이 소요되는 장기적인 시뮬레이션 시간으로 인해 훈련이 단일 에포크로 제한되어 성능 평가 및 모델 확장에 제약이 있다.