[논문 리뷰] Quantum anomaly detection in the latent space of proton collision events at the LHC

Vasilis Belis, K. A. Wozniak외 8명|arXiv (Cornell University)|2023. 01. 25.

Particle physics theoretical and experimental studies인용 수 13

한 줄 요약

본 논문은 LHC 데이터의 이상 탐지를 위한 비감독 양자 머신 러닝 파이프라인을 제안하며, 잠재 공간으로의 고전적 오토인코더를 사용하고 이어 양자 커널 머신과 양자 클러스터링을 적용하고, 특정 영역에서 일관된 양자 우위를 보고하며 하드웨어 데모를 포함한다.

ABSTRACT

The ongoing quest to discover new phenomena at the LHC necessitates the continuous development of algorithms and technologies. Established approaches like machine learning, along with emerging technologies such as quantum computing show promise in the enhancement of experimental capabilities. In this work, we propose a strategy for anomaly detection tasks at the LHC based on unsupervised quantum machine learning, and demonstrate its effectiveness in identifying new phenomena. The designed quantum models, an unsupervised kernel machine and two clustering algorithms, are trained to detect new-physics events using a latent representation of LHC data, generated by an autoencoder designed to accommodate current quantum hardware limitations on problem size. For kernel-based anomaly detection, we implement an instance of the model on a quantum computer, and we identify a regime where it significantly outperforms its classical counterparts. We show that the observed performance enhancement is related to the quantum resources utilised by the model.

연구 동기 및 목표

• 신호 편향을 최소화하면서 LHC에서 새로운 물리 현상에 대한 이상 탐지를 동기화한다.
• LHC 데이터의 잠재 표현에서 작동하는 양자 보조 이상 탐지 파이프라인을 개발한다.
• 여러 BSM 시나리오에 걸쳐 양자 방법을 고전적 대응 방법과 벤치마킹한다.
• 잠재 공간 차원과 학습 샘플 크기가 양자 대 고전 성능에 미치는 영향을 탐구한다.

제안 방법

• QCD 사이드밴드 데이터로 학습된 합성곱 오토인코더를 사용하여 고차원의 LHC 이벤트 데이터를 저차원 잠재 공간으로 투영한다.
• 새로운 데이터 인코딩 회로를 사용하여 입력을 양자 특성 공간에 매핑하는 비지도 양자 커널 머신을 구현한다.
• 진폭 인코딩된 양자 상태에서 작동하여 군집 레이블을 할당하는 두 가지 양자 클러스터링 알고리즘(QK-means 및 QK-medians)을 개발한다.
• 고정된 신호 효율에서 ROC 지표 및 배경 거부를 사용하여 이상 탐지 성능을 평가하고 양자 및 고전 기준선을 비교한다.
• IBM 양자 프로세서에서 양자 커널 머신의 하드웨어 구동 인스를 시연하여 양자 특징의 가능성과 품질을 평가한다.

Figure 1: Classical-quantum pipeline. LHC collision data (simulation) are passed through an autoencoder for dimensionality reduction followed by the quantum anomaly detection models: unsupervised quantum kernel machine and clustering algorithms (QK-means/QK-medians). Each jet contains 100 particles,

실험 결과

연구 질문

• RQ1 자동인코딩된 LHC 데이터의 잠재 공간에서의 비지도 양자 이상 탐지가 대표적인 BSM 시나리오에서 고전 방법보다 성능 우위를 보일 수 있는가?
• RQ2 잠재 공간의 차원과 학습 샘플 크기가 양자 대 고전 이상 탐지 성능에 어떤 영향을 미치는가?
• RQ3 양자 특성 맵과 회로 특성(얽힘, 표현성)이 실질적인 양자 우위를 제공하는 식별 가능한 영역이 있는가?
• RQ4 현실적인 하드웨어 구현이 현재의 양자 장치로 실행되면서 의미 있는 구분력을 보존할 수 있는가?

주요 결과

• 정의된 매개변수 영역에서 비지도 양자 커널 머신이 최고 성능의 고전 커널 기준선보다 일관된 성능 우위를 보인다.
• 양자 성능 향상은 데이터 인코딩 회로의 얽힘 및 표현성 같은 회로의 고유 특성과 연관되며 큐비트 수에 민감하다.
• 클러스터링 기반의 양자 방법(QK-means 및 QK-medians)도 특정 설정에서 개선을 보이며 특히 훈련 데이터 세트가 작을 때 두드러진다.
• 잠재 공간 차원을 증가시키면 일반적으로 양자 모델 성능이 향상되며 여러 테스트에서 잠재 차원 8 근처에서 최상의 결과가 관찰된다.
• IBM Q에서의 하드웨어 시연은 근거리 장치에서 양자 커널 접근의 실현 가능성을 확인하지만 노이즈 및 검사 통계로 인한 한계가 있다.
• 결과는 양자 모델이 고정된 신호 효율에서 더 많은 배경 이벤트를 거부할 수 있음을 보여주며(일부 비교에서 최대 다섀), 이 우위는 인코딩 회로의 양자 특성에 연결되어 있다.

Figure 2: The quantum circuits. ( a ) Data encoding circuit, $U(x)$ , that implements the feature map of the unsupervised kernel machine for a data point $x$ , where $G(\theta,\phi,\lambda)\in\text{SU(2)}$ is a general 1-qubit gate, and $x_{i}$ , for $i=0,1,\dots,n$ , denotes the elements of the inp