[논문 리뷰] Unravelling physics beyond the standard model with classical and quantum anomaly detection

Julian Schuhmacher, Laura Boggia외 8명|arXiv (Cornell University)|2023. 01. 25.

Anomaly Detection Techniques and Applications참고 문헌 51인용 수 1

한 줄 요약

이 논문은 LHC에서 표준모형을 초월한 새로운 물리학(BSM)을 발견하기 위한 새로운 지도 학습 기반 이상 탐지 프레임워크를 제안한다. 이 방법은 무작위 스트레칭 과정을 통해 인위적으로 생성한 이상 현상에 기반하여, 고전적 및 양자 지원 벡터 분류기(CSVC/QSVC)를 훈련시켜 실제 BSM 신호를 높은 정확도로 식별한다. 이는 인위적 이상 현상으로 훈련된 모델이 실제 새로운 물리학 이벤트로 일반화하는 데 효과적임을 보여준다.

ABSTRACT

Much hope for finding new physics phenomena at microscopic scale relies on the observations obtained from High Energy Physics experiments, like the ones performed at the Large Hadron Collider (LHC). However, current experiments do not indicate clear signs of new physics that could guide the development of additional Beyond Standard Model (BSM) theories. Identifying signatures of new physics out of the enormous amount of data produced at the LHC falls into the class of anomaly detection and constitutes one of the greatest computational challenges. In this article, we propose a novel strategy to perform anomaly detection in a supervised learning setting, based on the artificial creation of anomalies through a random process. For the resulting supervised learning problem, we successfully apply classical and quantum Support Vector Classifiers (CSVC and QSVC respectively) to identify the artificial anomalies among the SM events. Even more promising, we find that employing an SVC trained to identify the artificial anomalies, it is possible to identify realistic BSM events with high accuracy. In parallel, we also explore the potential of quantum algorithms for improving the classification accuracy and provide plausible conditions for the best exploitation of this novel computational paradigm.

연구 동기 및 목표

• 대부분의 표준모형(SM) 배경 사건에 의해 지배되는 거대한 LHC 데이터셋에서 희귀한 새로운 물리학 신호를 식별하는 데 도전하는 것.
• 순수하게 비지도 이상 탐지 기법의 한계를 극복하기 위해 최소한의 이론적 편향을 가진 지도 학습 전략을 도입하는 것.
• 특정 BSM 이론 가정에 의존하지 않고 표준모형(SM) 이벤트에서 인위적 이상 현상을 생성하여 분류기 훈련에 활용할 수 있는 방법을 개발하는 것.
• 특히 QSVC를 포함한 양자 머신러닝의 잠재력을 평가하여 고에너지 물리학 데이터셋에서 이상 현상 탐지 성능을 고전적 방법보다 향상시킬 수 있는지 조사하는 것.
• 이 고에너지 물리학 분류 작업에서 양자 우월성이 나타날 수 있는 가능성과 조건을 평가하는 것.

제안 방법

• 표준모형(SM) 이벤트 데이터에 무작위 스트레칭 과정을 적용하여 이상 현상을 인위적으로 생성하며, 정규분포를 사용하여 척도 λfσ로 특징을 왜곡한다.
• 균형 잡힌 이중 클래스 데이터셋을 구성: 한 클래스는 SM 이벤트이며, 다른 클래스는 인위적 이상 현상 또는 실제 BSM 이벤트(Higgs, Graviton)이다.
• 사전처리 적용: 특징 추출을 위한 주성분 분석(PCA)과 모델 안정성 향상을 위한 특징 정규화([−π, π] 범위로).
• 훈련 데이터셋에 고전적 및 양자 지원 벡터 분류기(CSVC 및 QSVC)를 훈련시키며, 테스트 세트 성능에 기반해 최고 성능을 보인 모델을 선택한다.
• 최고로 훈련된 분류기를 사용해 실제 BSM 이벤트(Higgs, Graviton)를 포함한 검증 세트에서의 미관측 이상 현상을 탐지한다.
• 기하학적 차이와 모델 복잡도 지표를 사용해 모델 성능을 특성화하며, IBM 양자 하드웨어에서 탈편광 오차 보정 기법을 적용한다.

실험 결과

연구 질문

• RQ1 인위적으로 생성한 이상 현상으로 훈련된 지도 학습 기반 이상 탐지 프레임워크가 실제로 LHC 데이터 내 BSM 신호를 성공적으로 식별할 수 있는가?
• RQ2 고에너지 물리학 데이터셋에서 이상 현상을 탐지할 때, 양자 지원 벡터 분류기(QSVC)의 성능이 고전적 대안과 비교해 어떻게 되는가?
• RQ3 데이터셋 크기와 특징 수의 함수로 하며, 고전적 및 양자 커널 행렬 간의 기하학적 차이와 모델 복잡도의 스케일링 행동은 어떻게 되는가?
• RQ4 어떤 조건에서 양자 머신러닝이 새로운 물리학 탐색의 이상 탐지 작업에서 계산적 우월성을 발휘할 수 있는가?
• RQ5 근접한 양자 하드웨어에서의 오차 보정이 물리학 적용 분야에서 양자 커널 추정의 신뢰성을 얼마나 향상시키는가?

주요 결과

• 무작위 스트레칭된 SM 이벤트로 훈련된 분류기는 실제 Higgs 및 Graviton BSM 이벤트를 매우 높은 정확도로 식별하여 강력한 일반화 능력을 입증한다.
• 고전적 및 양자 커널 행렬 간의 기하학적 차이가 샘플 수 N에 대해 약 √N 비례하여 증가함을 확인하여, 양자 모델이 고전적 모델를 능가할 수 있는 영역가 존재할 가능성이 있음을 시사한다.
• 고전적 SVC의 모델 복잡도는 N에 대해 선형으로 증가하여 잘 조율된 학습 영역임을 나타내지만, 양자 모델의 복잡도는 수개의 주기 수준으로 훨씬 크며 아직 수렴하지 못한 상태이다.
• 높은 양자 모델 복잡도에도 불구하고 측정된 지표는 양자 우월성이 확실히 지지되거나 배제되지는 않으며, 특정 조건 하에서는 여전히 가능성은 열려 있다.
• IBM 양자 디바이스 ibm auckland에서 탈편광 오차 보정을 적용함으로써 양자 커널 추정의 신뢰성이 향상되어 고전적 결과와의 의미 있는 비교가 가능해졌다.
• 특정 BSM 모델에 의존하지 않도록 하여 이상 탐지의 이론적 편향을 줄였고, 同시에 현실적인 새로운 물리학 신호에 대해 높은 탐지 정확도를 유지하였다.