[論文レビュー] Performance of Particle Tracking Using a Quantum Graph Neural Network

Cenk Tüysüz, Kristiane Novotny+8 more|arXiv (Cornell University)|Dec 2, 2020

Quantum Computing Algorithms and Architecture参考文献 22被引用数 8

ひとこと要約

本論文は、高輝度LHC実験における粒子軌道再構成のためのハイブリッド量子グラフニューラルネットワーク（QGNN）を提案し、パラメータ化された量子回路（PQC）を用いて検出器ヒットデータを処理する。限定的な学習（1エポック）にもかかわらず、QGNNは簡略化された古典的GNNと同等のAUC性能を達成しており、より深いアーキテクチャと改善された符号化戦略を用いることで将来の量子優位性の可能性を示している。

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.

研究の動機と目的

• 高輝度LHC実験における粒子軌道再構成に量子グラフニューラルネットワーク（QGNN）を用いる可能性を調査すること。
• パラメータ化された量子回路（PQC）を用いたハイブリッドQGNNの性能を、簡略化された古典的グラフニューラルネットワーク（GNN）と比較すること。
• 制限された量子回路シミュレーション時間のもとで、隠れ次元サイズと反復回数がQGNN性能に与える影響を評価すること。
• スケーラブルな量子ニューラルネットワークを高エネルギー物理学の応用に拡張するうえでの主な課題と改善戦略を同定すること。

提案手法

• 研究ではTrackMLデータセットを用い、計算複雑性を低減するため100件のイベントを選択し、バーレイヤー（8, 13, 17）に限定して解析を行う。
• ヒットデータから粒子IDの真値を用いてグラフを構築し、HepTrkXと同等の選択基準を用いてエッジを形成する。
• QGNNは、テンソルネットワークにインspiredされたアーキテクチャ（TTN, MERA）を用いたパラメータ化された量子回路（PQC）を採用し、グラフ特徴量を量子状態に符号化する。
• 量子回路は長時間のシミュレーションのため、1エポックでのみ学習し、AUCと損失曲線を用いて性能を評価する。
• 比較のため、隠れ次元が1, 5, 10の簡略化された古典的GNN（HepTrkX-GNN）をベースラインとして用いる。
• 性能はAUCを用いて評価し、全閾値におけるモデルの識別能力を測定する。また、量子モデルと古典モデルの両方の学習曲線をプロットする。

実験結果

リサーチクエスチョン

• RQ1 限定的な学習条件下で、ハイブリッド量子グラフニューラルネットワークは、古典的GNNと同等の性能を達成できるか？
• RQ2 隠れ次元サイズと反復回数を増加させることで、この文脈におけるQGNNの性能はどのように向上するか？
• RQ3 スケーラブルな量子ニューラルネットワークを高エネルギー物理学の軌道再構成に適用するうえでの主な課題は何か？
• RQ4 改善された量子回路設計と符号化戦略は、QGNNの現在の性能制限を克服できるか？

主な発見

• TTNおよびMERAアーキテクチャを用いたQGNNは、1回の学習エポック後、AUC約0.8を達成し、簡略化された古典的GNNと同等の性能を示した。
• 隠れ次元サイズと反復回数を増加させることで、さまざまな構成における学習曲線から、QGNNの性能が顕著に向上することが示された。
• 限定的な学習にもかかわらず、QGNNは古典モデルと同等のAUCを示しており、現段階では明確な量子優位性は確認されていないが、将来的な改善の可能性を示している。
• 本研究では、バーレンプレートの回避と効率的な量子状態符号化が、この分野におけるハイブリッド量子モデルのスケーリングに向けた重要な課題であると同定した。
• 1エポックあたり約1週間の長時間シミュレーションが現在の制限となっており、1エポックに限定された学習のため、性能評価とモデルスケーリングが制限されている。