[论文解读] Quantum Convolutional Neural Networks for High Energy Physics Data Analysis

Samuel Yen-Chi Chen, Tzu-Chieh Wei+3 more|arXiv (Cornell University)|Dec 22, 2020

Particle physics theoretical and experimental studies被引用 10

一句话总结

本文提出了一种用于高能物理事件分类的混合量子-经典卷积神经网络（QCNN），基于模拟的DUNE LArTPC数据。与参数数量相当的经典CNN相比，QCNN实现了更快的收敛速度和更高的测试准确率，展示了在粒子识别任务中学习速度和性能方面的量子优势。

ABSTRACT

This work presents a quantum convolutional neural network (QCNN) for the classification of high energy physics events. The proposed model is tested using a simulated dataset from the Deep Underground Neutrino Experiment. The proposed architecture demonstrates the quantum advantage of learning faster than the classical convolutional neural networks (CNNs) under a similar number of parameters. In addition to faster convergence, the QCNN achieves greater test accuracy compared to CNNs. Based on experimental results, it is a promising direction to study the application of QCNN and other quantum machine learning models in high energy physics and additional scientific fields.

研究动机与目标

• 开发一种专用于高能物理（HEP）事件分类的量子卷积神经网络（QCNN）。
• 与经典CNN相比，展示在学习速度和测试准确率方面的量子优势。
• 在深层地下中微子实验（DUNE）的现实模拟LArTPC数据上验证QCNN框架。
• 探索混合量子-经典模型在HEP中可扩展科学数据分析的可行性。

提出的方法

• QCNN使用参数化量子门的变分量子电路（VQC）进行特征提取，随后连接经典全连接层。
• 输入数据通过振幅编码方式映射到量子态，像素强度被映射为量子比特振幅。
• 该架构包含两层带有纠缠门和单量子比特旋转的量子卷积层，后接一个经典全连接层。
• 通过参数移位规则进行梯度计算，采用基于梯度的端到端优化方法训练。
• 为防止过拟合，在QCNN中应用了丢弃率0.3的Dropout层。
• 在二分类任务（μ⁺ vs. π⁺）上进行评估，使用来自模拟LArTPC事件的30×30像素图像。

实验结果

研究问题

• RQ1 QCNN是否能在HEP事件分类任务中，以相近参数量相比经典CNN实现更快收敛和更高测试准确率？
• RQ2 QCNN是否在粒子识别任务中展现出学习效率和性能方面的量子优势？
• RQ3 QCNN在DUNE实验的真实高分辨率模拟LArTPC图像上的表现如何？
• RQ4 QCNN架构是否能够通过可微分量子电路实现端到端训练，并具备实际的梯度计算能力？

主要发现

• QCNN在μ⁺ vs. π⁺分类任务中达到97.5%的测试准确率，显著优于仅达到82.5%测试准确率的经典CNN。
• 尽管训练损失较高（0.1066 vs. 0.0006），QCNN收敛更快且泛化能力更强于经典模型。
• 在总参数数为472的情况下，QCNN与经典CNN参数量相当，但表现出更优的泛化能力与更快的学习动态。
• QCNN达到96.88%的训练准确率，表明其具备有效的特征学习能力且过拟合程度极低。
• 结果在同等模型复杂度下，实证展示了测试准确率与收敛速度方面的量子优势。
• 该框架可扩展至更高维输入（最高达30×30），并可拓展至多通道及序列数据，超越图像分类任务。