[論文レビュー] Unravelling physics beyond the standard model with classical and quantum anomaly detection

Julian Schuhmacher, Laura Boggia+8 more|arXiv (Cornell University)|Jan 25, 2023

Anomaly Detection Techniques and Applications参考文献 51被引用数 1

ひとこと要約

本論文は、LHCにおける標準模型（SM）を超える新しい物理を発見するための、画期的な教師あり異常検出フレームワークを提案する。この手法では、ランダムなスキャンブルプロセスを用いて人工的に生成された異常を用い、古典的および量子サポートベクタークラスファイア（CSVC/QSVC）をこれらの合成異常で訓練することで、現実のBSM信号を高い精度で同定することに成功した。これは、人工異常で訓練されたモデルが、実際の新しい物理のイベントに効果的に一般化できることを示している。

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.

研究の動機と目的

• 標準模型（SM）の背景イベントが支配する膨大なLHCデータセットにおいて、まれな新しい物理信号を同定する課題に対処する。
• 完全に非教師あり異常検出の限界を克服するため、理論的バイアスを最小限に抑えた教師あり学習戦略を導入する。
• 特定のBSM理論の仮定に依存せずに、SMイベントから人工異常を生成する手法を開発する。
• 特にQSVCを含む量子機械学習の可能性を調査し、古典的手法と比較して異常検出性能が向上するかを検証する。
• この高エネルギー物理学分類タスクにおいて、量子優位性が発現する可能性とその条件を評価する。

提案手法

• SMイベントデータにランダムスキャンブルプロセスを適用し、正規分布（スケールλfσ）を用いて特徴量を摂動することで、人工異常を生成する。
• バランスの取れた二クラスデータセットを構築：一方のクラスはSMイベント、もう一方は人工異常または実際のBSMイベント（ヒッグス粒子、重力子）である。
• 前処理として、特徴量抽出のための主成分分析（PCA）と、モデル安定性の向上のための特徴量の[−π, π]への正規化を実施する。
• 訓練データセット上で古典的および量子サポートベクタークラスファイア（CSVCおよびQSVC）を訓練し、テストセットの性能に基づいて最良のモデルを選択する。
• 最良に訓練された分類器を用いて、実際のBSMイベント（ヒッグス粒子、重力子）を含む検証セットにおける未観測の異常を検出する。
• 幾何的差分（古典的および量子カーネル行列間の差）とモデル複雑度の指標を用いてモデル性能を特徴付け、IBM Quantumハードウェア上でデポラライゼーション誤差低減を適用する。

実験結果

リサーチクエスチョン

• RQ1 人工的に生成された異常で訓練された教師あり異常検出フレームワークは、LHCデータにおける実際のBSM信号を効果的に同定できるか？
• RQ2 高エネルギー物理学データセットにおける異常検出において、量子サポートベクタークラスファイア（QSVC）の性能は、古典的対応物と比べてどのように異なるか？
• RQ3 データセットサイズおよび特徴量数の関数として、古典的および量子カーネル行列間の幾何的差分とモデル複雑度のスケーリング挙動はいかなるものか？
• RQ4 どのような条件下で、量子機械学習が新しい物理探索の異常検出タスクにおいて計算的優位性を示す可能性があるか？
• RQ5 近位量子ハードウェアにおける誤差低減は、物理学的応用における量子カーネル推定の信頼性をどの程度向上させるか？

主な発見

• スキャンブル処理を施したSMイベントで訓練された分類器は、高い精度で実際のヒッグス粒子および重力子のBSMイベントを同定でき、強力な一般化能力を示した。
• 古典的および量子カーネル行列間の幾何的差分は、訓練サンプル数Nの平方根に比例してスケーリングする傾向を示しており、量子モデルが古典モデルを上回る可能性がある領域が存在することを示唆している。
• 古典的SVCのモデル複雑度はNに対して線形に増加し、良好な学習領域であることが示された。一方、量子モデルの複雑度は桁違いに大きく、まだ完全に収束していない。
• 高い量子モデル複雑度にもかかわらず、測定された指標は量子優位性の有無を明確に支持も否定もせず、特定の条件下での可能性を残している。
• IBM Quantumデバイス ibm auckland におけるデポラライゼーション誤差低減は、量子カーネル推定の信頼性を向上させ、古典的手法との意味のある比較を可能にした。
• 本手法は、特定のBSMモデルに依存しないことで理論的バイアスを低減しつつ、現実の新しい物理信号の高精度な検出を維持している。