[论文解读] Artificial Primary Vertexing Data

Souvik Das, Andrew Wildridge+2 more|arXiv (Cornell University)|May 5, 2020

Particle physics theoretical and experimental studies被引用 11

一句话总结

本文提出了一种完全基于量子退火的原初顶点重建方法，应用于强子对撞机实验，使用 D-Wave 2000Q 量子处理器。研究展示了在 Chimera 架构上的确定性图嵌入，优化了耦合强度和退火时间，并在最多 56 个逻辑量子比特（665 个物理量子比特）的问题中，实现了相对于经典模拟退火的量子优势，提升了沿束流轴方向聚类轨迹位置的效率。

ABSTRACT

This data set contains the positions of artificial vertex positions and the associated particle tracks within the Compact Muon Solenoid (CMS) particle detector located at the Large Hadron Collider (LHC). A Gaussian with a width of 35 mm is used to approximate the vertex position distribution. The z₀ parameter of the artificial particle tracks is also sampled from a Gaussian centered around the sampled vertex position with a width determined from track resolutions reported by the CMS Collaboration in "Description and performance of track and primary-vertex reconstruction with the CMS tracker" (2014). The widths of the z₀ Gaussian distribution are dependent on the momentum of the particle tracks, which are also sampled from the reported distribution in the aforementioned paper. The zipped data set contains 100 samples for a given number of primary vertices and particle tracks. Seven different configurations for a given number of primary vertices and particle tracks are included, giving a total number of 700 samples to analyze. Each sample is a JSON file containing the primary vertex location and the associated tracks with their positions and uncertainties. Below is an example code in Python to load the data set: <pre><code class="language-python">inputFile = open(filename) d_vertextracks = json.load(inputFile) zT_i = [] zT_unc_i = [] for vertexTracks in d_vertextracks: primary_vertex = vertexTracks[0] tracks = vertexTracks[1] for i in tracks: zT_i.append(i[0]) zT_unc_i.append(i[1]) print(str(i[0])+" "+str(i[1]))</code></pre>

研究动机与目标

• 解决高亮度 LHC 事件中每 train 交叉存在多个质子-质子碰撞时的原初顶点重建挑战。
• 开发一种完全基于量子退火的算法，用于沿束流轴（z0）的轨迹聚类，避免使用经典-量子混合方法。
• 在物理设备上展示量子退火在高能物理应用中的可行性与性能，使用模拟 CMS 探测器数据的人工事件。
• 在相同时间约束下，将量子方法与经典模拟退火进行基准测试，以评估量子优势。
• 建立适用于当前及未来量子退火器的可推广的嵌入与优化技术，用于聚类问题。

提出的方法

• 使用带有偏置（hi）和耦合（Jij）的问题哈密顿量，将轨迹聚类问题表述为无约束二次二值优化（QUBO）问题，以编码轨迹与顶点的关联关系。
• 实施一种确定性的图嵌入策略，将逻辑顶点映射到 D-Wave Chimera 架构上的物理量子比特，保留问题结构并最小化链条断裂。
• 通过使用形函数 g(x; m) 优化逻辑量子比特内的耦合强度，以增强能隙并降低退火过程中反交叉的概率。
• 通过经验调优确定最优退火时间，以最大化每种事件拓扑结构的成功概率。
• 在物理 D-Wave 2000Q 处理器上执行量子退火过程，并将结果与 CPU 上的经典模拟退火进行比较，每轮退火时间保持一致。

实验结果

研究问题

• RQ1 在物理量子处理器上执行时，完全基于量子退火的算法是否能在原初顶点重建中实现与经典模拟退火相当的性能？
• RQ2 在此应用中，量子优势所对应的最大问题规模（以逻辑量子比特计）是多少？
• RQ3 优化后的耦合强度和退火时间如何影响该聚类任务中量子退火的成功率与效率？
• RQ4 在 D-Wave Chimera 架构上，确定性图嵌入是否能有效应用于高能物理聚类问题，且链条断裂最少？
• RQ5 量子退火方法在多大程度上可扩展至 HL-LHC 相关的更大事件拓扑结构？性能退化的主因是什么？

主要发现

• 量子退火算法在最多 56 个逻辑量子比特的问题中，实现了相对于经典模拟退火的量子优势，对应平均 665 个物理量子比特。
• 对于 2 个顶点、10 条轨迹的拓扑结构，D-Wave QPU 的渐近效率为 0.98 ± 0.00，优于模拟退火（0.95 ± 0.00）和确定性退火（0.94 ± 0.01）。
• 对于 2 个顶点、28 条轨迹的拓扑结构，QPU 效率下降至 0.62 ± 0.02，而模拟退火下降至 0.24 ± 0.02，表明性能差距随复杂度增加而扩大。
• 在 2 个顶点、10 条轨迹的情况下，D-Wave QPU 的邓恩指数拐点（性能显著下降的起始点）出现在 8.0 ± 0.3，而模拟退火为 19 ± 8。
• 在 2 个顶点、10 条轨迹的情况下，QPU 的效率与邓恩指数曲线斜率为 0.33 ± 0.03，高于模拟退火的 0.40 ± 0.01，表明其性能下降更快，但也更早达到峰值。
• 本研究识别出链条冻结和反交叉可能是高复杂度下性能退化的潜在原因，建议未来通过优化退火时序或增强能隙的技术进行改进。