[论文解读] Charged particle tracking with quantum annealing-inspired optimization

Alexander Zlokapa, Anand Abhishek+5 more|arXiv (Cornell University)|Aug 13, 2019

Advanced Data Storage Technologies参考文献 46被引用 16

一句话总结

本文提出了一种受量子退火启发的方法，用于高亮度LHC的带电粒子轨迹重建，将Denby-Peterson网络重新表述为无约束二次二值优化（QUBO）问题。通过在D-Wave 2X系统上使用模拟退火和量子退火，该方法成功实现了具有竞争力的效率与纯度的轨迹重建，证明了未来针对特定硬件实现的可行性，并为未来实现量子加速留下了可能。

ABSTRACT

At the High Luminosity Large Hadron Collider (HL-LHC), traditional track reconstruction techniques that are critical for analysis are expected to face challenges due to scaling with track density. Quantum annealing has shown promise in its ability to solve combinatorial optimization problems amidst an ongoing effort to establish evidence of a quantum speedup. As a step towards exploiting such potential speedup, we investigate a track reconstruction approach by adapting the existing geometric Denby-Peterson (Hopfield) network method to the quantum annealing framework and to HL-LHC conditions. Furthermore, we develop additional techniques to embed the problem onto existing and near-term quantum annealing hardware. Results using simulated annealing and quantum annealing with the D-Wave 2X system on the TrackML dataset are presented, demonstrating the successful application of a quantum annealing-inspired algorithm to the track reconstruction challenge. We find that combinatorial optimization problems can effectively reconstruct tracks, suggesting possible applications for fast hardware-specific implementations at the LHC while leaving open the possibility of a quantum speedup for tracking.

研究动机与目标

• 应对高亮度LHC因堆叠效应（每束团簇交叉最多200个相互作用）导致的轨迹重建计算负担日益增加的问题。
• 探索量子退火是否能为轨迹重建的组合优化问题提供可扩展的解决方案。
• 将经典的Denby-Peterson（Hopfield）网络方法适配至量子退火框架，用于粒子轨迹追踪。
• 开发映射技术，将轨迹问题映射到近期量子退火硬件上，其比特数和连通性有限。
• 使用TrackML数据集，证明使用量子退火和模拟退火进行轨迹重建的可行性。

提出的方法

• 将轨迹重建问题表述为QUBO（无约束二次二值优化）问题，其中二值变量表示打点与轨迹的关联。
• 利用物理和统计特征——如轨迹螺旋度、动量、相互作用点位置，以及基于高斯核密度估计推导的边对齐偏差——定义QUBO权重。
• 应用经典预处理以通过识别不相交子图来减小问题规模，并在更小、可管理的组件上实现迭代退火。
• 在D-Wave 2X量子退火器上实现QUBO，并与经典模拟退火结果进行对比以验证。
• 采用参数化QUBO公式，无需存储模拟轨迹模式，与以往的量子关联记忆方法不同。
• 利用经典退火硬件（如FPGA、相干自旋机）作为量子硬件的可扩展替代方案，用于初步轨迹追踪。

实验结果

研究问题

• RQ1 Denby-Peterson网络能否在高亮度LHC轨迹重建背景下，被有效重构为适合量子退火的QUBO问题？
• RQ2 在TrackML等真实世界数据集上，量子退火在轨迹重建效率和纯度方面是否优于经典模拟退火？
• RQ3 在比特数和连通性受限的当前量子退火硬件上，哪些映射和问题约简策略对大规模粒子追踪问题有效？
• RQ4 在无需完全收敛至基态解的情况下，量子退火在轨迹重建中能在多大程度上实现具有竞争力的性能？
• RQ5 经典退火硬件（如FPGA、相干自旋机）能否作为高能物理实时追踪中量子退火的实际替代品或前导方案？

主要发现

• 基于QUBO的受量子退火启发的方法在D-Wave 2X系统上成功实现了TrackML数据集中的带电粒子轨迹重建，达到了具有竞争力的效率与纯度。
• 模拟退火与量子退火结果相近，表明QUBO公式对轨迹重建具有鲁棒性和有效性。
• 通过识别不相交子图实现的问题分解，使得在比特数有限的当前量子硬件上可扩展处理大规模轨迹问题成为可能。
• 从D-Wave退火器获得的自旋态表明，即使未完全收敛至基态，也能找到近似最优解，显示出实际应用价值。
• 如FPGA和相干自旋机等经典退火硬件可编码比当前D-Wave系统更大的全连接问题，为实时追踪提供了可行路径。
• 该方法仍保留实现量子加速的可能性，本研究未发现加速证据，但未来在高亮度对撞机环境中具有强大应用潜力。