[论文解读] Hybrid Quantum Classical Graph Neural Networks for Particle Track Reconstruction

Cenk Tüysüz, Carla Rieger+7 more|arXiv (Cornell University)|Sep 26, 2021

Quantum Computing Algorithms and Architecture参考文献 76被引用 58

一句话总结

本文提出了一种混合量子-经典图神经网络（QGNN），用于高亮度LHC实验中的粒子轨迹重建，利用变分量子线路处理稀疏的几何探测器数据。QGNN在TrackML基准测试中的性能与经典GNN相当，尽管电路10的表达能力较低，但其在训练稳定性方面表现最优，表明通过进一步优化可能实现量子优势。

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 (HL-LHC). This increase in luminosity will significantly increase the number of particles interacting with the detector. The interaction of particles with a detector is referred to as "hit". The HL-LHC will yield many more detector hits, which will pose a combinatorial challenge by using reconstruction algorithms to determine particle trajectories from those hits. This work explores the possibility of converting a novel Graph Neural Network model, that can optimally take into account the sparse nature of the tracking detector data and their complex geometry, to a Hybrid Quantum-Classical Graph Neural Network that benefits from using Variational Quantum layers. We show that this hybrid model can perform similar to the classical approach. Also, we explore Parametrized Quantum Circuits (PQC) with different expressibility and entangling capacities, and compare their training performance in order to quantify the expected benefits. These results can be used to build a future road map to further develop circuit based Hybrid Quantum-Classical Graph Neural Networks.

研究动机与目标

• 应对高亮度LHC条件下粒子轨迹重建日益增长的计算挑战，其中经典算法扩展性差。
• 探究混合量子-经典图神经网络（QGNN）是否能在从探测器打点中重建粒子轨迹方面达到或超越经典GNN的性能。
• 评估不同参数化量子线路（PQC）架构对训练性能和模型表达能力的影响。
• 评估在NISQ时代量子硬件上用于高能物理应用（特别是轨迹重建）的可行性。

提出的方法

• 实现一种混合量子-经典GNN模型，其中量子线路在探测器打点的图结构表示中处理节点和边特征。
• 使用角度编码将经典粒子打点数据（位置、动量）映射到16个或更少量子比特的量子态上。
• 应用具有不同纠缠能力与表达能力的变分量子线路（PQCs），以编码打点之间的几何与拓扑关系。
• 使用可微分量子机器学习框架（TensorFlow Quantum）进行模型训练，并结合图注意力机制以加权边的贡献。
• 通过随机梯度下降进行优化，最多训练20个周期，使用pT截断以减少数据集大小和计算负载。
• 使用相同的预处理TrackML数据集和评估指标，将性能与经典GNN基线（HEP.TrkX）进行比较。

实验结果

研究问题

• RQ1 混合量子-经典图神经网络是否能在TrackML数据集上实现与经典GNN相当的粒子轨迹重建性能？
• RQ2 不同PQC架构（在表达能力和纠缠能力上各不相同）如何影响QGNN模型的训练稳定性与收敛性？
• RQ3 在该任务中，使用量子线路是否在模型容量或泛化能力方面相对于经典神经网络具有优势？
• RQ4 当前NISQ设备上的噪声效应和硬件限制在多大程度上制约了QGNN在高能物理中的实际部署？

主要发现

• 该混合QGNN模型在所有测试的隐藏维度大小下，验证损失性能与经典GNN基线相当，未观察到显著性能差距。
• 尽管电路10在所有测试的PQC中表达能力最低、纠缠能力最弱，但其在训练稳定性和最终损失方面始终表现最优，表明在此设置中鲁棒性优于表达能力。
• 16量子比特模型的训练时间超过一周，主要由于高内存占用和仿真开销，限制了可扩展性，因此必须通过pT截断和减少量子比特数来降低数据量。
• 随着隐藏维度大小的增加，模型性能趋于饱和，表明在某一模型深度后学习能力达到平台期。
• 由于经典硬件和仿真时间的限制，模拟被限制在16个量子比特以内，无法探索更大规模的量子模型。
• 由于技术限制，未充分探索噪声效应，但先前文献表明变分量子算法可能具有潜在的抗噪能力。