[论文解读] Quantum Algorithms for Charged Particle Track Reconstruction in the LUXE Experiment

Arianna Crippa, Lena Funcke+9 more|arXiv (Cornell University)|Jan 1, 2023

Quantum Computing Algorithms and Architecture被引用 3

一句话总结

本文研究了在LUXE实验中利用基于量子比特的量子计算进行带电粒子径迹重建的可行性，采用变分量子本征求解器（VQE）求解无约束二次二值优化（QUBO）问题，并应用量子图神经网络（QGNNs）。在经典模拟及IBM的ibm_nairobi硬件上，基于VQE的QUBO方法在重建效率方面表现具有竞争力，但在高多重性条件下虚假率较高；而QGNNs则受限于当前NISQ设备的性能。

ABSTRACT

The LUXE experiment is a new experiment in planning in Hamburg, which will study quantum electrodynamics at the strong-field frontier. LUXE intends to measure the positron production rate in this unprecedented regime using, among others, a silicon tracking detector. The large number of expected positrons traversing the sensitive detector layers results in an extremely challenging combinatorial problem, which can become computationally expensive for classical computers. This paper investigates the potential future use of gate-based quantum computers for pattern recognition in track reconstruction. Approaches based on a quadratic unconstrained binary optimisation and a quantum graph neural network are investigated in classical simulations of quantum devices and compared with a classical track reconstruction algorithm. In addition, a proof-of-principle study is performed using quantum hardware.

研究动机与目标

• 探索基于量子比特的量子算法在LUXE实验高多重性环境下的带电粒子径迹重建可行性。
• 应对在强场QED实验中预期出现极高正电子多重性条件下，组合式径迹重建所面临的计算挑战。
• 从效率、虚假率和能量分辨率等方面，对比量子方法（VQE-QUBO与QGNN）与经典追踪算法的表现。
• 通过经典模拟和在真实NISQ时代量子硬件（ibm_nairobi）上的原理验证实验，验证量子算法的性能。

提出的方法

• 开发了一套独立的LUXE硅像素追踪器快速模拟程序，用于生成每束团簇最多约10,000个正电子的逼真事件数据。
• 通过使用二值变量表示三重态候选关联，将径迹重建问题建模为QUBO问题，并利用在模拟和真实量子设备上运行的VQE进行优化。
• 实现了一种基于QGNN的方法用于径迹重建中的模式识别，利用图结构数据建模粒子打点及其空间关系。
• 采用校准矩阵实施测量误差缓解技术，以提高ibm_nairobi量子处理器上结果的保真度。
• 使用包含参数化量子线路与经典优化器的混合量子-经典优化流水线，以最小化代价函数。
• 通过重建效率、虚假率和能量分辨率等指标，在不同粒子多重性条件下评估性能表现。

实验结果

研究问题

• RQ1 基于VQE的QUBO优化方法在高多重性LUXE事件中，是否在效率方面优于经典径迹重建方法？
• RQ2 与经典方法相比，量子辅助重建的虚假率如何随粒子多重性的增加而变化？
• RQ3 当前NISQ设备上基于QGNN的径迹重建性能极限是什么？其在量子比特数量和电路深度方面面临哪些限制？
• RQ4 测量误差缓解技术在提升真实硬件上量子径迹重建可靠性方面的有效性如何？
• RQ5 问题分解策略（如基于影响的排序）在多大程度上提升了量子径迹重建算法的可扩展性？

主要发现

• 在经典模拟中，基于VQE的QUBO方法在高多重性条件下实现了略高于经典算法的重建效率。
• 在高多重性条件下，VQE方法的虚假率显著上升，最高比经典方法高出20%。
• 在ibm_nairobi量子处理器上，VQE结果与理想模拟结果表现出强烈相关性，经过误差缓解后，正确解（0001111）成为最可能的输出结果。
• 由于当前NISQ硬件在量子比特数量和电路深度上的限制，QGNN方法无法在数千个以上带电粒子的情况下进行有效评估。
• 基于影响的排序策略导致大量平凡的子QUBO问题（无相互作用三重态），表明需要改进问题分解策略。
• VQE中优化器的选择对找到真实最小值的概率有显著影响，凸显了未来实现中需谨慎调整超参数的重要性。