[论文解读] Quantum anomaly detection in the latent space of proton collision events at the LHC

Vasilis Belis, K. A. Wozniak+8 more|arXiv (Cornell University)|Jan 25, 2023

Particle physics theoretical and experimental studies被引用 13

一句话总结

本文提出了一个用于LHC数据异常检测的无监督量子机器学习管道，使用经典自编码器将数据映射到潜在空间，随后使用量子核机器和量子聚类，并报告在某些区域存在持续的量子优势，包括一个硬件演示。

ABSTRACT

The ongoing quest to discover new phenomena at the LHC necessitates the continuous development of algorithms and technologies. Established approaches like machine learning, along with emerging technologies such as quantum computing show promise in the enhancement of experimental capabilities. In this work, we propose a strategy for anomaly detection tasks at the LHC based on unsupervised quantum machine learning, and demonstrate its effectiveness in identifying new phenomena. The designed quantum models, an unsupervised kernel machine and two clustering algorithms, are trained to detect new-physics events using a latent representation of LHC data, generated by an autoencoder designed to accommodate current quantum hardware limitations on problem size. For kernel-based anomaly detection, we implement an instance of the model on a quantum computer, and we identify a regime where it significantly outperforms its classical counterparts. We show that the observed performance enhancement is related to the quantum resources utilised by the model.

研究动机与目标

• 在LHC上以尽量降低信号偏差的方式激发对新物理的异常检测研究。
• 开发一个在LHC数据潜在表示上运行的量子辅助异常检测管道。
• 在多种BSM情景中对量子方法与经典方法进行基准比较。
• 探究潜在空间维度和训练样本量如何影响量子与经典的性能。

提出的方法

• 使用在QCD侧带数据上训练的卷积自编码器将高维LHC事件数据投射到低维潜在空间。
• 使用新颖的数据编码电路实现无监督的量子核机器，将输入映射到量子特征空间。
• 开发两种量子聚类算法（QK-means和QK-medians），在振幅编码的量子态上工作以分配簇标签。
• 使用ROC指标和在固定信号有效性下的背景拒绝来评估异常检测性能，比较量子和经典基线。
• 在IBM量子处理器上演示量子核机器的硬件实现，以评估量子特征的可行性和质量。

Figure 1: Classical-quantum pipeline. LHC collision data (simulation) are passed through an autoencoder for dimensionality reduction followed by the quantum anomaly detection models: unsupervised quantum kernel machine and clustering algorithms (QK-means/QK-medians). Each jet contains 100 particles,

实验结果

研究问题

• RQ1 在代表性BSM情景下，自动编码LHC数据潜在空间中的无监督量子异常检测能否超越经典方法？
• RQ2 潜在空间维度和训练样本量对量子与经典异常检测性能有何影响？
• RQ3 是否存在一个可识别的区间，其中量子特征映射和电路性质（纠缠、表达性）带来实质性的量子优势？
• RQ4 在当前量子设备条件下，现实可行的量子异常检测硬件实现是否能够实现有意义的判别？

主要发现

• 在定义的参数区间内，一个无监督的量子核机器对表现最好的经典核基线显示出一致的性能优势。
• 量子性能提升与数据编码电路的本征性质（如纠缠和表达性）相关，并且对量子比特数量敏感。
• 基于聚类的量子方法（QK-means和QK-medians）在某些设定中也显示出改进，特别是在较小的训练数据集时。
• 增加潜在空间维度通常提升量子模型性能，在多次测试中最佳结果大约出现在潜在维度为8时。
• 在IBMQ上的硬件演示证实了近端设备上量子核方法的可行性，尽管由于噪声和测试统计数据的限制。
• 结果表明，在固定信号有效性下，量子模型可以拒绝更多背景事件（在一些比较中多达五倍），且优势与编码电路的量子特性相关。

Figure 2: The quantum circuits. ( a ) Data encoding circuit, $U(x)$ , that implements the feature map of the unsupervised kernel machine for a data point $x$ , where $G(\theta,\phi,\lambda)\in\text{SU(2)}$ is a general 1-qubit gate, and $x_{i}$ , for $i=0,1,\dots,n$ , denotes the elements of the inp