[论文解读] Unravelling physics beyond the standard model with classical and quantum anomaly detection

Julian Schuhmacher, Laura Boggia+8 more|arXiv (Cornell University)|Jan 25, 2023

Anomaly Detection Techniques and Applications参考文献 51被引用 1

一句话总结

本文提出了一种新颖的监督异常检测框架，用于在大型强子对撞机（LHC）中发现标准模型（SM）之外的新物理（BSM）现象，通过随机混淆过程生成的人工异常进行训练。通过在这些合成异常上训练经典和支持向量分类器（CSVC）与量子支持向量分类器（QSVC），该方法在识别真实BSM信号方面实现了高精度，表明在人工异常上训练的模型能够有效泛化至真实的新物理事件。

ABSTRACT

Much hope for finding new physics phenomena at microscopic scale relies on the observations obtained from High Energy Physics experiments, like the ones performed at the Large Hadron Collider (LHC). However, current experiments do not indicate clear signs of new physics that could guide the development of additional Beyond Standard Model (BSM) theories. Identifying signatures of new physics out of the enormous amount of data produced at the LHC falls into the class of anomaly detection and constitutes one of the greatest computational challenges. In this article, we propose a novel strategy to perform anomaly detection in a supervised learning setting, based on the artificial creation of anomalies through a random process. For the resulting supervised learning problem, we successfully apply classical and quantum Support Vector Classifiers (CSVC and QSVC respectively) to identify the artificial anomalies among the SM events. Even more promising, we find that employing an SVC trained to identify the artificial anomalies, it is possible to identify realistic BSM events with high accuracy. In parallel, we also explore the potential of quantum algorithms for improving the classification accuracy and provide plausible conditions for the best exploitation of this novel computational paradigm.

研究动机与目标

• 解决在以标准模型（SM）背景事件为主导的海量LHC数据集中识别稀有新物理信号的挑战。
• 通过引入最小理论偏见的监督学习策略，克服纯无监督异常检测方法的局限性。
• 开发一种从SM事件中生成人工异常的方法，以训练分类器，而无需依赖特定BSM理论假设。
• 研究量子机器学习，特别是QSVC，在异常检测性能上相较于经典方法的潜力。
• 评估在何种条件下，量子优势可能在这一高能物理分类任务中实现。

提出的方法

• 通过在SM事件数据上应用随机混淆过程，人工生成异常，通过均值为0、尺度为λfσ的正态分布扰动特征。
• 构建平衡的二分类数据集：一类为SM事件，另一类为人工异常或真实BSM事件（Higgs，Graviton）。
• 应用预处理：使用主成分分析（PCA）进行特征提取，并将特征归一化至[−π, π]区间，以提升模型稳定性。
• 在训练数据集上训练经典和支持向量分类器（CSVC和QSVC），根据测试集表现选择性能最佳的模型。
• 使用最佳训练好的分类器，在包含真实BSM事件（Higgs，Graviton）的验证集中检测未见过的异常。
• 通过经典与量子核矩阵之间的几何差异及模型复杂度指标表征模型性能，并在IBM Quantum硬件上应用去极化误差缓解。

实验结果

研究问题

• RQ1 在人工生成异常上训练的监督异常检测框架，能否成功识别LHC数据中真实BSM信号？
• RQ2 在高能物理数据集中检测异常时，量子支持向量分类器（QSVC）的性能与经典方法相比如何？
• RQ3 随着数据集大小和特征数量的变化，经典与量子核矩阵之间的几何差异及模型复杂度的缩放行为如何？
• RQ4 在何种条件下，量子机器学习可能在新物理搜索的异常检测中提供计算优势？
• RQ5 在近场量子硬件上进行误差缓解，在多大程度上提升了量子核估计的可靠性，以支持物理应用？

主要发现

• 在人工混淆SM事件上训练的分类器能够以高精度成功识别真实Higgs和Graviton BSM事件，展现出强大的泛化能力。
• 经典与量子核矩阵之间的几何差异近似与√N成正比，其中N为训练样本数，表明存在量子模型可能超越经典模型的区域。
• 经典SVC的模型复杂度随N线性增长，表明学习过程表现良好；而量子模型复杂度高出多个数量级，且尚未完全收敛。
• 尽管量子模型复杂度极高，但测量指标既不能明确支持也不能排除量子优势，表明在特定条件下仍存在可能性。
• 在IBM Quantum设备ibm auckland上应用去极化误差缓解，显著提升了量子核估计的可靠性，使与经典结果的比较具有实际意义。
• 所提出的方法通过避免依赖特定BSM模型，降低了异常检测中的理论偏见，同时保持了对真实新物理信号的高检测精度。