Quantum anomaly detection in the latent space of proton collision events at the LHC

要約

LHC で新たな現象を発見するという継続的な探求には、アルゴリズムとテクノロジーの継続的な開発が必要です。
機械学習などの確立されたアプローチと、量子コンピューティングなどの新興テクノロジーは、実験能力の強化において有望です。
この研究では、教師なし量子機械学習に基づいた LHC での異常検出タスクの戦略を提案し、新しい現象の特定におけるその有効性を実証します。
設計された量子モデル、教師なしカーネル マシン、および 2 つのクラスタリング アルゴリズムは、問題サイズに関する現在の量子ハードウェア制限に対応するように設計されたオートエンコーダーによって生成された LHC データの潜在表現を使用して、新しい物理イベントを検出するようにトレーニングされています。
カーネルベースの異常検出では、モデルのインスタンスを量子コンピューターに実装し、従来の対応物よりも大幅に優れたパフォーマンスを示す領域を特定します。
観察されたパフォーマンスの向上は、モデルで利用される量子リソースに関連していることを示します。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google