Classical Hardware Acceleration of Quantum Autoencoders for Real-Time Anomaly Detection in Collider Experiments

Resumen Técnico: Aceleración de Hardware Clásico de Autoencoders Cuánticos para la Detección de Anomalías en Tiempo Real en Experimentos de Colisionadores

Planteamiento del Problema
Los experimentos de Física de Altas Energías (HEP), como el Gran Colisionador de Hadrones (LHC), enfrentan desafíos extremos de rendimiento de datos, generando decenas de terabytes por segundo. Para gestionar esto, los sistemas de disparadores (triggers) multicapa deben filtrar eventos en tiempo real, reduciendo las tasas de datos a niveles adecuados para el almacenamiento. Si bien el aprendizaje automático (ML) clásico es ubicuo en este dominio, el Aprendizaje Automático Cuántico (QML) ofrece una alternativa prometedora para la detección de señales raras de Más Allá del Modelo Estándar (BSM). Estas señales a menudo se manifiestan como correlaciones sutiles, de alta dimensión y de largo alcance que los algoritmos de QML pueden representar eficientemente con menos parámetros. Sin embargo, desplegar modelos de QML en disparadores de colisionadores en tiempo real requiere emular circuitos cuánticos en aceleradores de hardware de baja latencia, específicamente en FPGAs (Field-Programmable Gate Arrays), que son el estándar en los sistemas de disparadores (por ejemplo, ATLAS Level-1). El desafío radica en demostrar que los modelos de QML pueden lograr un rendimiento físico comparable a los métodos clásicos de vanguardia, satisfaciendo al mismo tiempo las estrictas restricciones de recursos y tiempos de despliegue en FPGA.

Metodología
El estudio evalúa modelos de Autoencoder Variacional Cuántico (QAE) para la detección de anomalías (AD) utilizando un conjunto de datos de colisiones protón-protón simuladas en el LHC. El conjunto de datos incluye un fondo de eventos de multichorros de Cromodinámica Cuántica (QCD) y cuatro procesos de señal BSM distintos (que involucran bosones escalares y leptoquarks).

1. Incrustación de Partículas (Particle Embedding): Los eventos se representan mediante 5ం 56 características de valores reales que describen 19 objetos reconstruidos (electrones, muones, chorros/jets y energía transversal faltante). Siguiendo una convención de "una partícula, un qubit", estas características se codifican en estados cuánticos utilizando puertas de rotación de un solo qubit parametrizadas ($R_X, R_Y, R_Z$). Para acomodar los límites de recursos de la FPGA, el registro de 19 qubits se descompone en bloques más pequeños: 1 qubit para la energía faltante, 4 para electrones, 4 para muones, y dos bloques independientes de 5 qubits para los diez chorros. Esta descomposición evita el costo exponencial de memoria de un estado vectorial de 10 chorros totalmente entrelazado.
2. Arquitecturas de Modelos:
   • VAE Híbrido Cuántico-Clásico: Este modelo reemplaza la primera capa densa de un Autoencoder Variacional clásico con circuitos cuánticos parametrizados (PQC) de estructura de bloques. Los bloques cuánticos codifican las características de las partículas y aplican entrelazamiento, entregando un vector de características de 32 dimensiones de observables de Pauli medidas. Este vector es procesado por capas densas clásicas para mapearlo a un espacio latente gaussiano de 3 dimensiones. La puntuación de anomalía es la divergencia de Kullback-Leibler (KL) recortada.
   • Autoencoder Totalmente Cuántico (QAE): Este modelo elimina todas las capas clásicas. Utiliza la misma partición de bloques por tipo de partícula, pero procesa los datos enteramente dentro de circuitos cuánticos. El objetivo es comprimir los eventos de fondo en qubits latentes mientras se empuja los cables de "basura" (trash wires) hacia el estado $|0\rangle$. Las puntuaciones de anomalía se derivan de las probabilidades de excitación de estos cables de basura, normalizadas contra las estadísticas del fondo.
3. Entrenamiento: Ambos modelos se entrenan utilizando únicamente datos de fondo mediante el optimizador Adam. El VAE híbrido minimiza una pérdida ELBO estándar, mientras que el QAE minimiza una "pérdida z" (z-loss) para suprimir las excitaciones de los cables de basura en los eventos de fondo.
4. Síntesis de FPGA: Los modelos entrenados se cuantizan a aritmética de punto fijo y se sintetizan para la FPGA Xilinx Alveo U200. La síntesis apunta a un ciclo de reloj de 5.5 ns. Los autores utilizaron herramientas de IA agéntica para optimizar el uso de recursos, asegurando que el diseño quepa dentro de una única Región de Lógica Super (SLR) de la FPGA mientras se minimiza la latencia.

Contribuciones Clave

• Primera Implementación en FPGA para Disparadores de HEP: Este trabajo presenta una de las primeras implementaciones de modelos de QML diseñados específicamente para aplicaciones de disparadores de HEP en FPGAs.
• Arquitecturas Híbridas y Totalmente Cuánticas: El estudio compara un VAE híbrido cuántico-clásico contra un autoencoder totalmente cuántico, demostrando que ambos pueden ser emulados efectivamente en hardware clásico.
• Optimización de Recursos Restringidos: El artículo detalla la descomposición de grandes registros cuánticos en subbloques más pequeños para hacer que la simulación y la síntesis de FPGA sean factibles dentro de las restricciones de tiempo real.
• Evaluación de Extremo a Extremo (End-to-End): El estudio proporciona una evaluación exhaustiva del rendimiento físico (AUC y TPR) junto con métricas de hardware (latencia, LUTs, DSPs, FFs).

Resultos

• Rendimiento Físico: Ambos modelos logran un rendimiento de detección de anomalías comparable o superior a los métodos de ML clásicos de vanguardia. El VAE Híbrido generalmente muestra un Área Bajo la Curva (AUC) más alta, mientras que el QAE está optimizado específicamente para el régimen de baja tasa de falsos positivos (FPR) relevante para los disparadores. Ambos modelos mantienen una Tasa de Verdaderos Positivos (TPR) competitiva a una eficiencia de fondo fija de $10^{-5}$ en los cuatro modelos de señal BSM.
• Cuantización y Síntesis: El análisis de cuantización de punto fijo revela que, si bien el AUC puede inflarse artificialmente o mantenerse estable en precisiones más bajas, la métrica TPR@$10^{-5}$ es un indicador más fiel del rendimiento de despliegue.
• Latencia y Recursos:
  • El VAE Híbrido logra una latencia de 6.1 µs y utiliza 208,976 LUTs y 1,528 DSPs.
  • El QAE logra una latencia significativamente menor de 0.47 µs (por debajo de 1 µs) con 249,777 LUTs y 1,234 DSPs.
  • Ambos modelos caben dentro de una sola SLR de la FPGA.
• Comparación de Hardware: En latencia de inferencia por evento, la implementación en FPGA es la opción más rápida para un tamaño de lote (batch size) de uno (el régimen de operación del disparador). Sin embargo, para tamaños de lote más grandes, las implementaciones de CPU y GPU multihilo superan a la FPGA en rendimiento (throughput), lo cual es consistente con la observación de que la emulación en FPGA es ventajosa para registros cuánticos pequeños donde el trabajo por evento es limitado.

Significancia y Reivindicaciones
El artículo sostiene que este trabajo demuestra la viabilidad de desplegar modelos de QML para la detección de anomalías en tiempo real en futuros experimentos de colisionadores sin sacrificar la sensibilidad a las firmas raras de BSM. Al sintetizar con éxito estos modelos en FPGAs y cumplir con los estrictos presupuestos de latencia y recursos, el estudio sugiere que los modelos listos para la era cuántica pueden integrarse en las tuberías de adquisición de datos clásicas actuales. Los autores posicionan esto como un paso hacia la "preparación cuántica" de la infraestructura de colisionadores, permitiendo modelos de mayor capacidad en los sistemas de disparadores mientras se aprovecha la eficiencia de los algoritmos cuánticos representados en aceleradores de hardware clásicos. El trabajo no pretende reemplazar los métodos clásicos, sino complementarlos, ofreciendo un camino para una exploración fundamentalmente nueva del espacio de fases de BSM bajo las restricciones del filtrado de datos en tiempo real.