⚛️ experimentos de altas energías

A comparative study of variational quantum classifiers and classical machine learning for $tW-t\bar{t}$ discrimination at the LHC

Este estudio evalúa el rendimiento de los Clasificadores Cuánticos Variacionales frente a los Árboles de Decisión Potenciados clásicos y los Perceptrones Multicapa para discriminar la señal $tW$ del fondo $t\bar{t}$ en datos de la Run-2 del LHC, identificando regímenes de análisis específicos donde los modelos de inspiración cuántica ofrecen capacidades de discriminación competitivas.

Autores originales: Rohan Hindocha, Priyanka

Publicado 2026-10-19

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Rohan Hindocha, Priyanka

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el Gran Colisionador de Hadrones, una enorme máquina enterrada bajo la frontera entre Francia y Suiza, los científicos chocan protones entre sí a casi la velocidad de la luz para recrear las condiciones del universo temprano. Entre los billones de colisiones que ocurren, un evento raro implica la creación de un quark top, la partícula elemental más pesada conocida, producida junto con un bosón W. Esta combinación específica, conocida como el canal tW, es un laboratorio crucial para probar el Modelo Estándar de la física y buscar nuevas fuerzas desconocidas. Sin embargo, encontrar esta señal rara es como intentar oír un único susurro en un estadio rugiente. El quark top producido de esta manera se ve casi idéntico a un evento mucho más común donde un par de quarks top se crean y se destruyen inmediatamente. Distinguir la señal rara del abrumador fondo de estos pares comunes es uno de los desafíos más difíciles de la física de partículas moderna.

Durante décadas, los físicos han dependido de potentes algoritmos informáticos clásicos para clasificar estos datos, utilizando técnicas que imitan los árboles de decisión o las redes neuronales para detectar las sutiles diferencias entre los dos tipos de eventos. Recientemente, una nueva herramienta ha surgido del ámbito de la computación cuántica: el clasificador cuántico variacional. Este es un sistema híbrido que utiliza las extrañas reglas de la mecánica cuántica, donde las partículas pueden existir en múltiples estados a la vez, para procesar información. Si bien estas computadoras cuánticas aún están en su infancia y actualmente son demasiado ruidosas para manejar las enormes cargas de datos de un colisionador real, los investigadores querían saber si la lógica matemática detrás de ellas podría ofrecer una ventaja sobre los métodos clásicos establecidos. Para probar esto, un equipo de físicos de la Universidad de Delhi simuló un escenario realista utilizando datos abiertos de la segunda ejecución del colisionador, enfrentando el nuevo algoritmo de inspiración cuántica contra los dos mejores modelos clásicos con mayor rendimiento: el árbol de decisión potenciado (boosted decision tree) y el perceptrón multicapa.

Los investigadores se centraron en dos formas distintas en las que las partículas pueden aparecer tras una colisión. En el primer escenario, las partículas se desintegran en electrones y muones, creando una señal relativamente limpia que es más fácil de detectar pero más rara. En el segundo escenario, más común, las partículas se desintegran en chorros (jets) de otras partículas, creando un entorno desordenado y congestionado que es mucho más difícil de analizar. Dividieron los datos en diferentes categorías basadas en cuántas partículas se detectaron y si esas partículas se movían lentamente o estaban "potenciadas" (boosted) a velocidades extremadamente altas. Para cada una de estas categorías, entrenaron los tres modelos informáticos para aprender la diferencia entre la rara señal tW y el fondo común de pares de quarks top. El objetivo no era solo ver qué modelo cometía menos errores, sino ver cuál podía maximizar la significancia estadística del descubrimiento, encontrando esencialmente el punto ideal donde se conserva la mayor cantidad de señal mientras se descarta la mayor cantidad de fondo.

Los resultados de esta comparación fueron sorprendentemente equilibrados. En el canal limpio de electrón-muón, los tres modelos funcionaron de forma casi idéntica. El clasificador cuántico fue tan bueno como los árboles de decisión clásicos y las redes neuronales para separar la señal del fondo, sin que hubiera una ventaja estadística para ningún enfoque individual. En los canales hadrónicos, más complejos y desordenados, el panorama fue ligeramente más matizado. En el régimen donde las partículas se mueven a velocidades moderadas, la red neuronal clásica y el clasificador cuántico mostraron una ligera ventaja sobre los árboles de decisión, aunque la diferencia fue lo suficientemente pequeña como para atribuirse a la variación estadística aleatoria en lugar de a una superioridad fundamental. En el régimen donde las partículas se mueven a velocidades muy altas, los árboles de decisión parecieron encontrar un pico más agudo en la significancia, pero este pico era inestable y fluctuaba salvajemente, lo que lo hacía poco fiable. El clasificador cuántico y la red neuronal, por el contrario, produjeron curvas más suaves y estables que mantenían un nivel de rendimiento constante.

En última instancia, el estudio demuestra que el clasificador cuántico variacional es una herramienta viable para la física de altas energías, capaz de igualar el rendimiento de los mejores algoritmos clásicos actualmente en uso. Los investigadores encontraron que, si bien el modelo cuántico no superó drásticamente a los otros en esta simulación específica, tampoco se quedó atrás. Navegó con éxito por los datos complejos y de alta dimensión de las colisiones de partículas sin perder estabilidad. Esto sugiere que a medida que el hardware cuántico madure y sea capaz de manejar datos del mundo real, estos algoritmos no necesitarán reinventar la rueda para ser útiles; pueden intervenir y realizar las mismas tareas críticas de clasificación que las herramientas clásicas, ofreciendo potencialmente nuevas formas de manejar las correlaciones únicas en los datos de partículas que las computadoras clásicas luchan por ver. Por ahora, el clasificador cuántico se posiciona como un compañero prometedor de los métodos establecidos, listo para ser probado más a fondo a medida que la tecnología evolucione.

Resumen Técnico: Un Estudio Comparativo de Clasificadores Cuánticos Variacionales y Aprendizaje Automático Clásico para la Discriminación entre $tW$ y $t\bar{t}$ en el LHC

Planteamiento del Problema
Las mediciones precisas de la producción de quark top único en el canal asociado $tW$ en el Gran Colisionador de Hadrones (LHC) se ven dificultadas por el dominante fondo de top-antitop ( $t\bar{t}$ ). Las topologías de estado final de los procesos $tW$ y $t\bar{t}$ son altamente similares, particularmente debido a la Radiación de Estado Inicial (ISR), la Radiación de Estado Final (FSR) y los efectos de reconstrucción del detector, lo que convierte la separación en un problema de clasificación desafiante. Si bien los algoritmos de aprendizaje automático (ML) clásicos como los Árboles de Decisión Potenciados (BDTs) y los Perceptrones Multicapa (MLPs) son herramientas estándar para esta tarea, el surgimiento del Aprendizaje Automático Cuántico (QML) ha impulsado una investigación sobre si los Clasificadores Cuánticos Variacionales (VQC) pueden ofrecer un rendimiento competitivo. Este estudio tiene como objetivo evaluar el rendimiento de los VQC frente a métodos clásicos establecidos para la tarea específica de distinguir eventos de señal $tW$ de eventos de fondo $t\bar{t}$ utilizando CMS Open Data (Run-2, 13 TeV).

Metodología
El estudio utiliza eventos simulados mediante Monte Carlo del portal CMS Open Data. El análisis se divide en tres regímenes topológicos distintos:

Canal dileptónico $e-\mu$ : Caracterizado por dos leptones y energía transversa faltante. Los eventos se categorizan en regiones basadas en la multiplicidad de jets y de etiquetas $b$ (específicamente $2j1b$ y $2j2b$ ).
Régimen Hadrónico Resuelto: Eventos donde los quarks top tienen un momento transverso menor, lo que resulta en jets resueltos y distintos (AK4).
Régimen Hadrónico Boosted (Impulsado): Eventos con quarks top altamente impulsados, donde los productos de desintegración se fusionan en jets de radio grande (AK8).

Preparación de Datos y Características:

Señal: Eventos $tW$ y $\bar{t}W$ .
Fondo: Principalmente $t\bar{t}$ , con fondos adicionales ( $W$ +jets, multijets QCD, $t$ -channel single top) suprimidos mediante cortes de selección basados en la física.
Tratamiento de la Interferencia: Se aplica el esquema de Eliminación de Diagramas (DR) a las muestras de $tW$ para evitar la doble cuenta de contribuciones resonantes tipo $t\bar{t}$ .
Conjuntos de Características: Los modelos se entrenan en variables cinemáticas (p. ej., $H_T$ , $M_{top}$ , $\Delta R$ , variables de subestructura como $\tau_{21}$ y masa soft-drop) y la región del análisis misma. Las características se escalan al rango $[0, \pi]$ para acomodar las puertas de rotación periódica.

Arquitecturas de Modelos:

BDT: Implementado mediante XGBoost con 50 estimadores y una profundidad máxima de árbol de 2.
MLP: Una red basada en PyTorch con cuatro capas ocultas (128, 128, 64, 32 neuronas) utilizando activación ReLU y regularización L2.
VQC: Implementado utilizando el framework PennyLane con una interfaz de PyTorch. La arquitectura emplea un ansatz de "StronglyEntanglingLayers". Las características de entrada se codifican en qubits mediante puertas de rotación $R_y$ y $R_z$ . El circuito incluye capas alternas de rotaciones parametrizadas y puertas de entrelazamiento CNOT (10 capas para los canales $e-\mu$ y resuelto). La salida se deriva del valor de la expectativa del operador Pauli-Z.
Entrenamiento: Todos los modelos utilizan el optimizador Adam, pérdida de Entropía Cruzada Binaria (ponderada por luminosidad de eventos) y una división de entrenamiento-prueba de 70:30. El VQC se simula utilizando el simulador de vector de estado ideal default.qubit, que representa un límite superior de rendimiento sin ruido de hardware.

Resultos Clave
El rendimiento de los tres clasificadores fue evaluado utilizando métricas estándar de ML (AUC, Poder de Separación) y métricas motivadas por la física (Significancia Máxima $Z_{max}$ , Ganancia de Significancia, Significancia Integrada).

Canal Dileptónico $e-\mu$ : Los tres modelos (BDT, MLP, VQC) demostraron un rendimiento estadísticamente indistinguible. Los valores de AUC oscilaron entre 0.61 y 0.69 dependiendo de la región, sin ventaja significativa para ninguna arquitectura específica.
Régimen Hadrónico Boosted: Los modelos basados en redes neuronales (MLP y VQC) mostraron valores de AUC y poder de separación ligeramente superiores al BDT en la región enriquecida en señal ( $1b$ ). En la región enriquecida en fondo ( $2b$ ), el VQC exhibió el mayor poder de separación. Sin embargo, el BDT produjo picos muy agudos en las curvas de significancia que fueron altamente inestables (grandes incertidumbres de bootstrap), mientras que el MLP y el VQC proporcionaron curvas de significancia más estables. La Significancia Integrada se mantuvo estadísticamente consistente en todos los modelos.
Régimen Hadrónico Resuelto: El MLP logró los valores centrales más altos para AUC y poder de separación en la región de señal, aunque las diferencias con BDT y VQC estuvieron dentro de las incertidumbres estadísticas. En la región de fondo, el BDT mostró valores centrales ligeramente superiores, pero nuevamente, las diferencias no fueron estadísticamente significativas.

Conclusiones y Significado
El artículo concluye que para la tarea específica de discriminación $tW$ vs. $t\bar{t}$ con los conjuntos de características seleccionados y estadísticas limitadas, el Clasificador Cuántico Variacional se desempeña de manera comparable a los algoritmos clásicos establecidos (BDT y MLP).

Paridad de Rendimiento: El VQC no supera a los métodos clásicos de manera estadísticamente significativa, pero logra con éxito niveles de rendimiento equivalentes a los clasificadores estándar.
Estabilidad: En el canal hadrónico boostado ruidoso, el VQC (al igual que el MLP) demostró curvas de significancia más estables en comparación con el BDT, el cual exhibió picos de alta significancia inestables.
Viabilidad: Este estudio establece que los VQC son una herramienta viable para la discriminación de fondo en Física de Altas Energías (HEP). Los autores sugieren que, si bien los resultados actuales son modestos, las propiedades únicas del entrelazamiento y la superposición cuántica dentro de la arquitectura VQC podrían ofrecer ventajas en regímenes de análisis más complejos donde las redes neuronales ya superan a los BDT (p. ej., top-tagging o reconstrucción de jets), siempre que futuros estudios puedan aprovechar conjuntos de datos más grandes y potencialmente hardware cuántico de escala intermedia con ruido (NISQ).

El trabajo sirve como un benchmark sistemático, identificando que los modelos de inspiración cuántica son competitivos con las técnicas clásicas en tareas de clasificación realistas de física de altas energías, particularmente en regímenes donde las arquitecturas de redes neuronales ya son preferidas.

Más como este