⚛️ expériences de haute énergie

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

Cette étude évalue les performances des classifieurs quantiques variationnels par rapport aux arbres de décision boostés classiques et aux perceptrons multicouches pour la discrimination du signal $tW$ face au bruit de fond $t\bar{t}$ dans les données du Run-2 du LHC, identifiant les régimes d'analyse spécifiques où les modèles d'inspiration quantique offrent des capacités de discrimination compétitives.

Auteurs originaux : Rohan Hindocha, Priyanka

Publié 2026-10-19

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Rohan Hindocha, Priyanka

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Au Grand Collisionneur de Hadrons, une machine massive enfouie sous la frontière entre la France et la Suisse, les scientifiques font entrer collisionner des protons à une vitesse proche de celle de la lumière pour recréer les conditions de l'univers primitif. Parmi les trillions de collisions qui se produisent, un événement rare implique la création d'un quark top, la particule élémentaire la plus lourde connue, produite aux côtés d'un boson W. Cette combinaison spécifique, connue sous le nom de canal tW, est un laboratoire crucial pour tester le Modèle Standard de la physique et rechercher de nouvelles forces inconnues. Cependant, trouver ce signal rare revient à essayer d'entendre un simple murmure dans un stade en pleine ébullition. Le quark top produit de cette manière ressemble presque de façon identique à un événement beaucoup plus commun où une paire de quarks top est créée puis immédiatement détruite. Distinguer le signal rare du bruit de fond écrasant de ces paires communes est l'un des défis les plus difficiles de la physique des particules moderne.

Pendant des décennies, les physiciens se sont appuyés sur de puissants algorithmes informatiques classiques pour trier ces données, utilisant des techniques qui imitent les arbres de décision ou les réseaux de neurones pour repérer les différences subtiles entre les deux types d'événements. Récemment, un nouvel outil a émergé du domaine de l'informatique quantique : le classificateur quantique variationnel. Il s'agit d'un système hybride qui utilise les règles étranges de la mécanique quantique, où les particules peuvent exister dans plusieurs états à la fois, pour traiter l'information. Bien que ces ordinateurs quantiques soient encore à leurs balbutiements et actuellement trop bruyants pour gérer les charges de données massives d'un collisionneur réel, les chercheurs voulaient savoir si la logique mathématique sous-jacente pouvait offrir un avantage par rapport aux méthodes classiques établies. Pour tester cela, une équipe de physiciens de l'Université de Delhi a simulé un scénario réaliste en utilisant des données ouvertes de la deuxième campagne du collisionneur, opposant le nouvel algorithme d'inspiration quantique au meilleur modèle classique : l'arbre de décision boosté et le perceptron multicouche.

Les chercheurs se sont concentrés sur deux manières distinctes dont les particules peuvent apparaître après une collision. Dans le premier scénario, les particules se désintègrent en électrons et en muons, créant un signal relativement propre, plus facile à repérer mais plus rare. Dans le second scénario, plus commun, les particules se désintègrent en jets d'autres particules, créant un environnement désordonné et encombré, beaucoup plus difficile à analyser. Ils ont divisé les données en différentes catégories basées sur le nombre de particules détectées et sur le fait que ces particules se déplacent lentement ou soient « boostées » à des vitesses extrêmement élevées. Pour chaque catégorie, ils ont entraîné les trois modèles informatiques pour apprendre la différence entre le signal rare tW et le bruit de fond commun des paires de quarks top. L'objectif n'était pas seulement de voir quel modèle commettait le moins d'erreurs, mais de voir lequel pouvait maximiser la signification statistique de la découverte, trouvant essentiellement le point d'équilibre où le plus de signal est conservé tandis que le plus de bruit de fond est éliminé.

Les résultats de cette comparaison ont été étonnamment équilibrés. Dans le canal propre électron-muon, les trois modèles ont performé de manière presque identique. Le classificateur quantique était tout aussi efficace que les arbres de décision classiques et les réseaux de neurones pour séparer le signal du bruit de fond, sans avantage statistique pour une approche particulière. Dans les canaux hadroniques plus complexes et désordonnés, le tableau était légèrement plus nuancé. Dans le régime où les particules se déplacent à des vitesses modérées, le réseau de neurones classique et le classificateur quantique ont montré un léger avantage sur les arbres de décision, bien que la différence soit suffisamment faible pour pouvoir être attribuée à une variation statistique aléatoire plutôt qu'à une supériorité fondamentale. Dans le régime où les particules se déplacent à des vitesses très élevées, les arbres de décision ont semblé trouver un pic de signification plus net, mais ce pic était instable et fluctuait sauvagement, ce qui le rendait peu fiable. Le classificateur quantique et le réseau de neurones, en revanche, ont produit des courbes plus lisses et plus stables, maintenant un niveau de performance constant.

En fin de compte, l'étude démontre que le classificateur quantique variationnel est un outil viable pour la physique des hautes énergies, capable d'égaler la performance des meilleurs algorithmes classiques actuellement utilisés. Les chercheurs ont constaté que, bien que le modèle quantique n'ait pas surpassé de manière spectaculaire les autres dans cette simulation spécifique, il n'est pas non plus resté en retrait. Il a réussi à naviguer dans les données complexes et de haute dimension des collisions de particules sans perdre en stabilité. Cela suggère qu'à mesure que le matériel quantique mûrira et sera capable de gérer des données réelles, ces algorithmes n'auront pas besoin de réinventer la roue pour être utiles ; ils pourront intervenir et accomplir les mêmes tâches critiques de tri que les outils classiques, offrant potentiellement de nouvelles façons de gérer les corrélations uniques des données de particules que les ordinateurs classiques peinent à percevoir. Pour l'instant, le classificateur quantique se présente comme un pair prometteur aux méthodes établies, prêt à être testé davantage à mesure que la technologie évolue.

Résumé Technique : Étude Comparative des Classificateurs Quantiques Variationnels et de l'Apprentissage Automatique Classique pour la Discrimination $tW$ - $t\bar{t}$ au LHC

Énoncé du Problème
La mesure précise de la production de quark top unique via le canal associé $tW$ au Grand Collisionneur de Hadrons (LHC) est entravée par le bruit de fond dominant de la paire top-antitop ( $t\bar{t}$ ). Les topologies d'état final des processus $tW$ et $t\bar{t}$ sont très similaires, particulièrement en raison du rayonnement initial (ISR), du rayonnement final (FSR) et des effets de reconstruction des détecteurs, ce qui en fait un problème de classification complexe. Bien que les algorithmes d'apprentissage automatique (ML) classiques comme les arbres de décision boostés (BDT) et les perceptrons multicouches (MLP) soient des outils standards pour cette tâche, l'émergence de l'apprentissage automatique quantique (QML) a suscité une investigation pour déterminer si les classificateurs quantiques variationnels (VQC) peuvent offrir des performances compétitives. Cette étude vise à évaluer les VQC par rapport aux méthodes classiques établies pour la tâche spécifique de distinction des événements de signal $tW$ des événements de bruit de fond $t\bar{t}$ en utilisant les données ouvertes de CMS (Run-2, 13 TeV).

Méthodologie
L'étude utilise des événements simulés par Monte Carlo provenant du portail CMS Open Data. L'analyse est divisée en trois régimes topologiques distincts :

Canal dileptonique $e-\mu$ : Caractérisé par deux leptons et une énergie transverse manquante. Les événements sont catégorisés en régions basées sur la multiplicité des jets et des étiquettes $b$ (spécifiquement $2j1b$ et $2j2b$ ).
Régime Hadronique Résolu : Événements où les quarks top ont une impulsion transverse plus faible, résultant en des jets distincts et résolus (AK4).
Régime Hadronique Boosté : Événements avec des quarks top hautement boostés, où les produits de désintégration fusionnent en de grands jets à large rayon (AK8).

Préparation des Données et Caractéristiques :

Signal : Événements $tW$ et $\bar{t}W$ .
Bruit de fond : Principalement $t\bar{t}$ , avec des bruits de fond additionnels ( $W$ +jets, QCD multijets, top simple de canal- $t$ ) supprimés via des coupes de sélection basées sur la physique.
Traitement de l'interférence : Le schéma de suppression de diagramme (Diagram Removal - DR) est appliqué aux échantillons $tW$ pour éviter le double comptage des contributions de type $t\bar{t}$ résonantes.
Ensembles de caractéristiques : Les modèles sont entraînés sur des variables cinématiques (ex. $H_T$ , $M_{top}$ , $\Delta R$ , variables de sous-structure comme $\tau_{21}$ et la masse de soft-drop) et la région d'analyse elle-même. Les caractéristiques sont mises à l'échelle dans l'intervalle $[0, \pi]$ pour accommoder les portes de rotation périodiques.

Architectures de Modèles :

BDT : Implémenté via XGBoost avec 50 estimateurs et une profondeur maximale d'arbre de 2.
MLP : Un réseau basé sur PyTorch avec quatre couches cachées (128, 128, 64, 32 neurones) utilisant l'activation ReLU et une régularisation L2.
VQC : Implémenté en utilisant le framework PennyLane avec une interface PyTorch. L'architecture emploie un ansatz "StronglyEntanglingLayers". Les caractéristiques d'entrée sont encodées dans les qubits via des portes de rotation $R_y$ et $R_z$ . Le circuit comprend des couches alternées de rotations paramétrées et de portes d'intrication CNOT (10 couches pour les canaux $e-\mu$ et résolu). La sortie est dérivée de la valeur d'attente de l'opérateur Pauli-Z.
Entraînement : Tous les modèles utilisent l'optimiseur Adam, la perte de cross-entropie binaire (pondérée par la luminosité des événements), et une division train-test de 70:30. Le VQC est simulé à l'aide du simulateur de vecteur d'état idéal default.qubit, représentant une limite supérieure de performance sans le bruit matériel.

Résultats Clés
La performance des trois classificateurs a été évaluée à l'aide de métriques ML standards (AUC, pouvoir de séparation) et de métriques motivées par la physique (Signification Maximale $Z_{max}$ , Gain de Signification, Signification Intégrée).

Canal Dileptonique $e-\mu$ : Les trois modèles (BDT, MLP, VQC) ont démontré une performance statistiquement indiscernable. Les valeurs d'AUC varient entre 0,61 et 0,69 selon la région, sans avantage significatif pour une architecture spécifique.
Régime Hadronique Boosté : Les modèles basés sur les réseaux de neurones (MLP et VQC) ont montré des valeurs d'AUC et de pouvoir de séparation légèrement plus élevées que le BDT dans la région enrichie en signal ( $1b$ ). Dans la région enrichie en bruit de fond ( $2b$ ), le VQC a présenté le plus haut pouvoir de séparation. Cependant, le BDT a produit des pics très nets dans les courbes de signification qui étaient très instables (incertitudes de bootstrap importantes), tandis que le MLP et le VQC ont fourni des courbes de signification plus stables. La signification intégrée est restée statistiquement cohérente entre tous les modèles.
Régime Hadronique Résolu : Le MLP a obtenu les valeurs centrales les plus élevées pour l'AUC et le pouvoir de séparation dans la région de signal, bien que les différences avec le BDT et le VQC soient dans les incertitudes statistiques. Dans la région de bruit de fond, le BDT a montré des valeurs centrales légèrement plus élevées, mais là encore, les différences n'étaient pas statistiquement significatives.

Conclusions et Signification
L'article conclut que pour la tâche spécifique de discrimination $tW$ vs $t\bar{t}$ avec les ensembles de caractéristiques sélectionnés et des statistiques limitées, le classificateur quantique variationnel est comparable aux algorithmes classiques établis (BDT et MLP).

Parité de Performance : Le VQC ne surpasse pas les méthodes classiques de manière statistiquement significative mais parvient avec succès à des niveaux de performance équivalents aux classificateurs standards.
Stabilité : Dans le canal hadronique boosté bruité, le VQC (tout comme le MLP) a démontré des courbes de signification plus stables par rapport au BDT, qui présentait des pics de haute signification instables.
Faisabilité : Cette étude établit que les VQC sont un outil viable pour la discrimination du bruit de fond en Haute Énergie (HEP). Les auteurs suggèrent que, bien que les résultats actuels soient modestes, les propriétés uniques de l'intrication et de la superposition quantiques au sein de l'architecture VQC pourraient offrir des avantages dans des régimes d'analyse plus complexes où les réseaux de neurones surpassent déjà les BDT (par exemple, le top-tagging ou la reconstruction de jets), à condition que les études futures puissent exploiter des ensembles de données plus larges et potentiellement du matériel quantique de type NISQ (Noisy Intermediate-Scale Quantum).

Ce travail sert de benchmark systématique, identifiant que les modèles d'inspiration quantique sont compétitifs avec les techniques classiques dans des tâches de classification réalistes de la haute énergie, particulièrement dans les régimes où les architectures de réseaux de neurones sont déjà préférées.

Articles similaires