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

기술 요약: LHC에서의 $tW$-$t\bar{t}$ 구분을 위한 변분 양자 분류기와 고전적 머신러닝의 비교 연구

문제 정의
거대 강입자 충돌기(LHC)에서 단일 탑 쿼크 생성 과정인 $tW$ 채널의 정밀한 측정은 지배적인 $t\bar{t}$ 배경사건(background)으로 인해 어려움을 겪고 있다. 특히 초기 상태 복사(ISR), 최종 상태 복사(FSR) 및 검출기 재구성 효과로 인해 $tW$와 $t\bar{t}$ 프로세스의 최종 상태 위상(topology)이 매우 유사하며, 이는 까다로운 분류 문제가 된다. BDT(Boosted Decision Trees)나 MLP(Multi-Layer Perceptrons)와 같은 고전적 머신러닝(ML) 알고리즘이 이 작업의 표준 도구로 사용되고 있는 가운데, 변분 양자 분류기(VQC)가 경쟁력 있는 성능을 제공할 수 있는지에 대한 조사가 양자 머신러닝(QML)의 등장과 함께 촉발되었다. 본 연구는 CMS Open Data(Run-2, 13 TeV)를 사용하여 $tW$ 신호 사건과 $t\bar{t}$ 배경사건을 구분하는 특정 작업을 대상으로 VQC를 기존의 고전적 방법들과 벤치마킹하는 것을 목표로 한다.

방법론
본 연구는 CMS Open Data 포털에서 추출한 몬테카를로 시뮬레이션 이벤트를 활용한다. 분석은 세 가지 뚜렷한 위상 영역으로 나뉜다:

1. 디레프토닉(Dileptonic) $e-\mu$ 채널: 두 개의 레프톤과 결측 가로 에너지(missing transverse energy)가 특징이다. 이벤트는 제트 및 $b$-태그 다중도(특히 $2j1b$ 및 $2j2b$)에 따라 영역이 분류된다.
2. 하드론 해상(Hadronic Resolved) 영역: 탑 쿼크의 횡방향 운동량이 낮은 이벤트로, 뚜렷하게 분해된 제트(AK4)가 나타난다.
3. 하드론 부스트(Hadronic Boosted) 영역: 고도로 부스트된 탑 쿼크를 가진 이벤트로, 붕괴 생성물들이 큰 반경의 제트(AK8)로 병합된다.

데이터 준비 및 특징(Features):

• 신호(Signal): $tW$ 및 $\bar{t}W$ 이벤트.
• 배경(Background): 주로 $t\bar{t}$이며, 추가적인 배경($W$+jets, QCD multijets, $t$-channel single top)은 물리 기반 선택 컷을 통해 억제되었다.
• 간섭 처리: $t\bar{t}$와 유사한 공명 기여의 중복 계산을 피하기 위해 $tW$ 샘플에 Diagram Removal (DR) 스킴이 적용되었다.
• 특징 집합: 모델은 운동학적 변수(예: $H_T$, $M_{top}$, $\Delta R$, 구조 변수 $\tau_{21}$ 및 soft-drop mass)와 분석 영역 자체를 바탕으로 학습된다. 특징들은 주기적 회전 게이트를 수용하기 위해 $[0, \pi]$ 범위로 스케일링된다.

모델 아키텍처:

• BDT: 50개의 estimator와 최대 트리 깊이 2를 갖는 XGBoost를 통해 구현되었다.
• MLP: ReLU 활성화 함수와 L2 정규화를 사용하는 4개의 은닉층(128, 128, 64, 32 뉴런)을 가진 PyTorch 기반 네트워크이다.
• VQC: PennyLane 프레임워크와 PyTorch 인터페이스를 사용하여 구현되었다. 아키텍처는 "StronglyEntanglingLayers" 안사츠(ansatz)를 채택한다. 입력 특징은 $R_y$ 및 $R_z$ 회전 게이트를 통해 큐비트로 인코딩된다. 회로는 매개변수화된 회전과 CNOT 얽힘 게이트의 교대 층을 포함한다($e-\mu$ 및 해상 채널의 경우 10개 층). 출력은 Pauli-Z 연산자의 기대값으로부터 유도된다.
• 학습: 모든 모델은 Adam 옵티마이저, (이벤트 루미노시티에 의해 가중치가 부여된) Binary Cross-Entropy 손실 함수를 사용하며, 70:30 훈련-테스트 분할을 사용한다. VQC는 하드웨어 노이즈가 없는 이상적인 상태 벡터 시뮬레이터인 default.qubit을 사용하여 시뮬레이션되었다.

주요 결과
세 분류기의 성능은 표준 ML 지표(AUC, Separation Power) 및 물리 모티프 지표(Maximum Significance $Z_{max}$, Significance Gain, Integrated Significance)를 사용하여 평가되었다.

1. 디레프토닉 $e-\mu$ 채널: 세 모델(BDT, MLP, VQC) 모두 통계적으로 구별할 수 없는 성능을 보였다. AUC 값은 영역에 따라 0.61에서 0.69 사이였으며, 특정 아키텍처의 뚜렷한 우위는 없었다.
2. 하드론 부스트(Hadronic Boosted) 영역: 신경망 기반 모델(MLP 및 VQC)은 신호 풍부($1b$) 영역에서 BDT보다 약간 더 높은 AUC와 분리 능력을 보였다. 배경 풍부($2b$) 영역에서는 VQC가 가장 높은 분리 능력을 나타냈다. 그러나 BDT는 매우 날카로운 유의성 곡선 피크를 생성했으나 이는 매우 불안정했다(큰 부트스트랩 불확정성). 반면 MLP와 VQC는 더 안정적인 유의성 곡선을 제공했다. 통합 유의성(Integrated Significance)은 모든 모델에서 통계적으로 일관되게 나타났다.
3. 하드론 해상(Hadronic Resolved) 영역: MLP가 신호 영역에서 가장 높은 AUC와 분리 능력 중앙값을 달성했으나, BDT 및 VQC와의 차이는 통계적 불확정성 범위 내에 있었다. 배경 영역에서는 BDT가 약간 더 높은 중앙값을 보였으나, 이 역시 통계적으로 유의미한 차이는 아니었다.

결론 및 의의
본 논문은 선택된 특징 집합과 제한된 통계량 하에서, 특정 $tW$ 대 $t\bar{t}$ 구별 작업에 대해 변분 양자 분류기가 확립된 고전적 알고리즘(BDT 및 MLP)과 대등한 성능을 보인다고 결론짓는다.

• 성능 동등성: VQC는 고전적 방법보다 뛰어난 성능을 통계적으로 유의미하게 보여주지는 못했으나, 표준 분류기와 동등한 수준의 성능을 성공적으로 달성하였다.
• 안정성: 노이즈가 있는 부스트된 하드론 채널에서, VQC는 (MLP와 마찬가지로) BDT와 비교하여 더 안정적인 유의성 곡선을 보여주었다. BDT는 불안정한 고유의 유의성 피크를 나타냈다.
• 실행 가능성: 본 연구는 VQC가 고에너지 물리학(HEP)의 배경사건 구분을 위한 실행 가능한 도구임을 입증한다. 저자들은 현재의 결과가 완만하지만, VQC 아키텍처 내의 양자 얽힘과 중첩의 독특한 특성이 향후 더 큰 데이터셋과 잠재적으로 노이즈가 있는 중간 규모 양자(NISQ) 하드웨어를 활용할 수 있다면, 신경망이 이미 BDT보다 우수한 성능을 보이는 더 복잡한 분석 영역(예: top-tagging 또는 제트 재구성)에서 이점을 제공할 수 있을 것이라고 제안한다.

이 연구는 양자 영감을 받은 모델이 현실적인 HEP 분류 작업, 특히 신경망 아키텍처가 이미 선호되는 영역에서 고전적 기술과 경쟁할 수 있음을 확인하는 체계적인 벤치마크 역할을 한다.