Optimization-based Unfolding in High-Energy Physics

Dit artikel introduceert QUnfold, een open-source Python-pakket dat het ontrafelen van detectorvervormde data in de deeltjesfysica formuleert als een kwadratisch optimalisatieprobleem, waardoor zowel klassieke als quantum-oplossers kunnen worden ingezet voor nauwkeurige reconstructie van ware fysische verdelingen.

De kern

De Kunst van het Ontmaskeren: Hoe Quantum-computers HEP-fysici helpen om de waarheid te zien

Stel je voor dat je in een donkere kamer staat en door een heel vies, beslagen raam naar buiten kijkt. Je ziet silhouetten van mensen die voorbijlopen, maar hun gezichten zijn wazig, hun vormen zijn vervormd door de condens, en soms lijken twee mensen op elkaar te plakken. In de wereld van de deeltjesfysica (High-Energy Physics) is dit precies wat er gebeurt.

Wanneer wetenschappers botsingen van deeltjes bestuderen, is hun detector (het "raam") nooit perfect. Het heeft beperkingen, ruis en onvolkomenheden. De data die ze meten (de "waargenomen silhouetten") is dus niet de echte waarheid, maar een vervormde versie daarvan.

Het probleem: Het raam opschonen
Het proces om de echte vorm van de deeltjes terug te vinden uit die vervormde data noemen ze "unfolding" (ontvouwen). Het is als proberen het originele schilderij te reconstrueren, terwijl je alleen een wazige foto ervan hebt.

Tot nu toe gebruikten wetenschappers ingewikkelde wiskundige formules om dit raam op te schonen. Maar deze methoden zijn vaak onstabiel: als er een klein beetje ruis in de foto zit (statistische fluctuaties), kan de oplossing volledig uit elkaar spatten, alsof je een glas water probeert te vangen met een zeef.

De nieuwe aanpak: Een puzzel oplossen
In dit artikel stellen de auteurs (Simone Gasperini en zijn team) een nieuwe manier voor om dit probleem aan te pakken. In plaats van alleen te proberen de wiskundige vergelijking op te lossen, kijken ze naar het probleem als een grote, complexe puzzel die je moet oplossen.

Ze zeggen: "Laten we niet proberen de wiskunde direct om te draaien. Laten we de beste oplossing zoeken door te optimaliseren."

Ze hebben een nieuwe methode bedacht die het probleem vertaalt naar een optimalisatievraagstuk. Denk hierbij aan het vinden van de perfecte route voor een bezorger die 100 pakketjes moet afleveren, waarbij hij rekening moet houden met verkeersdrukte (detectorfouten) en de wens dat de route zo soepel mogelijk verloopt.

De Quantum-magie: De QUBO-puzzel
Het meest spannende deel is dat ze deze puzzel hebben vertaald naar een taal die Quantum-computers begrijpen. Ze noemen dit een QUBO-probleem (Quadratic Unconstrained Binary Optimization).

• De analogie: Stel je voor dat je een enorme muur hebt vol met lichtschakelaars (aan/uit). Elke schakelaar staat voor een stukje van de waarheid. Je doel is om de schakelaars zo te zetten dat de kamer perfect verlicht is (de echte data), zonder dat er donkere plekken of felle vlekken ontstaan.
• Een gewone computer probeert dit schakelaar voor schakelaar te doen, wat heel lang kan duren.
• Een Quantum-computer (of een hybride systeem zoals die van D-Wave) kan echter "voelen" welke combinatie van schakelaars het beste werkt, alsof het door een berglandschap loopt en direct de laagste vallei vindt, in plaats van elke heuvel af te klimmen.

Wat hebben ze gedaan?
De auteurs hebben een gratis softwarepakket gemaakt, genaamd QUnfold. Dit is een gereedschapskist die het probleem kan oplossen met:

1. Klassieke computers: Slimme algoritmen die de puzzel stap voor stap oplossen.
2. Hybride Quantum-systemen: Een samenwerking tussen een gewone computer en een Quantum-computer, waarbij de Quantum-machine helpt bij het vinden van de beste oplossing in de complexere delen van de puzzel.

De resultaten: Wie wint er?
Ze hebben hun nieuwe methode getest tegen de oude, bewezen methoden (zoals Matrix Inversie en Bayesiaanse Unfolding) met verschillende soorten data (normale verdelingen, exponentiële curves, enzovoort).

Het resultaat?

• De oude methoden waren soms goed, maar maakten vaak "trillingen" of onnodige ruis in de resultaten, vooral als de data niet perfect was.
• De nieuwe optimalisatie-methode (zowel de klassieke als de quantum-versie) gaf veel rustigere en nauwkeurigere resultaten. Ze vonden de "waarheid" dichter bij dan de anderen, zonder dat de oplossing uit elkaar spatte.
• De Quantum-versie deed het precies even goed als de beste klassieke computer, wat betekent dat de vertaling naar de Quantum-taal perfect is gelukt.

Conclusie: De weg naar de toekomst
Dit onderzoek is een belangrijke stap. Het laat zien dat we de complexe wereld van deeltjesfysica kunnen vertalen naar een taal die zowel voor onze huidige supercomputers als voor de quantum-toekomstige computers begrijpelijk is.

Het is alsof ze een nieuwe sleutel hebben gevonden die niet alleen op de oude sloten past, maar ook op de deuren van de toekomst. Hierdoor kunnen wetenschappers in de toekomst nog preciezer kijken naar de bouwstenen van het universum, zelfs als hun "raam" (de detector) nog zo vies is.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Optimization-Based Unfolding in High-Energy Physics" in het Nederlands.

Titel: Optimalisatie-gebaseerd Ontvouwingsproces in de Hoge-Energiefysica

Auteurs: Simone Gasperini, Gianluca Bianco, Marco Lorusso, Carla Rieger, Michele Grossi.
Publicatie: arXiv:2602.22776v2 [quant-ph] (6 maart 2026).

---

1. Het Probleem: Statistisch Ontvouwen (Unfolding)

In de Hoge-Energiefysica (HEP) worden de waarnemingen van deeltjesdetectoren niet direct overeenkomend met de onderliggende fysieke realiteit. Door beperkte resolutie, inefficiënties, elektronische ruis en reconstructie-effecten wordt de ware verdeling van fysieke observabelen vervormd ("gefold").

• Doel: Het reconstrueren van de ware verdeling $f(z)$ uit de gemeten, vervormde verdeling $g(\mu)$.
• Uitdaging: Dit is een ill-posed inverse probleem (een deconvolutie-taak). Naive inversie van de detectorresponsmatrix leidt tot grote oscillaties en instabiliteit door statistische fluctuaties in de data.
• Huidige Status: Bestaande methoden (zoals SVD, Iterative Bayesian Unfolding - IBU) gebruiken regularisatie om stabiliteit te garanderen, maar het vinden van een evenwicht tussen bias en variantie blijft complex. Machine learning-methodes zijn recentelijk geïntroduceerd, maar bieden nog geen universele oplossing voor alle scenario's.

2. Methodologie: Van Likelihood naar Optimalisatie

De auteurs herformuleren het ontvouwingsprobleem als een discrete optimalisatietask.

A. Wiskundige Formulering

In plaats van de log-likelihood direct te maximaliseren, benaderen de auteurs het probleem door:

1. De Poisson-verdeling te benaderen met een Gaussische verdeling (voor grote aantallen tellen), wat leidt tot een $L_2$-norm voor de verschilterm tussen de verwachte en gemeten histogrammen.
2. Regularisatie (gladheid) te modelleren via een Laplace-strafterm (discrete tweede afgeleide).
3. Het probleem te reduceren tot het minimaliseren van een kwadratische functie:
   $$\min_{z} \left( \|Rz - n\|^2 + \lambda \|Dz\|^2 \right)$$
   Waarbij $R$ de responsmatrix is, $n$ de gemeten data, $D$ de regularisatiematrix, en $\lambda$ de regularisatiesterkte.

B. QUBO-transformatie (Quantum Unconstrained Binary Optimization)

Om dit probleem op kwantumhardware (zoals quantum annealers) te kunnen draaien, wordt het geherformuleerd naar een QUBO-model:

• De continue of gehele getallen $z_i$ (aantal gebeurtenissen per bin) worden gecodeerd als binaire vectoren $x_i$ via een binaire representatie ($z_i = p_i \cdot x_i$).
• Dit resulteert in een kwadratische ongedwongen binaire optimalisatieprobleem:
  $$\min_{x} (a_{bin} x + x^T B_{bin} x)$$
• Deze vorm is direct compatibel met het Ising-model en kan worden opgelost door quantum annealers (zoals D-Wave).

C. Software-implementatie: QUnfold

De auteurs hebben QUnfold ontwikkeld, een open-source Python-pakket dat:

• Klassieke gemengd-integer kwadratische programmeerders (zoals Gurobi) integreert.
• Hybride kwantum-klassieke solvers (van D-Wave) ondersteunt.
• Een uniforme interface biedt voor het vergelijken van deze methoden.

3. Belangrijkste Bijdragen

1. Unificatie: Het bieden van een uniek optimalisatieperspectief op ontvouwingsproblemen dat zowel klassieke als kwantummethoden omvat.
2. QUBO-afleiding: Het afleiden van een exacte QUBO-representatie van het ontvouwingsdoelwit, wat de eerste stap is naar kwantumversnelling in HEP-data-analyse.
3. Open-source Framework: De release van QUnfold, wat de toegang tot geavanceerde optimalisatietechnieken voor de HEP-gemeenschap vergemakkelijkt.
4. Benchmarking: Een uitgebreide vergelijking met gevestigde methoden (RooUnfold: MI, IBU, SVD) op synthetische datasets.

4. Resultaten

De methode werd getest op vier synthetische distributies (Normaal, Exponentieel, Gamma, Breit-Wigner) met 10.000 gebeurtenissen en gecontroleerde detector-effecten. De prestaties werden gemeten met de Pearson $\chi^2$-statistiek.

• Vergelijking:
  • Matrix Inversie (MI): Toonde sterke oscillaties en was zeer gevoelig voor ruis (hoge $\chi^2$).
  • SVD en IBU: Verbeterden de stabiliteit, maar vertoonden nog steeds afwijkingen bij steile gradiënten en lokale structuren.
  • Optimalisatie-methoden (GRB & HYB): De klassieke solver (Gurobi) en de hybride kwantum-klassieke solver (D-Wave) behaalden de laagste $\chi^2$-waarden (bijv. ~0.68 voor de normale distributie, vergeleken met >2.0 voor MI).
• Kwaliteit: De optimalisatie-methoden hielden de bin-voor-bin verhouding dichter bij 1, wat aangeeft dat ze zowel de gladheid als de nauwkeurigheid beter balanceren dan traditionele methoden.
• Kwantumconsistentie: De hybride D-Wave solver produceerde resultaten die bijna identiek waren aan die van de klassieke Gurobi-solver, wat aantoont dat de QUBO-herformulering de structuur van het oorspronkelijke probleem behoudt.

5. Betekenis en Toekomstperspectief

• Methodologische doorbraak: Het bewijst dat ontvouwingsproblemen succesvol kunnen worden gemapt naar kwantum-compatibele optimalisatiekaders zonder verlies van nauwkeurigheid.
• Regulatie: Regularisatie is op natuurlijke wijze in de doelwitfunctie verwerkt, wat meer controle biedt dan iteratieve methoden.
• Toekomst: Hoewel de huidige resultaten gebaseerd zijn op synthetische data, opent dit werk de weg voor:
  • Schaalbaarheidstests op grotere, realistische datasets.
  • Het gebruik van toekomstige, krachtigere quantumhardware voor complexe HEP-analyses.
  • Verdere integratie van geavanceerde regularisatieschema's en datagedreven hyperparameter-selectie.

Conclusie: De paper introduceert een robuust, optimalisatie-gedreven raamwerk voor ontvouwen dat competitief is met de huidige staat-der-kunst-methoden en een praktische route biedt voor het toepassen van kwantumtechnologie in experimentele fysica.