⚛️ hoog-energie-experimenten

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

Deze studie vergelijkt de prestaties van Variational Quantum Classifiers met klassieke Boosted Decision Trees en Multi-Layer Perceptrons voor het onderscheiden van het $tW$ -signaal van de $t\bar{t}$ -achtergrond in LHC Run-2-data, waarbij specifieke analyse-regimes worden geïdentificeerd waarin quantum-geïnspireerde modellen competitieve discriminatievermogens bieden.

Oorspronkelijke auteurs: Rohan Hindocha, Priyanka

Gepubliceerd 2026-10-19

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Rohan Hindocha, Priyanka

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Bij de Large Hadron Collider, een enorme machine die onder de grens tussen Frankrijk en Zwitserland is begraven, laten wetenschappers protonen tegen elkaar botsen met bijna de snelheid van het licht om de omstandigheden van het vroege universum te recreëren. Onder de biljoenen botsingen die plaatsvinden, is een zeldzame gebeurtenis de creatie van een topquark, het zwaarste bekende elementaire deeltje, geproduceerd naast een W-boson. Deze specifieke combinatie, bekend als het tW-kanaal, is een cruciaal laboratorium voor het testen van het Standaardmodel van de fysica en het zoeken naar nieuwe, onbekende krachten. Het vinden van dit zeldzame signaal is echter alsof je probeert een enkele fluistering te horen in een brullend stadion. De topquark die op deze manier wordt geproduceerd, ziet er bijna identiek uit aan een veel voorkomende gebeurtenis waarbij een paar topquarks wordt gecreëerd en onmiddellijk wordt vernietigd. Het onderscheiden van het zeldzame signaal van de overweldigende achtergrond van deze veelvoorkomende paren is een van de moeilijkste uitdagingen in de moderne deeltjesfysica.

Decennialang hebben natuurkundigen vertrouwd op krachtige klassieke computeralgoritmen om deze gegevens te sorteren, waarbij technieken worden gebruikt die beslissingsbomen of neurale netwerken nabootsen om de subtiele verschillen tussen de twee soorten gebeurtenissen op te sporen. Onlangs is er een nieuw hulpmiddel opgekomen uit de wereld van quantumcomputing: de variatiele quantumclassifier. Dit is een hybride systeem dat gebruikmaakt van de vreemde regels van de kwantummechanica, waarbij deeltjes zich in meerdere toestanden tegelijk kunnen bevinden om informatie te verwerken. Hoewel deze quantumcomputers nog in hun kinderschoenen staan en momenteel te luidruchtig zijn om de enorme datalasten van een echte collider aan te kunnen, wilden onderzoekers weten of de wiskundige logica erachter een voordeel kon bieden ten opzichte van de gevestigde klassieke methoden. Om dit te testen, simuleerde een team van natuurkundigen van de University of Delhi een realistisch scenario met behulp van open data van de tweede run van de collider, waarbij ze het nieuwe quantum-geïnspireerde algoritme tegenover de twee best presterende klassieke modellen plaatsten: de boosted decision tree en de multi-layer perceptron.

De onderzoekers richtten zich op twee verschillende manieren waarop de deeltjes na een botsing kunnen verschijnen. In het eerste scenario vervallen de deeltjes in elektronen en muonen, wat een relatief schoon signaal creëert dat gemakkelijker te spotten is maar ook zeldzamer is. In het tweede, meer voorkomende scenario, vervallen de deeltjes in jets van andere deeltjes, wat een rommelige, drukke omgeving creëert die veel moeilijker te analyseren is. Ze verdeelden de data in verschillende categorieën op basis van hoeveel deeltjes werden gedetecteerd en of die deeltjes langzaam bewogen of "geboost" waren naar extreem hoge snelheden. Voor elk van deze categorieën trainden ze de drie verschillende computermodellen om het verschil te leren tussen het zeldzame tW-signaal en de veelvoorkomende topquark-paar achtergrond. Het doel was niet alleen om te zien welk model de minste fouten maakte, maar om te zien welk model de statistische significantie van de ontdekking kon maximaliseren, wat in essentie betekent: het ideale punt vinden waar het meeste signaal behouden blijft terwijl de meeste achtergrond wordt weggegooid.

De resultaten van deze vergelijking waren verrassend gebalanceerd. In het schone elektron-muon kanaal presteerden alle drie de modellen bijna identiek. De quantumclassifier was net zo goed als de klassieke beslissingsbomen en neurale netwerken in het scheiden van het signaal van de achtergrond, zonder statistisch voordeel voor een enkele aanpak. In de complexere, rommeligere hadronische kanalen was het beeld iets genuanceerder. In het regime waar de deeltjes met matige snelheden bewegen, lieten het klassieke neurale netwerk en de quantumclassifier een lichte voorsprong zien op de beslissingsbomen, hoewel het verschil klein genoeg was om aan willekeurige statistische variatie te kunnen worden toegeschreven in plaats van aan een fundamentele superioriteit. In het regime waar de deeltjes met zeer hoge snelheden bewegen, leken de beslissingsbomen een scherpere piek in significantie te vinden, maar deze piek was onstabiel en fluctueerde wild, waardoor hij onbetrouwbaar was. De quantumclassifier en het neurale netwerk produceerden daarentegen gladdere, stabielere curves die een consistent prestatieniveau behielden.

Uiteindelijk toont de studie aan dat de variatiele quantumclassifier een levensvatbaar hulpmiddel is voor hoogenergetische fysica, in staat om de prestaties van de beste huidige klassieke algoritmen te evenaren. De onderzoekers ontdekten dat hoewel het quantummodel in deze specifieke simulatie de anderen niet drastisch overtrof, het ook niet achterbleef. Het navigeerde succesvol door de complexe, hoogdimensionale data van deeltjesbotsingen zonder stabiliteit te verliezen. Dit suggereert dat wanneer de quantumhardware volwassen wordt en in staat is om real-world data te verwerken, deze algoritmen het wiel niet opnieuw hoeven uit te vinden om nuttig te zijn; ze kunnen inspringen en dezelfde cruciale sorteertaken uitvoeren als de klassieke tools, waarbij ze potentieel nieuwe manieren bieden om de unieke correlaties in deeltjesdata te hanteren waar klassieke computers moeite mee hebben. Voor nu staat de quantumclassifier als een veelbelovende gelijke van de gevestigde methoden, klaar om verder te worden getest naarmate de technologie evolueert.

Technische Samenvatting: Een Vergelijkende Studie van Variational Quantum Classifiers en Klassieke Machine Learning voor $tW$ - $t\bar{t}$ Discriminatie bij de LHC

Probleemstelling
Precieze metingen van enkelvoudige topkwarkproductie via het geassocieerde $tW$ -kanaal bij de Large Hadron Collider (LHC) worden bemoeilijkt door de dominante top-antitop ( $t\bar{t}$ ) achtergrond. De eindtoestands-topologieën van $tW$ - en $t\bar{t}$ -processen zijn zeer vergelijkbaar, met name door Initial-State Radiation (ISR), Final-State Radiation (FSR) en effecten van detectorreconstructie, wat het een uitdagend classificatieprobleem maakt. Hoewel klassieke machine learning (ML) algoritmen zoals Boosted Decision Trees (BDT's) en Multi-Layer Perceptrons (MLP's) standaardinstrumenten zijn voor deze taak, heeft de opkomst van Quantum Machine Learning (QML) geleid tot een onderzoek naar de vraag of Variational Quantum Classifiers (VQC's) een concurrerende prestatie kunnen bieden. Deze studie beoogt VQC's te benchmarken tegen gevestigde klassieke methoden voor de specifieke taak van het onderscheiden van $tW$ signalevenementen van $t\bar{t}$ achtergrondevenementen met behulp van CMS Open Data (Run-2, 13 TeV).

Methodologie
De studie maakt gebruik van Monte Carlo gesimuleerde evenementen van het CMS Open Data portaal. De analyse is onderverdeeld in drie afzonderlijke topologische regimes:

Dileptonische $e-\mu$ kanaal: Gekenmerkt door twee leptonen en ontbrekende transversale energie. Evenementen worden gecategoriseerd in regio's op basis van jet- en $b$ -tag multipliciteit (specifiek $2j1b$ en $2j2b$ ).
Hadronisch Resolved regime: Evenementen waarbij topkwarken een lagere transversale impuls hebben, wat resulteert in duidelijke, opgeloste jets (AK4).
Hadronisch Boosted regime: Evenementen met sterk geboost topkwarken, waarbij vervalproducten samensmelten in grote-radius jets (AK8).

Data Preparatie en Kenmerken:

Signaal: $tW$ - en $\bar{t}W$ -evenementen.
Achtergrond: Primair $t\bar{t}$ , met aanvullende achtergronden ( $W$ +jets, QCD multijets, $t$ -kanaal enkelvoudige top) die worden onderdrukt via natuurkunde-gebaseerde selectie-cuts.
Interferentie Behandeling: Het Diagram Removal (DR) schema wordt toegepast op $tW$ monsters om dubbeltellingen van resonante $t\bar{t}$ -achtige bijdragen te voorkomen.
Feature Sets: Modellen worden getraind op kinematische variabelen (bijv. $H_T$ , $M_{top}$ , $\Delta R$ , substructuur variabelen zoals $\tau_{21}$ en soft-drop massa) en de analyse regio zelf. Kenmerken worden geschaald naar het $[0, \pi]$ bereik om periodieke rotatiepoorten te accommoderen.

Model Architecturen:

BDT: Geïmplementeerd via XGBoost met 50 estimators en een maximale boomdiepte van 2.
MLP: Een PyTorch-gebaseerd netwerk met vier verborgen lagen (128, 128, 64, 32 neuronen) gebruikmakend van ReLU activatie en L2 regularisatie.
VQC: Geïmplementeerd met het PennyLane framework met een PyTorch interface. De architectuur maakt gebruik van een "StronglyEntanglingLayers" ansatz. Input kenmerken worden in qubits gecodeerd via $R_y$ en $R_z$ rotatiepoorten. Het circuit bevat alternerende lagen van geparametriseerde rotaties en CNOT entangling poorten (10 lagen voor $e-\mu$ en resolved kanalen). De output wordt afgeleid van de verwachtingswaarde van de Pauli-Z operator.
Training: Alle modellen gebruiken de Adam optimizer, Binary Cross-Entropy loss (gewogen door event luminositeit), en een 70:30 train-test split. De VQC wordt gesimuleerd met de default.qubit ideale state vector simulator, wat een bovengrens op de prestaties vertegenwoordigt zonder hardware-ruis.

Belangrijkste Resultaten
De prestaties van de drie classificaties werden geëvalueerd met standaard ML-metrieken (AUC, Separation Power) en natuurkunde-gemotiveerde metrieken (Maximale Significantie $Z_{max}$ , Significantie Winst, Geïntegreerde Significantie).

Dileptonisch $e-\mu$ kanaal: Alle drie de modellen (BDT, MLP, VQC) vertoonden statistisch ononderscheidbare prestaties. AUC-waarden varieerden tussen 0,61 en 0,69 afhankelijk van de regio, zonder significant voordeel voor een specifieke architectuur.
Hadronisch Boosted Regime: Op basis van neurale netwerk-modellen (MLP en VQC) vertoonden iets hogere AUC en separation power waarden vergeleken met BDT in de signaal-verrijkte ( $1b$ ) regio. In de achtergrond-verrijkte ( $2b$ ) regio vertoonde de VQC de hoogste separation power. Echter, de BDT produceerde zeer scherpe pieken in de significantie-curves die zeer instabiel waren (grote bootstrap onzekerheden), terwijl MLP en VQC stabielere significantie-curves boden. De Geïntegreerde Significantie bleef statistisch consistent over alle modellen.
Hadronisch Resolved Regime: De MLP bereikte de hoogste centrale waarden voor AUC en separation power in de signaalregio, hoewel de verschillen met BDT en VQC binnen de statistische onzekerheden vielen. In de achtergrondregio vertoonde de BDT iets hogere centrale waarden, maar ook hier waren de verschillen niet statistisch significant.

Conclusies en Betekenis
Het paper concludeert dat voor de specifieke taak van $tW$ versus $t\bar{t}$ discriminatie met de geselecteerde feature sets en beperkte statistiek, de Variational Quantum Classifier vergelijkbaar presteert met gevestigde klassieke algoritmen (BDT en MLP).

Prestatie-gelijkwaardigheid: De VQC presteert niet significant beter dan klassieke methoden, maar bereikt succesvol prestatieniveaus die gelijkwaardig zijn aan standaard classifiers.
Stabiliteit: In het ruizige boosted hadronische kanaal vertoonde de VQC (net als de MLP) stabielere significantie-curves vergeleken met de BDT, die onstabiele, hoge-significantie pieken vertoonde.
Haalbaarheid: De studie vestigt dat VQC's een levensvatbaar instrument zijn voor de High Energy Physics (HEP) achtergronddiscriminatie. De auteurs suggereren dat hoewel de huidige resultaten bescheiden zijn, de unieke eigenschappen van quantum entanglement en superpositie binnen de VQC-architectuur voordelen kunnen bieden in meer complexe analyse-regimes waar neurale netwerken al de BDT overtreffen (bijv. top-tagging of jet reconstructie), mits toekomstige studies gebruik kunnen maken van grotere datasets en potentieel noisy intermediate-scale quantum (NISQ) hardware.

Het werk dient als een systematische benchmark die aantoont dat quantum-geïnspireerde modellen competitief zijn met klassieke technieken in realistische HEP classificatie-taken, met name in regimes waar neurale netwerkarchitecturen al de voorkeur genieten.

Meer zoals dit