用于高能物理的洛伦兹等变量子图神经网络
机器学习
2025-04-29 v3 高能物理 - 实验
仪器与探测器
摘要
高亮度大型强子对撞机产生的数据激增引入了需要新方法来实现粒子物理中高效数据处理的关键计算挑战。量子机器学习凭借其利用量子硬件广泛希尔伯特空间的能力，提供了一个有前景的解决方案。然而，现有的量子图神经网络(GNN)缺乏对噪声的鲁棒性，且常受限于固定的对称群，限制了其在复杂粒子相互作用建模中的适应性。本文证明，将LorentzNet中的洛伦兹群等变模块替换为经过训练的量子电路，可以在使用几乎少5.5倍参数的情况下显著提升性能。此外，量子电路通过内在地保持对称性有效替代了多层感知机，洛伦兹对称性的整合确保了对相对论不变性的鲁棒处理。我们的洛伦兹等变量子图神经网络(Lorentz-EQGNN)在夸克-胶子喷注标记数据集上实现了74.00%的测试准确率和87.38%的AUC，优于经典和量子GNN，且仅使用4个量子比特的简化架构。在电子-光子数据集上，Lorentz-EQGNN达到了67.00%的测试准确率和68.20%的AUC，仅用800个训练样本即展示了竞争力。在MNIST和FashionMNIST数据集上的评估证实了Lorentz-EQGNN的效率，分别实现了88.10%和74.80%的测试准确率。消融研究验证了量子组件对性能的影响，在背景排斥率方面相比经典对应方法取得了显著提升。这些结果凸显了Lorentz-EQGNN在噪声鲁棒喷注标记、事件分类和更广泛的数据稀缺高能物理任务中的即时应用潜力。
引用
@article{arxiv.2411.01641,
title = {Lorentz-Equivariant Quantum Graph Neural Network for High-Energy Physics},
author = {Md Abrar Jahin and Md. Akmol Masud and Md Wahiduzzaman Suva and M. F. Mridha and Nilanjan Dey},
journal= {arXiv preprint arXiv:2411.01641},
year = {2025}
}