探测器变化下用于对撞机事件选择的鲁棒量子机器学习

随着实验进入更高亮度和未来更高能量对撞机的时代，鲁棒机器学习方法对于高能物理数据分析变得越来越重要。探测器退化、运行条件变化和校准漂移会改变数据分布，导致在干净参考样本上训练的模型在部署后性能下降。我们研究了参数化量子模型是否在两种互补的设置中为鲁棒对撞机事件选择提供有用的归纳偏置。在无监督研究中，将基于背景事件训练的量子自编码器与经典和变分自编码器进行了异常检测比较。在监督研究中，训练具有数据重上传的量子分类器来区分超对称信号与背景，并与线性和多层感知器分类器进行比较。所有模型均在参考条件下训练，随后在参数和预处理变换保持不变的情况下，在受控的特征级涂抹下进行评估。在干净输入上，量子自编码器实现了具有竞争力的异常检测性能，包括与触发相关的低假阳性率区域，而更深的数据重上传分类器获得了与非线性经典基线相当的判别能力。在涂抹下，量子模型通常在其输出分数上表现出较小的偏移，并且比表达性强的经典基线更有效地保持其判别能力。这些结果表明，参数化量子模型可以为对撞机事件选择提供有用的鲁棒性归纳偏置，并激励使用真实探测器系统效应、有限射击统计和量子器件噪声进行进一步研究。