Group invariance in quantum kernels for vector boson scattering identification at the LHC
Loading...
URL
Journal Title
Journal ISSN
Volume Title
School of Science |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Department
Major/Subject
Mcode
Degree programme
Language
en
Pages
85
Series
Abstract
Quantum machine learning (QML) offers provable speedups for certain data-driven tasks by operating in the exponentially large Hilbert space. While this enables complex function representations, it can also cause exponential concentration from finite shot counts, limiting scalability. With the upcoming High-Luminosity era of the LHC, QML’s potential is investigated to handle the unprecedented scale and complexity of data in the search for new physics. This thesis investigates the use of problem-specific permutation symmetries and kernel bandwidth 𝛾 optimization to mitigate scaling issues by confining the model’s Hilbert space to a viable, problem-inspired subspace in the context of identifying vector boson scattering (VBS), a rare process probing the electroweak sector, from a quantum chromodynamics background. In this work, the baseline hardware-efficient ansatz (HEA) is progressively symmetrized with respect to a permutation group to improve classification performance and scalability by leveraging the permutation symmetry of the final-state jets. Additionally, a novel quantum kernel, the Bivariate Permutation-Invariant Fidelity Quantum Kernel (BPINVFQK) that employs a local measurement, is introduced and evaluated. Under ideal, noise-free conditions, the symmetrized quantum kernels showed improvements in classification performance, as evidenced by better area-under-curve and centered kernel alignment values compared to both the baseline HEA kernel and a classical Gaussian kernel. However, these benefits largely vanish under realistic shot noise (10 000 shots), highlighting challenges for NISQ-era implementations and motivating further studies to, e.g., investigate the scaling of shot count dependence. Moreover, hyperparameter analysis reveals the critical dependency on 𝛾: smaller values promote anti-concentration up to a threshold, after which all HEA-based models begin to concentrate, while BPINVFQK exhibits hints of polynomial scaling at higher 𝛾, indicating promising scaling capability. Finally, experimental results gathered from VTT’s Q50 quantum computer corroborate the simulation findings, highlighting challenges in deploying symmetry-aware circuits on contemporary hardware.Kvanttikoneoppiminen tarjoaa todistettavia nopeutuksia tiettyihin datavetoisiin tehtäviin hyödyntämällä eksponentiaalisesti suurta Hilbertin avaruutta, mikä mahdollistaa monimutkaisten funktioiden esittämisen, mutta joka voi johtaa myös konsentraatio-ongelmiin rajallisen mittausmäärän vuoksi tehden mallin skaalauksesta vaikeaa. Hiukkasfysiikan kenttä selvittää kvanttilaskennan mahdollisuuksia data-analyysissä erityisesti LHC-hiukkastörmäyttimen tulevan korkean luminositeetin vaiheen myötä, jolloin tuotetaan ennennäkemätön datamäärä uuden fysiikan etsinnässä. Tässä opinnäytetyössä tutkitaan ongelmakohtaista permutaatiosymmetriaa ja kernelikaistanleveyden 𝛾 optimointia skaalausongelmien lievittämiseksi kaventamalla mallin tilavektoriavaruus käyttökelpoisempaan aliavaruuteen vektoribosonisirontaprosessin (VBS) tunnistuksessa kvanttikromodynamiikka-taustasta. VBS kuvaa harvinaista sähköheikkosektorin ilmiötä. Perusmallina käytetään laitteistotehokasta ansatzia (HEA), jota symmetrisoidaan asteittain hyödyntäen VBS:n lopputilan hiukkassuihkujen permutaatiosymmetriaa. Tämän lisäksi työssä esitellään uusi kvanttikernelityyppi Bivariate Permutation-Invariant Fidelity Quantum Kernel (BPINVFQK), joka hyödyntää paikallista mittausta. Ihanteellisissa, kohinattomissa simulaatioissa symmetrisoidut kvanttikernelit paransivat luokittelusuorituskykyä, mikä näkyi korkeampina käyrän alla olevan pinta-alan arvoina ja parempana keskitettynä kernelikohdistuksena verrattuna sekä perus-HEA-malliin että klassiseen Gaussin kerneliin. Realistisissa mittauskohinaolosuhteissa (10 000 näytettä) symmetrian edut pitkälti katosivat, korostaen NISQ-aikakauden toteutuksen haasteita ja motivoiden jatkotutkimuksia näytesuuruuden skaalautumisen tarkastelua ajatellen. Hyperparametrianalyysi osoitti, että pienemmät 𝛾-arvot edistävät antikonsentraatiota tiettyyn pisteeseen saakka, jonka jälkeen kaikki HEA-pohjaiset mallit alkavat konsentroitua eksponentiaalisesti, kun taas BPINVFQK osoittaa viitteitä polynomimaisesta käytöksestä korkeammilla 𝛾:n arvoilla, merkiten parempaa skaalautuvuuspotentiaalia. VTT:n Q50-kvanttitietokoneen tulokset tukevat simulaatiotuloksia, korostaen symmetrisoitujen piirien toteutuksen käytännön haasteita.Description
Supervisor
Paler, AlexandruThesis advisor
Laurila, SanteriGrossi, Michele