What question did this study set out to answer?

본 연구의 목적은 하이브리드 양자 기계 학습 프레임워크를 사용하여 이중 힉스 보존 검색의 민감도를 향상시키는 것이다.

May 7, 2026Open Access

큐비트에서 결합으로: LHC 물리학을 위한 하이브리드 양자 기계 학습 프레임워크

MHMarwan Ait HaddouUniversity of Hassan II Casablanca MBM. BelfkirUniversity of Bonn SESalah Eddine ElharraussAl Ain University

Key Points

본 연구의 목적은 하이브리드 양자 기계 학습 프레임워크를 사용하여 이중 힉스 보존 검색의 민감도를 향상시키는 것이다.
하이브리드 양자 기계 학습(HyQML) 프레임워크를 개발하였다.
매개변수화된 양자 회로와 고전 신경망을 결합하였다.
이벤트 수준의 기능을 양자 기능 공간에 임베딩하였다.
순수 양자 방법, XGBoost 및 Graph Neural Networks에 대한 성능을 비교하였다.
순수 양자 구현보다 우수한 성능을 보였다.
Graph Neural Network 기준선에 비해 경쟁력 있는 성능을 달성하였다.
이중 힉스 보존 생산 단면적에 대한 민감도가 향상되었다.
힉스 보존 자기 결합 및 사차 벡터 보존–힉스 결합에 대한 제약이 개선되었다.

Abstract

초록 본 논문에서는 s = 13.6 TeV에서 HH bb 최종 상태에서 이중 힉스 보존 검색의 민감도를 향상시키기 위한 하이브리드 양자 기계 학습(HyQML) 프레임워크를 제안한다. 제안된 모델은 매개변수화된 양자 회로를 고전 신경망 메타 모델과 결합하여 이벤트 수준의 기능을 양자 기능 공간에 임베딩하면서 고전 학습의 최적화 안정성을 유지한다. 우리의 기준 설정에서 하이브리드 모델은 순수 양자 구현보다 우수하며, XGBoost를 초월하고 Graph Neural Network (GNN) 기준선과 유사한 성능을 발휘하며, 비공명 이중 힉스 보존 생산 단면적에 대한 기대되는 95% CL 상한을 각각 1.9 × σSM 및 2.1 × σSM으로 달성하였다. 또한 힉스 보존 자기 결합 κλ 및 사차 벡터 보존–힉스 결합 κ2V에 대한 기대되는 제약이 순수 양자 모델에 비해 향상되었으며 이 작업에서 고려한 고전 기준선과 경쟁력을 갖춘다.

AI에게 질문

Bookmark

View Full Paper