预计高亮度大型强子对撞机 (HL-LHC) 实验的跟踪探测器所需的计算复杂度和数据规模将空前增加。虽然目前使用的基于卡尔曼滤波器的算法在同时发生的碰撞数量、占用率和可扩展性(比二次方差)的模糊性方面已达到极限,但人们正在探索各种用于粒子轨迹重建的机器学习方法。HEP.TrkX 之前使用 TrackML 数据集证明,图形神经网络通过将事件处理为连接轨迹测量的图形,可以通过将组合背景减少到可管理的数量并扩展到计算上合理的大小来提供有希望的解决方案。在之前的工作中,我们展示了量子计算对图形神经网络进行粒子轨迹重建的首次尝试。我们旨在利用量子计算的能力同时评估大量状态,从而有效地搜索大型参数空间。作为本文的下一步,我们提出了一种改进的模型,采用迭代方法来克服初始过度简化的树张量网络 (TTN) 模型的低精度收敛问题。
主要关键词