Quantum Fourier integration of decay rates at next-to-leading order

In der weiten, unsichtbaren Landschaft der Teilchenphysik berechnen Wissenschaftler ständig, wie schnell sich instabile Teilchen in leichtere Teilchen aufspalten. Diese Berechnungen, bekannt als Zerfallsraten, sind essenziell für das Verständnis der fundamentalen Kräfte, die unser Universum formen. Um diese Raten mit hoher Präzision vorherzusagen, müssen Physiker komplexe mathematische Probleme lösen, die die Summation zahlloser möglicher Wege beinhalten, auf denen sich ein Teilchen transformieren kann. Jahrzehntelang stützten sich diese Berechnungen auf leistungsstarke klassische Computer, doch mit steigender erforderlicher Präzision werden die Probleme so komplex, dass selbst die fortschrittlichsten Supercomputer Schwierigkeiten bekommen. Kürzlich ist ein neuer Ansatz entstanden, der Werkzeuge aus dem sich rasant entwickelnden Feld des Quantencomputings entlehnt. Anstatt zu versuchen, den gesamten physikalischen Prozess direkt zu simulieren, erforschen Forscher, ob Quantenmaschinen die Form dieser schwierigen Berechnungen erlernen und sie dann auf eine völlig andere Weise lösen können, indem sie die einzigartigen Eigenschaften der Quantenmechanik nutzen, um die Schwerstarbeit zu bewältigen.

Ein Forscher unter der Leitung von David F. Rentería-Estrada hat einen bedeutenden Schritt in diese Richtung unternommen, indem er eine Methode testete, die zwei unterschiedliche Quantentechniken kombiniert, um die Zerfallsraten von Teilchen mit einem hohen Maß an Präzision zu berechnen. Der Forscher konzentrierte sich auf drei spezifische Szenarien, bei denen ein schweres Teilchen in leichtere Quarks oder andere Teilchen zerfällt, wobei manchmal ein zusätzliches Teilchen emittiert wird. In der Sprache der Physik sind dies „Next-to-Leading-Order“-Berechnungen, was bedeutet, dass sie subtile Effekte zweiter Ordnung einschließen, die für die Genauigkeit entscheidend, aber notorisch schwierig zu berechnen sind, da sie Unendlichkeiten beinhalten, die sorgfältig herausgerechnet werden müssen. Um das Problem handhabbar zu machen, nutzte der Forscher zuerst einen mathematischen Rahmen namens Loop-Tree-Dualität. Dieser Rahmen fungt wie ein Filter, der die ungeordneten Beiträge von virtuellen Teilchen und realen Emissionen in eine einzige, glatte und endliche Funktion reorganisiert, die untersucht werden kann, ohne die mathematischen Singularitäten, die normalerweise Berechnungen zerstören, aufzuweisen.

Sobald diese saubere, endliche Funktion vorlag, speiste der Forscher sie in ein Quanten-Neuronales Netz ein. Man kann sich dieses Netzwerk wie eine flexible, programmierbare Maschine aus Quantenbits vorstellen, die lernen kann, die Form einer komplexen Kurve nachzuahmen. Der Forscher trainierte dieses Netzwerk darauf, das Muster der Zerfallsratenfunktion zu erkennen. Eine zentrale Erkenntnis seiner Arbeit ist, dass diese Quantenschaltkreise von Natur aus Ergebnisse erzeugen, die wie eine Summe von Wellen aussehen, ähnlich wie ein musikalischer Akkord aus einzelnen Tönen besteht. Durch das Training des Netzwerks brachte er ihm effektiv bei, den Zerfallsprozess als eine spezifische Kombination dieser Wellen zu beschreiben. Sobald das Netzwerk das Muster gelernt hatte, bat der Forscher es nicht, das Endergebnis direkt zu berechnen. Stattdessen extrahierte er die spezifischen Gewichte der Wellen, die das Netzwerk gelernt hatte, und nutzte einen separaten Quantenalgorithmus, die „Iterative Quantum Amplitude Estimation“, um die Flächen unter diesen Wellen aufzusummieren. Dieser zweistufige Prozess – das Erlernen der Form und anschließendes Aufsummieren der Wellen – ist der Kern seiner neuen Methode, die als „Quantum Fourier Iterative Amplitude Estimation“ bezeichnet wird.

Der Forscher testete diesen Ansatz sowohl mit einem perfekten, rauschfreien Quantensimulator als auch mit tatsächlicher, unvollkommener Quantenhardware, die über das Internet verfügbar ist. Als er die Berechnungen auf dem Simulator durchführte, stimmten die Ergebnisse sehr gut mit den bekannten theoretischen Vorhersagen überein und reproduzierten erfolgreich, wie sich die Zerfallsraten ändern, wenn sich die Masse der beteiligten Teilchen ändert. Dies bestätigte, dass die Methode im Prinzip funktioniert. Als er jedoch zur eigentlichen Quantenhardware überging, waren die Ergebnisse jedoch verrauschter und weniger präzise. Die Werte lagen im Allgemeinen niedriger als die theoretischen Vorhersagen, und die Unsicherheit war größer. Diese Diskrepanz ist zu erwarten, da aktuelle Quantengeräte noch anfällig für Fehler und Rauschen sind, die empfindliche Berechnungen stören. Der Forscher merkte an, dass die Hardware-Ergebnisse zwar noch nicht perfekt seien, die Tatsache jedoch, dass er den gesamten Prozess auf einer echten Maschine ausführen konnte, ein bedeutender Meilenstein sei.

Die Studie kommt zu dem Schluss, dass dieser hybride Ansatz, ein neuronales Netz zur Funktionserkennung und anschließend einen Quantenalgorithmus zur Integration zu verwenden, ein gangbarer Weg für die Hochenergiephysik ist. Der Forscher behauptete nicht, das Problem des „Quantenvorteils“ gelöst zu haben, was bedeutet, dass er nicht bewiesen hat, dass diese Methode derzeit schneller oder besser als klassische Computer ist. Stattdessen demonstrierte er einen Proof of Concept: dass Quantenmaschinen trainiert werden können, komplexe physikalische Integranden zu verstehen, und dass sie die notwendigen Integrationsschritte durchführen können. Die Arbeit hebt hervor, dass die Genauigkeit des Endergebnisses stark davon abhängt, wie gut das neuronale Netz die ursprüngliche Funktion approximieren kann und wie sauber die Quantenhardware während des Integrationsschritts arbeitet. Während die aktuellen Hardwarebeschränkungen verhindern, dass dies ein praktisches Werkzeug für den unmittelbaren Einsatz ist, öffnet das Experiment die Tür für zukünftige Anwendungen und legt nahe, dass Quanten-Maschinelles Lernen schließlich Physikern helfen könnte, sowohl die kurzreichweitigen, hochenergetischen Berechnungen von heute als auch die langreichweitigen, komplexen Probleme der Teilcheninteraktionen anzugehen, die derzeit noch außer Reichweite liegen.