Beauty and charm jet identification with end-to-end training on a superconducting quantum processor
Diese Arbeit präsentiert das erste End-to-End-Training und Testen eines variablen Quantenschaltkreises zur Identifizierung von Beauty- und Charm-Jets auf einem echten 5-Qubit-Supraleiter-Quantenprozessor, was zeigt, dass Hardware-Rauschen die Leistung nicht signifikant verschlechtert und den Weg für zukünftigen Quantenvorteil bei Klassifizierungsaufgaben der Hochenergiephysik ebnet.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht vom Autor verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der hochenergetischen Welt der Teilchenphysik lassen Wissenschaftler Protonen mit nahezu Lichtgeschwindigkeit aufeinanderprallen, um die Bedingungen des frühen Universums zu rekonstruieren. Wenn diese Kollisionen auftreten, erzeugen sie Teilchenschauer, sogenannte Jets. Die meisten dieser Jets sind gewöhnlich, aber einige stammen von schweren, kurzlebigen Teilchen, die als Beauty- und Charm-Quarks bekannt sind. Zu identifizieren, welche Jets von diesen schweren Quarks stammen, ist entscheidend für das Testen der fundamentalen Naturgesetze, doch es ist eine unglaublich schwierige Aufgabe. Die schweren Quarks zerfallen so schnell, dass ihre Jets denjenigen von leichteren Teilchen sehr ähnlich sehen, was Forscher dazu zwingt, hunderte subtiler Hinweise zu durchforsten, um sie voneinander zu unterscheiden. Jahrzehntelang war dies eine Aufgabe für leistungsstarke klassische Computer und fortschrittliche künstliche Intelligenz, aber eine neue Frage ist aufgetaucht: Kann die aufkommende Technologie des Quantencomputings, die Informationen auf eine grundlegend andere Weise verarbeitet, helfen, dieses Problem zu lösen?
Ein Forschungsteam in Italien hat einen bedeutenden Schritt zur Beantwortung dieser Frage unternommen, indem es einen Quantencomputer darauf trainierte, diese Heavy-Flavor-Jets zu identifizieren. Sie haben den Prozess nicht nur auf einem regulären Computer simuliert, sondern den gesamten Trainings- und Testzyklus auf einem echten, physischen Quantenprozessor ausgeführt. Diese Maschine, ein fünf-Qubit-supraleitendes Gerät namens Lagrange, befindet sich am Politecnico di Torino. Die Forscher speisten dem Quantencomputer Daten aus dem LHCb-Experiment des Large Hadron Colliders zu, die simuliert worden waren, um Kollisionen bei einer Energie von 13 Teraelektronenvolt darzustellen. Ihr Ziel war es zu sehen, ob ein Quantenalgorithmus lernen kann, zwischen Jets von Beauty-Quarks und denen von Charm-Quarks zu unterscheiden, trotz der verrauschten und unvollkommenen Natur aktueller Quantenhardware.
Die Herausforderung war beträchtlich. Quantencomputer stecken heute noch in den Kinderschuhen, sind fehleranfällig und in der Menge der Informationen, die sie halten können, begrenzt. Die Forscher mussten die komplexen Daten, die einen Jet beschreiben, auf nur fünf Schlüsselmerkmale komprimieren – wie etwa die Masse eines sekundären Zerfallspunkts und die Anzahl der Teilchenspuren –, um sie auf die fünf verfügbaren Qubits unterzubringen. Sie entwarfen einen spezifischen Quantenschaltkreis, eine Reihe von Anweisungen, die die Quantenbits rotieren und verschränken, um diese Informationen zu verarbeiten. Im Gegensatz zu einem Standardcomputer, der einem festen Pfad folgt, besaß dieser Quantenschaltkreis einstellbare Regler oder Parameter, an denen die Maschine selbst drehen konnte, um ihre Genauigkeit zu verbessern. Das Team richtete eine Schleife ein, in der der Quantenprozessor eine Vermutung anstellte, ein klassischer Computer berechnete, wie falsch diese Vermutung war, und dann der Quantenprozessor seine Regler justierte, um es besser zu machen.
Was sie fanden, war ermutigend. Nachdem sie den Trainingsprozess vollständig auf dem Lagrange-Quantenprozessor durchgeführt hatten, lernte die Maschine erfolgreich, die beiden Arten von Jets zu trennen. Die Leistung des quantentrainierten Modells lag bemerkenswert nah an der eines Modells, das auf einer perfekten, rauschfreien Simulation trainiert wurde. Obwohl der Quantencomputer etwas Rauschen einführte und die Ergebnisse leicht verschob, zerstörte dies nicht die Fähigkeit, eine korrekte Klassifizierung vorzunehmen. Das System erreichte ein Maß an Unterscheidungsfähigkeit, das mit der idealen Simulation vergleichbar war, was beweist, dass das der Hardware inhärente Rauschen nicht notwendigerweise verhindert, dass eine Quantenmaschine eine komplexe physikalische Aufgabe lernt. Der gesamte Trainingsprozess, der tausende Berechnungen umfasste, dauerte weniger als eine Stunde der tatsächlichen Zeit auf dem Quantenprozessor.
Dieses Experiment dient als wichtiger Beweis der Machbarkeit (Proof of Concept). Es zeigt, dass der gesamte Workflow des Trainings eines Quanten-Maschinellen-Lernmodells – von der Ersteinrichtung bis zum abschließenden Testen – auf realer, verrauschter Hardware abgeschlossen werden kann, ohne dass die Leistung zusammenbricht. Die Forscher entwickelten auch eine Methode, um vorherzusagen, wie lange eine solche Aufgabe auf größeren Maschinen dauern würde, wobei sie schätzten, dass zukünftige Quantencomputer mit Dutzenden von Qubits in der Lage wären, realistischere, komplexere Daten innerhalb praktikabler Zeitrahmen zu verarbeiten, sofern die Hardware-Overheads kontrolliert werden. Während diese spezifische Fünf-Qubit-Maschine zu klein ist, um das vollständige Problem der Jet-Identifizierung zu lösen, wie es in realen Experimenten der Fall ist, was hunderte von Variablen umfasst, zeigt die Studie den Weg nach vorn auf. Sie legt nahe, dass Quantenprozessoren, wenn sie größer und stabiler werden, schließlich ein neues Werkzeug für die Hochenergiephysik bieten könnten, das in der Lage ist, Klassifizierungsaufgaben anzugehen, die selbst für die fortschrittlichsten klassischen Computer schwierig sind.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.