← Últimos artículos
⚛️ física cuántica

Beauty and charm jet identification with end-to-end training on a superconducting quantum processor

Este artículo presenta el primer entrenamiento y prueba de extremo a extremo de un circuito cuántico variacional para identificar jets de belleza y encanto en un procesador cuántico superconductor real de 5 cúbits, demostrando que el ruido del hardware no degrada significativamente el rendimiento y allanando el camino para la futura ventaja cuántica en tareas de clasificación de física de altas energías.

Autor original: Lucio Anderlini, Pietro Asinari, Gianluca Bertaina, Davide Calonico, Marco Coïsson, Alessio Gianelle, Donatella Lucchesi, Giovanni Passaleva, Matteo Maria Piredda, Lorenzo Sestini, Michele Veltri, Dav
Publicado 2026-11-13
📖 4 min de lectura🧠 Análisis profundo

Autor original: Lucio Anderlini, Pietro Asinari, Gianluca Bertaina, Davide Calonico, Marco Coïsson, Alessio Gianelle, Donatella Lucchesi, Giovanni Passaleva, Matteo Maria Piredda, Lorenzo Sestini, Michele Veltri, Davide Zuliani

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por el autor. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el mundo de la alta energía de la física de partículas, los científicos chocan protones a casi la velocidad de la luz para recrear las condiciones del universo temprano. Cuando estos choques ocurren, producen chorros de partículas llamados "jets". La mayoría de estos jets son ordinarios, pero algunos se originan en partículas pesadas y de vida corta conocidas como quarks de belleza y de encanto. Identificar qué jets provienen de estos quarks pesados es crucial para poner a prueba las leyes fundamentales de la naturaleza, pero es una tarea increíblemente difícil. Los quarks pesados decaen tan rápido que sus jets se ven muy similares a los de partículas más ligeras, lo que requiere que los investigadores filtren cientos de pistas sutiles para diferenciarlos. Durante décadas, este ha sido un trabajo para potentes computadoras clásicas e inteligencia artificial avanzada, pero ha surgido una nueva pregunta: ¿puede la tecnología emergente de la computación cuántica, que procesa la información de una manera fundamentalmente diferente, ayudar a resolver este problema?

Un equipo de investigadores en Italia ha dado un paso significativo hacia la respuesta a esa pregunta al entrenar a una computadora cuántica para identificar estos jets de sabor pesado. No se limitaron a simular el proceso en una computadora regular; ejecutaron todo el ciclo de entrenamiento y prueba en un procesador cuántico real y físico. Esta máquina, un dispositivo superconductor de cinco cúbits llamado Lagrange, se encuentra en el Politecnico di Torino. Los investigadores alimentaron a la computadora cuántica con datos del experimento LHCb del Gran Colisionador de Hadrones (LHC), los cuales habían sido simulados para representar colisiones a una energía de 13 tera-electrónvoltios. Su objetivo era ver si un algoritmo cuántico podía aprender a distinguir entre jets de quarks de belleza y aquellos de quarks de encanto, a pesar de la naturaleza ruidosa e imperfecta del hardware cuántico actual.

El desafío fue sustancial. Las computadoras cuánticas actuales aún están en su infancia, propensas a errores y limitadas en la cantidad de información que pueden contener. Los investigadores tuvieron que comprimir los complejos datos que describen un jet en solo cinco características clave, tales como la masa de un punto de decaimiento secundario y el número de trazas de partículas, para que cupieran en los cinco cúbits disponibles. Diseñaron un circuito cuántico específico, un conjunto de instrucciones que rota y entrelaza los bits cuánticos para procesar esta información. A diferencia de una computadora estándar que sigue una ruta fija, este circuito cuántico tenía perillas ajustables, o parámetros, que la máquina podía sintonizar por sí misma para mejorar su precisión. El equipo estableció un bucle donde el procesador cuántico hacía una suposición, una computadora clásica calculaba qué tan errónea era esa suposición y luego el procesador cuántico ajustaba sus perillas para hacerlo mejor.

Lo que encontraron fue alentador. Después de ejecutar el proceso de entrenamiento enteramente en el procesador cuántico Lagrange, la máquina aprendió con éxito a separar los dos tipos de jets. El rendimiento del modelo entrenado cuánticamente fue notablemente cercano al de un modelo entrenado en una simulación perfecta y libre de ruido. Si bien la computadora cuántica introdujo algo de ruido y desplazó ligeramente los resultados, no destruyó la capacidad de realizar una clasificación correcta. El sistema logró un nivel de discriminación comparable al de la simulación ideal, demostrando que el ruido inherente a los dispositivos actuales no impide necesariamente que una máquina cuántica aprenda una tarea de física compleja. Todo el proceso de entrenamiento, que involucró miles de cálculos, tomó menos de una hora de tiempo real de uso en el procesador cuántico.

Este experimento sirve como una prueba de concepto vital. Demuestra que todo el flujo de trabajo de entrenamiento de un modelo de aprendizaje automático cuántico —desde la configuración inicial hasta la prueba final— puede completarse en hardware real y ruidoso sin que el rendimiento colapse. Los investigadores también desarrollaron una forma de predecir cuánto tiempo tomaría tal tarea en máquinas más grandes, estimando que futuras computadoras cuánticas con docenas de cúbits podrían manejar datos más realistas y complejos dentro de plazos factibles, siempre que se gestionen las sobrecargas de hardware. Si bien esta máquina específica de cinco cúbits es demasiado pequeña para resolver el problema completo de la identificación de jets tal como existe en experimentos reales, que involucra cientos de variables, el estudio muestra el camino a seguir. Sugiere que, a medida que los procesadores cuánticos crezcan en tamaño y estabilidad, eventualmente podrán ofrecer una nueva herramienta para la física de altas energías, capaz de abordar tareas de clasificación que son difíciles incluso para las computadoras clásicas más avanzadas.

¿Ahogado en artículos de tu campo?

Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.

Probar Digest →