Hybrid quantum-classical approach for combinatorial problems at hadron colliders

Le Grand Collisionneur de Hadrons est une machine construite pour répondre aux questions les plus profondes de l'univers en faisant s'entrechoquer des protons à une vitesse proche de celle de la lumière. Lorsque ces particules entrent en collision, elles se brisent en un jet chaotique de fragments plus petits, créant un instantané éphémère d'énergie que les physiciens doivent reconstruire pour comprendre ce qui s'est passé. Dans le monde de la physique des particules, cette reconstruction est souvent un jeu de déduction. Les scientifiques observent les débris et tentent de déterminer quels morceaux proviennent de quelle particule parente, une tâche qui devient incroyablement difficile lorsque la collision produit un grand nombre de jets, ou jets de particules, tous mélangés. C'est ce qu'on appelle un problème combinatoire : avec autant de pièces, le nombre de façons de les regrouper correctement est vaste, et trier ces éléments pour trouver la véritable histoire de la collision revient à essayer de trouver un ensemble spécifique de chaussettes assorties dans une buanderie où chaque chaussette ressemble à toutes les autres.

Pendant des décences, les physiciens se sont appuyés sur des méthodes de calcul classiques pour résoudre ces énigmes, utilisant des règles mathématiques basées sur les lois du mouvement et de l'énergie pour deviner les regroupements corrects. Plus récemment, ils se sont tournés vers l'apprentissage automatique, entraînant des programmes informatiques sur des millions d'événements simulés pour reconnaître des motifs. Cependant, une nouvelle étude suggère qu'un autre type de puissance de calcul, qui exploite les règles étranges de la mécanique quantique, pourrait offrir une manière nouvelle et puissante de relever ces mêmes défis. Des chercheurs issus d'institutions incluant l'Université de Pékin, l'Université du Kansas et IonQ ont exploré comment les algorithmes quantiques peuvent être utilisés pour trier les débris de collisions de quarks top, un type spécifique d'événement de particules lourdes qui est notoirement difficile à analyser. Leurs travaux montrent que ces méthodes quantiques peuvent non seulement égaler les performances des meilleures techniques existantes, mais aussi le faire sans nécessiter les sessions d'entraînement massives dont les méthodes d'apprentissage automatique traditionnelles ont besoin.

L'équipe a concentré son attention sur le canal entièrement hadronique de la production de paires de quarks top, un scénario où deux quarks top lourds sont créés et se désintègrent immédiatement en six jets de particules. Dans cet environnement, le détecteur voit un nuage de six jets distincts, mais il ne peut pas dire lesquels appartiennent au premier quark top et lesquels appartiennent au second. Parce que le quark top est lourd et se désintègre rapidement, les jets qu'il produit sont souvent regroupés, ce qui rend la distinction encore plus difficile. Les chercheurs ont traité cette tâche de tri comme un problème d'optimisation, demandant à un ordinateur de trouver l'unique regroupement de jets qui fait le plus de sens physique selon les lois de l'énergie et de la quantité de mouvement. Ils ont testé plusieurs algorithmes quantiques différents, incluant une méthode appelée Algorithme d'Optimisation par Approximation Quantique, une approche basée sur le feedback qui ajuste ses étapes en temps réel, et une technique qui simule le flux du temps dans un système quantique pour trouver l'état d'énergie le plus bas.

Pour voir comment ces méthodes fonctionnaient, les scientifiques ont effectué des simulations sur un ensemble de données de douze mille événements de collision. Ils ont comparé les algorithmes quantiques à deux références établies : une méthode cinématique traditionnelle connue sous le nom d'approche par hémisphère, qui tente simplement de minimiser la masse de chaque groupe, et un réseau d'apprentissage automatique sophistiqué appelé SPANet qui a été entraîné sur des millions d'exemples. Les résultats ont été frappants. Les algorithmes quantiques, particulièrement la méthode basée sur le feedback et une variante de l'algorithme d'optimisation, ont réussi à identifier le regroupement correct de jets dans environ 79 pour cent des événements. Cela égalait la performance du réseau d'apprentissage automatique avancé et surpassait nettement la méthode traditionnelle de l'hémisphère, qui ne réussissait qu'environ 50 pour cent du temps.

Ce qui rend cette découverte particulièrement intéressante est la manière dont les méthodes quantiques ont obtenu ces résultats. Contrairement à l'approche d'apprentissage automatique, qui devait être entraînée sur une vaste bibliothèque de données simulées avant de pouvoir être utilisée sur des événements réels, les algorithmes quantiques n'avaient besoin d'aucun entraînement. Au lieu de cela, ils calculaient la solution pour chaque événement de collision individuel à la volée, ajustant leurs paramètres internes spécifiquement pour ce moment précis. Cela signifie que si la physique de la collision changeait légèrement, l'algorithme quantique n'aurait pas besoin d'être réentraîné ; il s'adapterait simplement aux nouvelles conditions immédiatement. L'étude a également révélé que ces méthodes quantiques étaient robustes à travers différents types de collisions, fonctionnant bien même lorsque les particules se déplaçaient à des vitesses différentes, un facteur qui confond souvent les méthodes plus simples.

Les chercheurs ont pris soin de noter que, bien que ces résultats soient prometteurs, ils sont basés sur des simulations de données idéalisées, où les effets du détecteur et les détails complexes des gerbes de particules ont été simplifiés. Dans le monde réel, le bruit et les limitations du matériel physique représentent un obstacle important. Les circuits quantiques utilisés dans l'étude étaient relativement petits, impliquant seulement six qubits, les unités de base de l'information quantique. À mesure que le nombre de particules dans une collision augmente, la complexité du problème croît rapidement, et les circuits quantiques devraient devenir beaucoup plus profonds et complexes pour supporter la charge. Les auteurs soulignent que les ordinateurs quantiques actuels sont encore à un stade précoce de développement, sujets aux erreurs et au bruit qui peuvent perturber les calculs délicats. Cependant, l'étude sert de preuve de concept, démontrant que le cadre mathématique pour résoudre ces problèmes existe et que les ordinateurs quantiques peuvent, en principe, naviguer dans le paysage complexe des collisions de particules avec une grande efficacité.

Le travail met également en lumière un changement plus large dans la manière dont les scientifiques pourraient aborder l'analyse de données à l'avenir. Bien que l'apprentissage automatique soit devenu un outil dominant en physique, il repose fortement sur l'hypothèse que les données qu'il voit pendant l'entraînement ressembleront exactement aux données qu'il rencontrera plus tard. Si le monde réel se comporte différemment de la simulation, le modèle peut échouer. L'approche quantique offre un chemin différent, qui repose sur des principes physiques fondamentaux plutôt que sur la reconnaissance de formes à partir de données passées. Cela pourrait constituer un avantage crucial à mesure que les expériences deviennent plus complexes et les données plus difficiles à simuler avec précision. L'étude suggère qu'à mesure que le matériel quantique gagnera en maturité, ces algorithmes pourraient devenir un outil standard pour les physiciens, offrant un moyen d'extraire des signaux plus clairs du bruit chaotique des collisions à haute énergie.

En fin de compte, la recherche ne prétend pas avoir résolu le problème de la reconstruction des particules ou avoir démontré un avantage définitif sur toutes les méthodes de calcul classiques. Les algorithmes classiques utilisés pour la comparaison, tels qu'une technique de recherche appelée recherche Tabu, ont performé presque aussi bien que les méthodes quantiques sur ce problème spécifique et de petite échelle. La véritable valeur de l'étude réside dans le fait de montrer que les algorithmes quantiques sont une alternative viable et adaptable qui ne nécessite pas l'effort massif de l'entraînement. Elle ouvre une porte à l'exploration future, suggérant qu'à mesure que la technologie quantique progressera, elle pourra fournir un moyen unique et puissant de démêler les mystères les plus complexes du monde subatomique, transformant le jet chaotique d'une collision de particules en une histoire claire et compréhensible.