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

Dans le vaste paysage invisible de la physique des particules, les scientifiques calculent constamment la rapidité avec laquelle les particules instables se désintègrent en particules plus légères. Ces calculs, connus sous le nom de taux de désintégration, sont essentiels pour comprendre les forces fondamentales qui façonnent notre univers. Pour prédire ces taux avec une grande précision, les physiciens doivent résoudre des problèmes mathématiques complexes qui impliquent la somme d'innombrables façons dont une particule peut se transformer. Pendant des décennies, ces calculs ont reposé sur de puissants ordinateurs classiques, mais à mesure que la précision requise augmente, les problèmes deviennent si complexes que même les supercalculateurs les plus avancés peinent à les résoudre. Récemment, une nouvelle approche est apparue qui emprunte des outils au domaine en pleine évolution de l'informatique quantique. Au lieu d'essayer de simuler directement l'ensemble du processus physique, les chercheurs explorent si des machines quantiques peuvent apprendre la forme de ces calculs difficiles et les résoudre ensuite d'une manière complètement différente, en utilisant les propriétés uniques de la mécanique quantique pour effectuer le travail de force.

Un chercheur dirigé par David F. Rentería-Estrada a franchi une étape significative dans cette direction en testant une méthode qui combine deux techniques quantiques distinctes pour calculer les taux de désintégration de particules avec un haut niveau de précision. Le chercheur s'est concentré sur trois scénarios spécifiques où une particule lourde se désintègre en quarks plus légers ou d'autres particules, émettant parfois une particule supplémentaire au passage. Dans le langage de la physique, il s'agit de calculs de « l'ordre suivant » (next-to-leading order), ce qui signifie qu'ils incluent des effets subtils de second ordre qui sont cruciaux pour la précision, mais notoirement difficiles à calculer car ils impliquent des infinis qui doivent être soigneusement annulés. Pour rendre le problème gérable, le chercheur a d'abord utilisé un cadre mathématique appelé Dualité Arbre-Boucle (Loop-Tree Duality). Ce cadre agit comme un filtre, réorganisant les contributions désordonnées des particules virtuelles et des émissions réelles en une fonction unique, lisse et finie, qui peut être étudiée sans les singularités mathématiques qui font habituellement échouer les calculs.

Une fois cette fonction propre et finie obtenue, le chercheur l'a injectée dans un réseau de neurones quantiques. Imaginez ce réseau comme une machine programmable et flexible composée de bits quantiques, capable d'apprendre à imiter la forme d'une courbe complexe. Le chercheur a entraîné ce réseau pour qu'il reconnaisse le motif de la fonction de taux de désintégration. Une idée clé de son travail est que ces circuits quantiques produisent naturellement des résultats qui ressemblent à une somme d'ondes, de la même manière qu'un accord musical est composé de notes individuelles. En entraînant le réseau, ils lui ont effectivement appris à décrire le taux de désintégration comme une combinaison spécifique de ces ondes. Une fois que le réseau a appris le motif, le chercheur ne lui a pas demandé de calculer la réponse finale directement. Au lieu de cela, il a extrait les poids spécifiques des ondes que le réseau avait apprises et a utilisé un algorithme quantique distinct, appelé Estimation d'Amplitude Quantique Itérative (Iterative Quantum Amplitude Estimation), pour additionner les aires sous ces ondes. Ce processus en deux étapes — apprendre la forme puis sommer les ondes — est le cœur de leur nouvelle méthode, appelée Estimation d'Amplitude de Fourier Quantique (Quantum Fourier Iterative Amplitude Estimation).

Le chercheur a testé cette approche en utilisant à la fois un simulateur quantique parfait et sans bruit, ainsi qu'un matériel quantique réel et imparfait disponible sur Internet. Lorsqu'ils ont exécuté les calculs sur le simulateur, les résultats correspondaient très bien aux prédictions théoriques connues, reproduisant avec succès la façon dont les taux de désintégration changent en fonction de la masse des particules impliquées. Cela a confirmé que la méthode fonctionne en principe. Cependant, lorsqu'ils ont déplacé le calcul vers un véritable matériel quantique, les résultats étaient plus bruyants et moins précis. Les valeurs étaient généralement inférieures aux prédictions théoriques, et l'incertitude était plus grande. Cette divergence est attendue, car les dispositifs quantiques actuels sont encore sujets aux erreurs et au bruit qui interfèrent avec les calculs délicats. Le chercheur a noté que bien que les résultats du matériel ne soient pas encore parfaits, le fait de pouvoir exécuter l'ensemble du processus sur une machine réelle constitue un jalon majeur.

L'étude conclut que cette approche hybride consistant à utiliser un réseau de neurones quantiques pour apprendre une fonction, puis un algorithme quantique pour l'intégrer, est une voie viable pour la physique des hautes énergies. Le chercheur n'a pas prétendu avoir résolu le problème de l'avantage quantique, ce qui signifie qu'il n'a pas prouvé que cette méthode est actuellement plus rapide ou meilleure que les ordinateurs classiques. Il a plutôt démontré une preuve de concept : que les machines quantiques peuvent être entraînées pour comprendre des intégrandes physiques complexes et peuvent effectuer les étapes d'intégration nécessaires. Le travail souligne que la précision du résultat final dépend fortement de la capacité du réseau de neurones à approximer la fonction originale et de la propreté du matériel quantique lors de l'étape d'intégration. Bien que les limites actuelles du matériel empêchent une utilisation pratique immédiate, l'expérience ouvre une porte pour des applications futures, suggérant que l'apprentissage automatique quantique pourrait éventuellement aider les physiciens à aborder à la fois les calculs à courte distance et à haute énergie qu'ils effectuent aujourd'hui, et les problèmes complexes à longue distance des interactions de particules qui restent hors de portée.