Beauty and charm jet identification with end-to-end training on a superconducting quantum processor
Cet article présente le premier entraînement et test de bout en bout d'un circuit quantique variationnel pour l'identification des jets de beauté et de charme sur un processeur quantique supraconducteur réel à 5 qubits, démontrant que le bruit matériel ne dégrade pas significativement les performances et ouvrant la voie à un futur avantage quantique dans les tâches de classification de la haute énergie.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par l'auteur. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Dans le monde de la haute énergie de la physique des particules, les scientifiques font s'entrechoquer des protons à une vitesse proche de celle de la lumière pour recréer les conditions de l'univers primordial. Lorsque ces collisions se produisent, elles produisent des jets de particules. La plupart de ces jets sont ordinaires, mais certains proviennent de particules lourdes et éphémères connues sous le nom de quarks beauté et charme. Identifier quels jets proviennent de ces quarks lourds est crucial pour tester les lois fondamentales de la nature, pourtant c'est une tâche incroyablement difficile. Les quarks lourds se désintègrent si rapidement que leurs jets ressemblent énormément à ceux de particules plus légères, obligeant les chercheurs à passer au crible des centaines d'indices subtils pour les distinguer. Depuis des décennies, cela relève du travail d'ordinateurs classiques puissants et d'une intelligence artificielle avancée, mais une nouvelle question a émergé : la technologie émergente de l'informatique quantique, qui traite l'information d'une manière fondamentalement différente, peut-elle aider à résoudre ce problème ?
Une équipe de chercheurs en Italie a franchi une étape significative vers la réponse à cette question en entraînant un ordinateur quantique à identifier ces jets à saveur lourde. Ils n'ont pas seulement simulé le processus sur un ordinateur classique ; ils ont exécuté l'intégralité du cycle d'entraînement et de test sur un véritable processeur quantique physique. Cette machine, un dispositif supraconducteur à cinq qubits nommé Lagrange, se trouve au Politecnico di Torino. Les chercheurs ont injecté dans l'ordinateur quantique des données provenant de l'expérience LHCb du Grand Collisionneur de Hadrons (LHC), qui avaient été simulées pour représenter des collisions à une énergie de 13 téra-électronvolts. Leur objectif était de voir si un algorithme quantique pouvait apprendre à distinguer les jets provenant de quarks beauté de ceux provenant de quarks charme, malgré la nature bruitée et imparfaite du matériel quantique actuel.
Le défi était de taille. Les ordinateurs quantiques actuels en sont encore à leurs balbutiements, sujets aux erreurs et limités par la quantité d'informations qu'ils peuvent contenir. Les chercheurs ont dû compresser les données complexes décrivant un jet en seulement cinq caractéristiques clés, telles que la masse d'un point de désintégration secondaire et le nombre de traces de particules, afin de les faire tenir sur les cinq qubits disponibles. Ils ont conçu un circuit quantique spécifique, un ensemble d'instructions qui fait pivoter et enchevêtre les bits quantiques pour traiter cette information. Contrairement à un ordinateur standard qui suit un chemin fixe, ce circuit quantique possédait des boutons réglables, ou paramètres, que la machine pouvait ajuster elle-même pour améliorer sa précision. L'équipe a mis en place une boucle où le processeur quantique faisait une supposition, un ordinateur classique calculait à quel point cette supposition était erronée, puis le processeur quantique ajustait ses boutons pour faire mieux.
Leurs résultats ont été encourageants. Après avoir exécuté le processus d'entraînement entièrement sur le processeur quantique Lagrange, la machine a réussi à apprendre à séparer les deux types de jets. La performance du modèle entraîné par voie quantique était remarquablement proche de celle d'un modèle entraîné sur une simulation parfaite et sans bruit. Bien que l'ordinateur quantique ait introduit un certain bruit et ait légèrement décalé les résultats, il n'a pas détruit la capacité à effectuer une classification correcte. Le système a atteint un niveau de discrimination comparable à la simulation idéale, prouvant que le bruit inhérent aux dispositifs actuels n'empêche pas nécessairement une machine quantique d'apprendre une tâche de physique complexe. L'ensemble du processus d'entraînement, impliquant des milliers de calculs, a pris moins d'une heure de temps réel passé sur le processeur quantique.
Cette expérience sert de preuve de concept vitale. Elle démontre que l'intégralité du flux de travail pour entraîner un modèle d'apprentissage automatique quantique — de la configuration initiale au test final — peut être achevée sur un matériel réel et bruité sans que la performance ne s'effondre. Les chercheurs ont également développé une méthode pour prédire le temps qu'une telle tâche prendrait sur des machines plus grandes, estimant que les futurs ordinateurs quantiques dotés de dizaines de qubits pourraient gérer des données plus réalistes et complexes dans des délais raisonnables, à condition que les surcoûts matériels soient gérés. Bien que cette machine spécifique à cinq qubits soit trop petite pour résoudre le problème complet de l'identification des jets tel qu'il existe dans les expériences réelles, qui implique des centaines de variables, l'étude montre la voie à suivre. Elle suggère qu'à mesure que les processeurs quantiques deviendront plus grands et plus stables, ils pourront éventuellement offrir un nouvel outil pour la physique des hautes énergies, capable de s'attaquer à des tâches de classification difficiles même pour les ordinateurs classiques les plus avancés.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.