Hybrid quantum-classical approach for combinatorial problems at hadron colliders

Il Large Hadron Collider è una macchina costruita per rispondere alle domande più profonde sull'universo, facendo scontrare protoni tra loro quasi alla velocità della luce. Quando queste particelle collidono, si frantumano in uno spruzzo caotico di frammenti più piccoli, creando un'istantanea fugace di energia che i fisici devono ricostruire per capire cosa sia successo. Nel mondo della fisica delle particelle, questa ricostruzione è spesso un gioco di deduzione. Gli scienziati osservano i detriti e cercano di capire quali pezzi provengano da quale particella madre, un compito che diventa incredibilmente difficile quando la collisione produce un gran numero di jet, o spruzzi di particelle, tutti mescolati insieme. Questo è noto come un problema combinatorio: con così tanti pezzi, il numero di modi per raggrupparli correttamente è vastissimo, e smistarli per trovare la vera storia della collisione è come cercare un set specifico di calzini abbinati in una stanza lavanderia dove ogni calzino sembra identico all'altro.

Per decenni, i fisici si sono affidati a metodi di calcolo classico per risolvere questi enigmi, utilizzando regole matematiche basate sulle leggi del moto e dell'energia per indovinare i raggruppamenti corretti. Più recentemente, si sono rivolti all'apprendimento automatico (machine learning), addestrando programmi informatici su milioni di eventi simulati per riconoscere modelli. Tuttavia, uno studio recente suggerisce che un tipo diverso di potenza di calcolo, che sfrutta le strane regole della meccanica quantistica, potrebbe offrire un modo fresco e potente per affrontare queste stesse sfide. Ricercatori provenienti da istituzioni tra cui l'Università di Pechino, l'Università del Kansas e IonQ hanno esplorato come gli algoritmi quantistici possano essere utilizzati per smistare i detriti delle collisioni dei quark top, un tipo specifico di evento di particelle pesanti che è notoriamente difficile da analizzare. Il loro lavoro mostra che questi metodi quantistici possono non solo eguagliare le prestazioni delle migliori tecniche esistenti, ma possono anche farlo senza richiedere le massicce sessioni di addestramento richieste dal machine learning tradizionale.

Il team ha concentrato la propria attenzione sul canale completamente adronico della produzione di coppie di quark top, uno scenario in cui due quark top pesanti vengono creati e decadono immediatamente in sei jet di particelle. In questo ambiente, il rilevatore vede una nuvola di sei jet distinti, ma non può dire quali tre appartengano al primo quark top e quali tre al secondo. Poiché il quark top è pesante e decade rapidamente, i jet che produce sono spesso raggruppati vicini, rendendo la distinzione ancora più difficile. I ricercatori hanno trattato questo compito di smistamento come un problema di ottimizzazione, chiedendo a un computer di trovare l'unico raggruppamento di jet che abbia più senso fisico secondo le leggi dell'energia e del momento. Hanno testato diversi algoritmi quantistici, incluso un metodo chiamato Quantum Approximation Optimization Algorithm, un approccio basato sul feedback che regola i suoi passaggi in tempo reale, e una tecnica che simula il flusso del tempo in un sistema quantistico per trovare lo stato di energia più basso.

Per vedere quanto bene funzionassero questi metodi, gli scienziati hanno eseguito simulazioni su un dataset di dodicimila eventi di collisione. Hanno confrontato gli algoritmi quantistici contro due benchmark stabiliti: un metodo cinematico tradizionale noto come approccio a emisfero (hemisphere approach), che semplicemente cerca di minimizzare la massa di ogni gruppo, e una sofisticata rete di machine learning chiamata SPANet che è stata addestrata su milioni di esempi. I risultati sono stati sorprendenti. Gli algoritmi quantistici, in particolare il metodo basato sul feedback e una variante dell'algoritmo di ottimizzazione, hanno identificato con successo il raggruppamento corretto dei jet in circa il 79 percento degli eventi. Ciò ha eguagliato le prestazioni della avanzata rete di machine learning e ha superato significativamente il tradizionale metodo a emisfero, che ha avuto successo solo circa il 50 percento delle volte.

Ciò che rende questo risultato particolarmente interessante è il modo in cui i metodi quantistici hanno ottenuto questi risultati. A differenza dell'approccio di machine learning, che doveva essere addestrato su una vasta libreria di dati simulati prima di poter essere utilizzato su eventi reali, gli algoritmi quantistici non avevano bisogno di alcun addestramento. Invece, hanno calcolato la soluzione per ogni singolo evento di collisione "al volo", adattando i propri parametri interni specificamente per quel momento. Ciò significa che se la fisica della collisione cambiasse leggermente, l'algoritmo quantistico non avrebbe bisogno di essere riaddestrato; si adatterebbe semplicemente alle nuove condizioni immediatamente. Lo studio ha anche scoperto che questi metodi quantistici erano robusti attraverso diversi tipi di collisioni, funzionando bene anche quando le particelle si muovevano a velocità diverse, un fattore che spesso confonde i metodi più semplici.

I ricercatori sono stati attenti a sottolineare che, sebbene questi risultati siano promettenti, si basano su simulazioni di dati idealizzati, dove gli effetti del rilevatore e i dettagli disordinati degli spruzzi di particelle sono stati semplificati. Nel mondo reale, il rumore e le limitazioni dell'hardware fisico rappresentano un ostacolo significativo. I circuiti quantistici utilizzati nello studio erano relativamente piccoli, coinvolgendo solo sei qubit, le unità di base dell'informazione quantistica. Man mano che il numero di particelle in una collisione aumenta, la complessità del problema cresce rapidamente, e i circuiti quantistici dovrebbero diventare molto più profondi e complessi per gestire il carico. Gli autori sottolineano che gli attuali computer quantistici sono ancora in una fase iniziale di sviluppo, soggetti a errori e rumore che possono interrompere i delicati calcoli. Tuttavia, lo studio serve come prova di concetto, dimostrando che il quadro matematico per risolvere questi problemi esiste e che i computer quantistici possono, in linea di principio, navigare nel complesso panorama delle collisioni di particelle con alta efficienza.

Il lavoro evidenzia anche un cambiamento più ampio nel modo in cui gli scienziati potrebbero approcciare l'analisi dei dati in futuro. Sebbene il machine learning sia diventato uno strumento dominante nella fisica, esso si basa fortemente sull'assunto che i dati che vede durante l'addestramento saranno esattamente uguali ai dati che incontrerà in seguito. Se il mondo reale si comporta diversamente dalla simulazione, il modello può fallire. L'approccio quantistico offre una strada diversa, una che si basa su principi fisici fondamentali piuttosto che sul riconoscimento di pattern da dati passati. Questo potrebbe essere un vantaggio cruciale man mano che gli esperimenti diventano più complessi e i dati più difficili da simulare accuratamente. Lo studio suggerisce che, man mano che l'hardware quantistico maturerà, questi algoritmi potrebbero diventare una parte standard dello strumento per i fisici, offrendo un modo per estrarre segnali più chiari dal caos del rumore delle collisioni ad alta energia.

In definitiva, la ricerca non sostiene di aver risolto il problema della ricostruzione delle particelle o di aver dimostrato un vantaggio definitivo rispetto a tutti i metodi di calcolo classico. Gli algoritmi classici usati per il confronto, come una tecnica di ricerca chiamata Tabu search, hanno ottenuto prestazioni quasi pari a quelle dei metodi quantistici in questo specifico problema su piccola scala. Il vero valore dello studio risiede nel mostrare che gli algoritmi quantistici sono un'alternativa valida e adattabile che non richiede il pesante lavoro dell'addestramento. Apre una porta per la futura esplorazione, suggerendo che, man mano che la tecnologia quantistica migliora, essa possa fornire un modo unico e potente per districare i misteri più complessi del mondo subatomico, trasformando lo spruzzo caotico di una collisione di particelle in una storia chiara e comprensibile.