A quantum representation of $\pi$ fragmentation functions through variational quantum circuits

Nel mondo subatomico, la materia non è fatta di mattoni solidi e indivisibili. Al contrario, è costruita da una zuppa dinamica di minuscole particelle chiamate quark e gluoni, che sono tenuti insieme da una forza così forte da avere il proprio nome: la forza nucleare forte. Quando queste particette vengono scagliate via in collisioni ad alta energia, non volano via da sole. Poiché la forza tra di esse si comporta come un elastico teso che si rifiuta di spezzarsi, l'energia utilizzata per separarle finisce per scattare indietro, creando nuove particelle dalla pura energia. Questo processo, noto come adronizzazione, trasforma i quark e i gluoni invisibili e fugaci nelle particelle stabili che possiamo effettivamente rilevare, come i protoni e i pioni. Per comprendere l'universo, dalle collisioni all'interno degli acceleratori di particelle alla nascita delle stelle, i fisici devono mappare esattamente come avviene questa trasformazione. Devono conoscere la probabilità precisa che un tipo specifico di quark si trasformi in un tipo specifico di particella, e come questa probabilità cambi al variare dell'energia della collisione.

Per decenni, gli scienziati hanno utilizzato formule matematiche complesse per descrivere questa trasformazione, adattandole ai dati raccolti da esperimenti massicci. Tuttavia, queste formule tradizionali richiedono spesso molte scelte arbitrarie sulla loro forma, il che può introdurre pregiudizi nascosti. Un nuovo studio condotto da un team di ricercatori in Spagna, Messico e Argentina esplora una strada diversa: utilizzare le proprietà uniche dei computer quantistici per mappare questo processo. Non hanno costruito un nuovo computer quantistico da zero; hanno invece progettato un sofisticato algoritmo quantistico, un insieme di istruzioni per una macchina quantistica, per apprendere i modelli di come le particelle si frammentano. Insegnando a questo algoritmo di riprodurre i migliori dati esistenti sulla formazione dei pioni, hanno scoperto che i modelli quantistici potevano catturare la complessa fisica con una sorprendente efficienza, utilizzando molti meno variabili rispetto ai metodi tradizionali e rivelando profonde connessioni tra diversi tipi di particelle che prima erano nascoste.

I ricercatori si sono concentrati su un tipo specifico di particella chiamato pione, che è uno dei prodotti più comuni delle collisioni ad alta energia. Nell'approccio standard, i fisici descrivono il comportamento dei pioni scrivendo una lunga lista di equazioni separate, una per ogni tipo di quark e una per il gluone, che funge da collante che tiene uniti i quark. Queste equazioni vengono poi regolate finché non corrispondono ai dati. Il team dietro questo nuovo lavoro si è posto una domanda diversa: un singolo circuito quantistico unificato potrebbe descrivere tutti questi diversi tipi di particelle contemporaneamente? Hanno costruito un modello in cui ogni tipo di quark e il gluone gli sono stati assegnati un piccolo bit quantistico, o qubit. Invece di lasciare che questi qubit operassero indipendentemente, i ricercatori li hanno collegati con speciali porte quantistiche che permettevano alle informazioni in un canale di particella di influenzare gli altri. Ciò ha creato una rete di entanglement, un fenomeno quantistico in cui lo stato di una particella è inestricabilmente legato allo stato di un'altra, indipendentemente dalla distanza.

I risultati sono stati sorprendenti. Quando il team ha addestrato questo modello quantistico sui dati stabiliti per la produzione di pioni, ha appreso i modelli con una velocità e un'accuratezza notevoli. Nei test in cui il livello di energia era mantenuto costante, il modello ha raggiunto un alto grado di precisione utilizzando solo due strati di operazioni quantistiche. Questo è significativo perché per risolvere problemi difficili sono solitamente richiesti circuiti più profondi e complessi, eppure qui un circuito poco profondo è stato sufficiente. I ricercatori hanno scoperto che l'entanglement tra i canali dei quark e dei gluoni era la chiave. Permettendo al modello di trattare i diversi tipi di particelle come un unico sistema interconnesso anziché come una collezione di parti separate, esso ha catturato la fisica sottostante in modo più naturale. Questo approccio ha ridotto il numero di variabili necessarie per descrivere il sistema, comprimendo efficacemente l'informazione in uno spazio molto più piccolo senza perdere alcun dettaglio.

Per capire perché questo abbia funzionato così bene, il team ha eseguito un'analisi spettrale, che è simile al rompere un suono complesso nelle sue singole note musicali per vedere quali frequenze sono presenti. Hanno scoperto che il modello quantistico stava essenzialmente costruendo i pattern delle particelle utilizzando un set molto limitato di componenti di frequenza. La maggior parte del comportamento complesso delle particelle poteva essere descritta da solo pochi pattern fondamentali e un piccolo numero di combinazioni di tali pattern. Ciò suggeriva che il modello quantistico non stava solo memorizzando i dati, ma stava trovando un modo compatto ed efficiente per rappresentare le leggi fondamentali che governano le particelle. Ha scoperto che la "musica" della frammentazione delle particelle è più semplice di quanto sembri, richiedendo solo poche note per suonare l'intera sinfonia.

I ricercatori hanno poi compiuto il passo successivo, espandendo il loro modello per gestire due variabili contemporaneamente: l'impulso della particella e la scala di energia della collisione. Questo è un compito molto più difficile perché il comportamento delle particelle cambia significamente al crescere dell'energia, in particolare quando l'energia diventa sufficientemente alta da creare particelle più pesanti come i quark charm e bottom. Queste particelle pesanti compaiono solo una volta che l'energia supera una specifica soglia, creando un cambiamento netto nei dati che è difficile da smussare per i modelli standard. Il team ha progettato il proprio circuito quantistico per includere una caratteristica specifica che imita questa soglia fisica, dicendo essenzialmente alla macchina: "Le particelle più pesanti compaiono solo quando l'energia è questa alta".

Quando hanno testato questo modello bidimensionale, esso ha riprodotto con successo i dati complessi attraverso un vasto intervallo di energie, dalle collisioni a bassa energia alle condizioni estreme presenti nel Large Hadron Collider. Il modello ha previsto il comportamento delle particelle con un'accuratezza che corrispondeva ai migliori set di dati esistenti, con un coefficiente di correlazione superiore a 0,999. Ciò significa che le previsioni del modello quantistico erano quasi indistinguibili dal consenso scientifico stabilito. Fondamentalmente, quando i ricercatori hanno rimosso la caratteristica specifica progettata per gestire le soglie delle particelle pesanti, le prestazioni del modello sono diminuite sensibilmente. Questo ha dimostrato che il miglioramento derivava dal design del circuito ispirato alla fisica, e non solo dal processo di machine learning in sé. Il modello ha imparato più velocemente e con maggiore accuratezza perché gli erano state date le corrette regole fisiche da seguire.

Lo studio conclude che questo approccio quantistico offre un nuovo e potente modo per descrivere il mondo non perturbativo della fisica delle particelle, dove gli strumenti matematici usuali spesso faticano. Utilizzando un singolo circuito quantistico intrecciato per rappresentare tutti i diversi modi in cui le particelle si formano, i ricercatori hanno creato una descrizione unificata che è sia compatta che altamente accurata. Questo metodo non sostituisce la necessità della fisica tradizionale, ma fornisce un nuovo, efficiente strumento per codificare le strutture complesse dell'adronizzazione. Suggerisce che il futuro della comprensione delle collisioni di particelle possa risiedere in sistemi ibridi che combinano la profonda intuizione fisica della meccanica quantistica con la flessibilità del machine learning, permettendo agli scienziati di vedere le connessioni nascoste tra i blocchi fondamentali della materia con una chiarezza senza precedenti.