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

Nel vasto e invisibile panorama della fisica delle particelle, gli scienziati calcolano costantemente la rapidità con cui le particelle instabili si frammentano in particelle più leggere. Questi calcoli, noti come tassi di decadimento, sono essenziali per comprendere le forze fondamentali che modellano il nostro universo. Per prevedere questi tassi con alta precisione, i fisici devono risolvere complessi problemi matematici che comportano la sommatoria di innumerevoli modi possibili in cui una particella può trasformarsi. Per decenni, questi calcoli si sono basati su potenti computer classici, ma man mano che la precisione richiesta cresce, i problemi diventano così intricati che anche i supercomputer più avanzati faticano. Recentemente, è emersa un approccio nuovo che prende in prestito strumenti dal campo della computazione quantistica, in rapida evoluzione. Invece di cercare di simulare l'intero processo fisico direttamente, i ricercatori stanno esplorando se le macchine quantistiche possano apprendere la forma di questi difficili calcoli e poi risolverli in un modo completamente diverso, utilizzando le proprietà uniche della meccanica quantistica per gestire il lavoro pesante.

Un ricercatore guidato da David F. Rentería-Estrada ha compiuto un passo significativo in questa direzione, testando un metodo che combina due distinte tecniche quantistiche per calcolare i tassi di decadimento delle particelle con un alto livello di precisione. Il ricercatore si è concentrato su tre scenari specifici in cui una particella pesante decade in quark più leggeri o altre particelle, talvolta emettendo una particella extra nel processo. Nel linguaggio della fisica, questi sono calcoli "next-to-leading order", il che significa che includono effetti sottili del secondo ordine che sono cruciali per l'accuratezza ma notoriamente difficili da calcolare perché coinvolgono infiniti che devono essere attentamente cancellati. Per rendere il problema gestibile, il ricercatore ha prima utilizzato un quadro matematico chiamato Dualità Loop-Tree. Questo quadro agisce come un filtro, riorganizzando i contributi disordinati delle particelle virtuali e delle emissioni reali in una funzione singola, fluida e finita che può essere studiata senza le singolarità matematiche che solitamente interrompono i calcoli.

Una volta ottenuta questa funzione pulita e finita, il ricercatore l'ha inserita in una rete neurale quantistica. Immaginate questa rete come una macchina flessibile e programmabile fatta di bit quantistici che può imparare a imitare la forma di una curva complessa. Il ricercatore ha addestrato questa rete a riconoscere il pattern della funzione del tasso di decadimento. Un'intuizione chiave del loro lavoro è che questi circuiti quantistici producono naturalmente risultati che sembrano una somma di onde, simile a come un accordo musicale è composto da note individuali. Addestrando la rete, hanno effettivamente insegnato a questa di descrivere il tasso di decadimento come una specifica combinazione di queste onde. Una volta che la rete ha appreso il pattern, il ricercatore non le ha chiesto di calcolare direttamente la risposta finale. Invece, ha estratto i pesi specifici delle onde che la rete aveva appreso e ha utilizzato un algoritmo quantistico separato, chiamato Stima dell'Ampiezza Iterativa Quantistica, per sommare le aree sotto queste onde. Questo processo in due fasi — apprendere la forma e poi sommare le onde — è il cuore del loro nuovo metodo, noto come Quantum Fourier Iterative Amplitude Estimation.

Il ricercatore ha testato questo approccio utilizzando sia un simulatore quantistico perfetto e privo di rumore, sia un vero hardware quantistico imperfetto disponibile su internet. Quando hanno eseguito i calcoli sul simulatore, i risultati corrispondevano molto bene alle previsioni teoriche note, riproducendo con successo come i tassi di decadimento cambiano al variare della massa delle particelle coinvolte. Ciò ha confermato che il metodo funziona in linea di principio. Tuttavia, quando si sono spostati il calcolo su un vero hardware quantistico, i risultati erano più rumorosi e meno precisi. I valori erano generalmente inferiori alle previsioni teoriche e l'incertezza era maggiore. Questa discrepanza è prevista, poiché i dispositivi quantistici attuali sono ancora soggetti a errori e rumore che interferiscono con i delicati calcoli. Il ricercatore ha osservato che, sebbene i risultati dell'hardware non fossero ancora perfetti, il fatto di poter eseguire l'intero processo su una macchina reale è un traguardo importante.

Lo studio conclude che questo approccio ibrido di utilizzare una rete neurale quantistica per apprendere una funzione e poi un algoritmo quantistico per integrarla è una via percorribile per la fisica delle alte energie. Il ricercatore non ha sostenuto di aver risolto il problema del vantaggio quantistico, ovvero non ha dimostrato che questo metodo sia attualmente più veloce o migliore dei computer classici. Invece, ha dimostrato una prova di concetto: che le macchine quantistiche possono essere addestrate per comprendere complessi integrandi fisici e possono eseguire i necessari passaggi di integrazione. Il lavoro evidenzia che l'accuratezza del risultato finale dipende fortemente da quanto bene la rete neurale può approssimare la funzione originale e da quanto sia pulito l'hardware quantistico durante il passaggio di integrazione. Sebbene le attuali limitazioni dell'hardware impediscano che sia uno strumento pratico per un uso immediato, l'esperimento apre una porta per applicazioni future, suggerendo che l'apprendimento automatico quantistico potrebbe eventualmente aiutare i fisici ad affrontare sia i calcoli a breve distanza e alta energia che svolgono oggi, sia i problemi complessi a lunga distanza delle interazioni tra particelle che rimangono fuori portata.