← 最新の論文
⚛️ 量子物理学

Beauty and charm jet identification with end-to-end training on a superconducting quantum processor

本論文は、実際の5量子ビット超伝導量子プロセッサ上で、ビューティーおよびチャームジェットを識別するための変分量子回路の初めてのエンドツーエンドの学習とテストを提示し、ハードウェアノイズが性能を著しく低下させないことを実証するとともに、高エネルギー物理学における分類タスクへの将来的な量子優位性の道を切り拓くものである。

原著者: Lucio Anderlini, Pietro Asinari, Gianluca Bertaina, Davide Calonico, Marco Coïsson, Alessio Gianelle, Donatella Lucchesi, Giovanni Passaleva, Matteo Maria Piredda, Lorenzo Sestini, Michele Veltri, Dav
公開日 2026-11-13
📖 1 分で読めます🧠 じっくり読む

原著者: Lucio Anderlini, Pietro Asinari, Gianluca Bertaina, Davide Calonico, Marco Coïsson, Alessio Gianelle, Donatella Lucchesi, Giovanni Passaleva, Matteo Maria Piredda, Lorenzo Sestini, Michele Veltri, Davide Zuliani

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む

高エネルギー粒子物理学の世界では、科学者たちは初期宇宙の状態を再現するために、陽子を光速に近い速度で衝突させています。これらの衝突が起こると、ジェットと呼ばれる粒子の噴出が生じます。ほとんどのジェットは平凡なものですが、中にはビューティ(美形)クォークやチャームクォークとして知られる、重く短寿命の粒子に由来するものがあります。これらの重いクォークがどのジェットから来たのかを特定することは、自然界の基本法則を検証する上で極めて重要ですが、それは非常に困難な作業です。重いクォークは非常に素早く崩壊するため、そのジェットは軽い粒子からのものと非常によく似てしまい、研究者たちはそれらを見分けるために、何百もの微細な手がかりを精査する必要があります。数十年にわたり、これは強力な古典的コンピュータと高度な人工知能の仕事でしたが、新たな問いが浮かび上がってきました。情報を根本的に異なる方法で処理する量子コンピューティングという新興技術は、この問題を解決する助けとなるのでしょうか?

イタリアの研究チームは、これらの重いフレーバー・ジェットを識別するために量子コンピュータを訓練するという、その問いに答えるための重要な一歩を踏み出しました。彼らは単に通常のコンピュータ上でプロセスをシミュレートしたのではなく、訓練とテストのサイクル全体を、実際の物理的な量子プロセッサ上で実行しました。このマシンは、ポリテクニコ・ディ・トリノにある「ラグランジュ(Lagrange)」と呼ばれる5量子ビットの超伝導デバイスです。研究者たちは、13テラ電子ボルトのエネルギーでの衝突を模してシミュレートされた、大型ハドロン衝突型加速器(LHCb)実験からのデータを量子コンピュータに投入しました。彼らの目標は、現在の量子ハードウェアのノイズが多く不完全な性質にもかかわらず、量子アルゴリズムがビューティクォークからのジェットとチャームクォークからのジェットを区別することを学習できるかどうかを確認することでした。

課題は重大でした。今日の量子コンピュータはまだ初期段階にあり、エラーを起こしやすく、保持できる情報量も限られています。研究者たちは、ジェットを記述する複雑なデータを、二次崩壊点の質量や粒子のトラック数といったわずか5つの主要な特徴に圧縮し、利用可能な5つの量子ビットに収まるようにしなければなりませんでした。彼らは、情報を処理するために量子ビットを回転させ、もつれさせる一連の指示である、特定の量子回路を設計しました。固定された経路に従う標準的なコンピュータとは異なり、この量子回路には、マシンが精度を向上させるために自ら調整できる「つまみ」や「パラメータ」がありました。チームは、量子プロセッサが推測を行い、古典的コンピュータがその推測がどれほど間違っていたかを計算し、その後、量子プロセッサがより良くするために自らのつまみを調整するというループを設定しました。

得られた結果は勇気づけられるものでした。ラグランジュ量子プロセッサ上で訓練プロセスを完全に実行した後、マシンは2種類のジェットを分離することに成功しました。量子訓練されたモデルの性能は、完璧でノイズのないシミュレーションで訓練されたモデルの性能に驚くほど近いものでした。量子コンピュータはいくらかのノイズを導入し、結果をわずかに変化させましたが、正しい分類を行う能力を損なうことはありませんでした。システムは理想的なシミュレーションに匹敵する識別レベルを達成し、現在のデバイスに固有のノイズが、量子マシンが複雑な物理タスクを学習することを必ずしも妨げないことを証明しました。数千回の計算を含む訓練プロセス全体の、量子プロセッサ上での実際の所要時間は1時間未満でした。

この実験は、重要な概念実証として機能します。これは、量子機械学習モデルの訓練(初期設定から最終テストまで)というフルワークフローが、性能を崩すことなく、実際のノイズの多いハードウェア上で完了できることを示しています。研究者たちは、このようなタスクがより大きなマシンでどのくらいの時間を要するかを予測する方法も開発し、ハードウェアのオーバーヘッドが管理されれば、数十の量子ビットを持つ将来の量子コンピュータは、より現実的で複雑なデータを実行可能な時間枠内で扱うことができると推定しています。この特定の5量子ビットのマシンは、数百の変数を含む実際の実験におけるジェット識別の全問題を解決するには小さすぎますが、この研究は前進への道筋を示しています。量子プロセッサがより大きく、より安定するにつれて、それらが最終的には、最も高度な古典的コンピュータにとっても困難な分類タスクに取り組むことができる、高エネルギー物理学のための新しいツールを提供することを示唆しています。

自分の分野の論文に埋もれていませんか?

研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。

Digest を試す →