Hybrid quantum-classical approach for combinatorial problems at hadron colliders

De Large Hadron Collider is een machine die is gebouwd om de diepste vragen over het universum te beantwoorden door protonen met bijna de snelheid van het licht op elkaar te laten botsen. Wanneer deze deeltjes botsen, uiteenvallen ze in een chaotische spray van kleinere fragmenten, wat een vluchtige snapshot van energie creëert die natuurkundigen moeten reconstrueren om te begrijpen wat er is gebeurd. In de wereld van de deeltjesfysica is deze reconstructie vaak een spel van deductie. Wetenschappers kijken naar het puin en proberen te achterhalen welke stukjes van welk ouderdeeltje afkomstig zijn, een taak die extreem moeilijk wordt wanneer de botsing een groot aantal jets, of deeltjesstralen, produceert die allemaal door elkaar liggen. Dit staat bekend als een combinatorisch probleem: met zoveel stukjes is het aantal manieren om ze correct te groeperen enorm, en het doorzoeken van de mogelijkheden om het ware verhaal van de botsing te vinden, is als proberen een specifieke set bijpassende sokken te vinden in een waskamer waar elke sok er hetzelfde uitziet.

Decennialang hebben natuurkundigen vertrouwd op klassieke computermethoden om deze puzzels op te lossen, waarbij ze gebruikmaken van wiskundige regels gebaseerd op de wetten van beweging en energie om de juiste groeperingen te raden. Recentelijk hebben ze zich tot machine learning gericht, waarbij computerprogramma's worden getraind op miljoenen gesimuleerde gebeurtenissen om patronen te herkennen. Een nieuwe studie suggereert echter dat een ander soort rekenkracht, die de vreemde regels van de kwantummechanica benut, een frisse en krachtige manier kan bieden om precies dezelfde uitdagingen aan te pakken. Onderzoekers van instellingen waaronder de Peking University, de University of Kansas en IonQ hebben onderzocht hoe kwantumalgoritmen kunnen worden gebruikt om het puin van topquark-botsingen te sorteren, een specifiek type evenement met zware deeltjes dat berucht moeilijk te analyseren is. Hun werk laat zien dat deze kwantummethoden niet alleen de prestaties van de beste bestaande technieken kunnen evenaren, maar dit ook kunnen doen zonder de enorme trainingssessies te vereisen die traditionele machine learning nodig heeft.

Het team richtte zijn aandacht op het volledig hadronische kanaal van topquark-paarproductie, een scenario waarin twee zware topquarks worden gecreëerd en onmiddellijk vervallen in zes jets van deeltjes. In deze omgeving ziet de detector een wolk van zes verschillende jets, maar hij kan niet aangeven welke drie bij de eerste topquark horen en welke drie bij de tweede. Omdat de topquark zwaar is en snel vervalt, zijn de jets die hij produceert vaak dicht bij elkaar geclusterd, wat het onderscheid nog moeilijker maakt. De onderzoekers behandelden deze sorteertaak als een optimalisatieprobleem, waarbij ze een computer vroegen om de enkele groepering van jets te vinden die volgens de wetten van energie en momentum het meest fysiek zinvol is. Ze testten verschillende kwantumalgoritmen, waaronder een methode genaamd het Quantum Approximation Optimization Algorithm, een feedback-gebaseerde aanpak die zijn stappen in realtime aanpast, en een techniek die de stroom van tijd in een kwantumsysteem simuleert om de laagste energietoestand te vinden.

Om te zien hoe goed deze methoden werkten, draaiden de wetenschappers simulaties op een dataset van twaalf duizend botsingsevenementen. Ze vergeleken de kwantumalgoritmen met twee gevestigde benchmarks: een traditionele kinematische methode bekend als de hemisfeer-benadering, die simpelweg probeert de massa van elke groep te minimaliseren, en een geavanceerd machine learning-netwerk genaamd SPANet dat is getraind op miljoenen voorbeelden. De resultaten waren opmerkelijk. De kwantumalgoritmen, met name de feedback-gebaseerde methode en een variant van het optimalisatiealgoritme, identificeerden succesvol de juiste groepering van jets in ongeveer 79 procent van de gebeurtenissen. Dit kwam overeen met de prestaties van het geavanceerde machine learning-netwerk en presteerde aanzienlijk beter dan de traditionele hemisfeer-methode, die slechts in ongeveer 50 procent van de gevallen slaagde.

Wat deze bevinding bijzonder interessant maakt, is hoe de kwantummethoden deze resultaten bereikten. In tegen tegenstelling tot de machine learning-aanpak, die getraind moest worden op een enorme bibliotheek van gesimuleerde data voordat deze op echte gebeurtenissen kon worden toegepast, hadden de kwantumalgoritmen helemaal geen training nodig. In plaats daarvan berekenden ze de oplossing voor elk individueel botsingsevenement 'on the fly', waarbij ze hun interne parameters specifiek voor dat moment aanpasten. Dit betekent dat als de fysica van de botsing licht verandert, het kwantumalgoritme niet opnieuw getraind hoeft te worden; het past zich onmiddellijk aan de nieuwe omstandigheden aan. De studie vond ook dat deze kwantummethoden robuust waren over verschillende soorten botsingen, waarbij ze goed presteerden zelfs wanneer de deeltjes met verschillende snelheden bewogen, een factor die eenvoudigere methoden vaak in verwarring brengt.

De onderzoekers merkten er zorgvuldig bij op dat hoewel deze resultaten veelbelovend zijn, ze gebaseerd zijn op simulaties van geïdealiseerde data, waarbij de effecten van de detector en de rommelige details van deeltjesstromen vereenvoudigd zijn. In de echte wereld vormen de ruis en de beperkingen van fysieke hardware een aanzienlijke hindernis. De kwantumcircuits die in de studie werden gebruikt, waren relatief klein en bevatten slechts zes qubits, de basiseenheden van kwantuminformatie. Naarmate het aantal deeltjes in een botsing toeneemt, groeit de complexiteit van het probleem snel, en zouden de kwantumcircuits veel dieper en complexer moeten worden om de belasting aan te kunnen. De auteurs wijzen erop dat huidige kwantumcomputers zich nog in een vroege ontwikkelingsfase bevinden, gevoelig voor fouten en ruis die delicate berekeningen kunnen verstoren. Echter, de studie dient als een proof of concept, die aantoont dat het wiskundige kader voor het oplossen van deze problemen bestaat en dat kwantumcomputers in principe de complexe landschappen van deeltjesbotsingen met hoge efficiëntie kunnen navigeren.

Het werk benadrukt ook een bredere verschuiving in hoe wetenschappers in de toekomst de data-analyse kunnen benaderen. Hoewel machine learning een dominante tool in de natuurkunde is geworden, leunt het zwaar op de aanname dat de data die het tijdens de training ziet, exact lijkt op de data die het later tegenkomt. Als de echte wereld anders werkt dan de simulatie, kan het model falen. De kwantumbenadering biedt een ander pad, een pad dat steunt op fundamentele natuurkundige principes in plaats van patroonherkenning vanuit het verleden. Dit zou een cruciaal voordeel kunnen zijn naarmate experimenten complexer worden en de data moeilijker nauwkeurig te simuleren zijn. De studie suggereert dat, naarmate kwantumhardware volwassener wordt, deze algoritmen een standaard onderdeel van de gereedschapskist voor natuurkundigen kunnen worden, wat een manier biedt om duidelijkere signalen te extraheren uit de chaotische ruis van hoogenergetische botsingen.

Uiteindelijk beweert het onderzoek niet het probleem van de deeltjesreconstructie te hebben opgelost of een definitief voordeel ten opzichte van alle klassieke computermethoden te hebben aangetoond. De klassieke algoritmen die voor de vergelijking werden gebruikt, zoals een zoektechniek genaamd Tabu search, presteerden bijna net zo goed als de kwantummethoden op dit specifieke, kleinschalige probleem. De werkelijke waarde van de studie ligt in het tonen dat kwantumalgoritmen een levensvatbaar en aanpasbaar alternatief zijn dat geen zware training vereist. Het opent een deur voor toekomstig onderzoek en suggereert dat, naarmate de kwantumtechnologie verbetert, het een unieke en krachtige manier kan bieden om de meest complexe mysteries van de subatomaire wereld te ontrafelen, waarbij de chaotische spray van een deeltjesbotsing wordt omgezet in een helder en begrijpelijk verhaal.