Qutrits for physics at the LHC

De Large Hadron Collider is een machine van immense omvang, die deeltjes op elkaar laat botsen om de fundamentele bouwstenen van het universum te onthullen. Elke seconde genereert het een stroom aan gegevens die zo groot is dat het de computers die ontworpen zijn om deze op te slaan en te analyseren, dreigt te overweldigen. Natuurkundigen zoeken voortdurend naar de zeldzame, vreemde gebeurtenissen die verborgen liggen in deze vloedgolf—tekens van nieuwe fysica die ons begrip van de werkelijkheid zouden kunnen herschrijven. Om deze speld in de hooiberg te vinden, vertrouwen ze op geavanceerde software om het gewone van het buitengewone te scheiden. Terwijl de deeltjesversneller zich voorbereidt op nog krachtigere runs, zal het volume aan gegevens exponentieel groeien, wat vraagt om nieuwe manieren om informatie te verwerken die sneller en efficiënter zijn dan de methoden van vandaag.

In deze omgeving met hoge inzet richten onderzoekers zich op een nieuw soort computercapaciteit. Terwijl de meeste moderne computers en zelfs vroege quantumcomputers vertrouwen op binaire eenheden die zich in een van twee toestanden bevinden, zoals een lichtschakelaar die ofwel aan of uit staat, verkent deze nieuwe benadering systemen die gelijktijdig in drie toestanden kunnen bestaan. Denk aan een standaard schakelaar, maar dan één die ook een tussenpositie heeft, of een dimmer die drie verschillende instellingen biedt in plaats van slechts twee. Door gebruik te maken van deze drie-niveau eenheden, bekend als qutrits, hopen wetenschappers meer informatie in minder fysieke componenten te verpakken, wat potentieel het dataprobleem oplost dat de moderne deeltjesfysica teistert.

Een team van onderzoekers heeft dit idee nu getest door een gespecialiseerd computerprogramma te bouwen dat anomalieën in deeltjesbotsingsgegevens opspoort. Hun doel was om te zien of deze drie-niveau eenheden de standaard twee-niveau eenheden, die momenteel in quantum machine learning worden gebruikt, konden overtreffen. Ze richtten zich op een specifieke taak: een computer leren om de "normale" patronen van achtergrondruis geproduceerd door de deeltjesversneller te herkennen, zodat elk ongewoon signaal duidelijk naar voren zou komen. Om dit te doen, creëerden ze een digitaal model genaamd een quantum autoencoder. Dit model werkt als een compressietool; het neemt een complex beeld van een deeltjesbotsing, perst het samen tot een kleinere, eenvoudigere samenvatting, en probeert vervolgens het originele beeld te reconstrueren vanuit die samenvatting. Als het model goed is in het leren van de normale patronen, kan het deze perfect reconstrueren. Maar als het een vreemde, anomale gebeurtenis tegenkomt, zal het moeite hebben met de reconstructie, en die moeite dient als een signaal voor de natuurkundigen.

De onderzoekers vergeleken twee versies van dit model. De eerste gebruikte de standaard twee-niveau eenheden, terwijl de tweede de drie-niveau qutrits gebruikte. Om de drie-niveau versie te laten werken, moesten ze een nieuwe manier uitvinden om de ruwe data van de deeltjesversneller te vertalen naar de taal van deze quantumsystemen. Ze gebruikten een wiskundig kader gebaseerd op de geometrie van een bol, waarbij de energie en richting van deeltjes werden gemapt op punten op een oppervlak. Hierdoor konden ze meer details over de deeltjesbotsingen in elke enkele eenheid van de computer coderen. Ze testten beide modellen met gegevens van de CMS-detector bij de Large Hadron Collider, die zowel echte gegevens uit 2016 als zeer gedetailleerde simulaties van deeltjesbotsingen bevat.

De resultaten toonden aan dat het drie-niveau model een sterke kandidaat was. Het presteerde net zo goed als het standaard twee-niveau model bij het identificeren van de zeldzame, anomale gebeurtenissen, zoals het verval van een topquark of een Higgsboson, terwijl het de algemene achtergrondruis negeerde. Sterker nog, het drie-niveau model toonde een duidelijk voordeel in zijn vermogen om onderscheid te maken tussen verschillende soorten zeldzame signalen. Het kon het verschil tussen een jet van deeltjes afkomstig van een topquark en een van een Higgsboson met meer helderheid onderscheiden dan het standaardmodel. Dit suggereert dat de extra staat die beschikbaar is in het drie-niveau systeem een rijkere woordenschat biedt voor het beschrijven van de complexe vormen en structuren van deeltjesbotsingen.

Cruciaal is dat de onderzoekers ontdekten dat het drie-niveau model dit hoge prestatieniveau bereikte terwijl het minder fysieke eenheden gebruikte. Omdat elke eenheid meer informatie kon bevatten, had het hele systeem minder ruimte en minder verbindingen nodig om dezelfde taak te volbrengen. Deze efficiëntie is essentieel voor de toekomst, aangezien het bouwen en onderhouden van grote quantumcomputers moeilijk en duur is. De studie onthulde ook dat het drie-niveau model stabieler was, waarbij het minder variatie in de resultaten vertoonde wanneer het meerdere keren werd uitgevoerd. Deze consistentie is essentieel voor een instrument dat op een dag gebruikt zou kunnen worden om realtime beslissingen te nemen over welke data behouden moeten worden en welke weggegooid moeten worden in een omgeving met hoge snelheden bij een deeltjesversneller.

Hoewel de studie werd uitgevoerd met simulaties in plaats van fysieke quantumhardware, bieden de bevindingen een veelbelovende routekaart voor de toekomst. De onderzoekers hebben aangetoond dat de theoretische voordelen van het gebruik van drie-niveau systemen—grotere capaciteit, betere stabiliteit en hogere efficiëntie—reëel en meetbaar zijn. Naarmate hardware die in staat is om deze drie-niveau systemen te draaien beschikbaar komt, zou deze benadering een standaardinstrument kunnen worden voor de volgende generatie deeltjesfysica-experimenten. Het biedt een manier om de komende vloedgolf aan gegevens te beheersen zonder de subtiele signalen te verliezen die mogelijk de sleutel in handen hebben tot de diepste geheimen van het universum.