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

In het uitgestrekte, onzichtbare landschap van de deeltjesfysica berekenen wetenschappers voortdurend hoe snel instabiele deeltjes uiteenvallen in lichtere deeltjes. Deze berekeningen, bekend als vervalssnelheden, zijn essentieel voor het begrijpen van de fundamentele krachten die ons universum vormgeven. Om deze snelheden met hoge precisie te voorspellen, moeten natuurkundigen complexe wiskundige problemen oplossen die een optelling vereisen van talloze mogelijke manieren waarop een deeltje kan transformeren. Decennialang hebben deze berekeningen vertrouwd op krachtige klassieke computers, maar naarmate de vereiste precisie groter wordt, worden de problemen zo ingewikkeld dat zelfs de meest geavanceerde supercomputers moeite hebben. Onlangs is een nieuwe aanpak naar voren gekomen die hulpmiddelen leent uit het snel evoluerende veld van quantum computing. In plaats van te proberen het gehele fysieke proces direct te simuleren, onderzoeken onderzoekers of quantummachines de vorm van deze moeilijke berekeningen kunnen leren kennen en ze vervolgens op een totaal andere manier kunnen oplossen, gebruikmakend van de unieke eigenschappen van de quantummechanica om het zware werk te verrichten.

Een onderzoeker onder leiding van David F. Rentería-Estrada heeft een belangrijke stap in deze richting gezet door een methode te testen die twee verschillende quantumtechnieken combineert om de vervalssnelheden van deeltjes met een hoog niveau van precisie te berekenen. De onderzoeker richtte zich op drie specifieke scenario's waarbij een zwaar deeltje vervalt in lichtere quarks of andere deeltjes, soms waarbij een extra deeltje wordt uitgezonden. In de taal van de natuurkunde zijn dit "next-to-leading order"-berekeningen, wat betekent dat ze subtiele, effecten van de tweede orde bevatten die cruciaal zijn voor de nauwkeurigheid, maar berucht moeilijk te berekenen zijn omdat ze oneindigheden bevatten die zorgvuldig geëlimineerd moeten worden. Om het probleem beheersbaar te maken, gebruikte de onderzoeker eerst een wiskundig kader genaamd Loop-Tree Duality. Dit kader werkt als een filter en reorganiseert de rommelige bijdragen van virtuele deeltjes en reële emissies tot één enkele, gladde en eindige functie die bestudeerd kan worden zonder de wiskundige singulariteiten die berekeningen normaal gesproken doen vastlopen.

Zodra deze schone, eindige functie beschikbaar was, voedde de onderzoeker deze aan een quantum neuraal netwerk. Denk aan dit netwerk als een flexibele, programmeerbare machine gemaakt van quantumbits die de vorm van een complexe curve kan leren imiteren. De onderzoeker trainde dit netwerk om het patroon van de vervalssnelheidsfunctie te herkennen. Een belangrijk inzicht van hun werk is dat deze quantumcircuits van nature resultaten produceren die eruitzien als een optelling van golven, vergelijkbaar met hoe een muzikale akkoord is opgebouwd uit individuele noten. Door het netwerk te trainen, hebben ze het effectief geleerd om het verval als een specifieke combinatie van deze golven te beschrijven. Zodra het netwerk het patroon had geleerd, vroeg de onderzoeker het netwerk niet om het uiteindelijke antwoord direct te berekenen. In plaats daarvan extraheerden zij de specifieke gewichten van de golven die het netwerk had geleerd en gebruikten zij een apart quantumalgoritme, genaamd Iterative Quantum Amplitude Estimation, om de oppervlaktes onder deze golven op te tellen. Dit tweetrapsproces—het leren van de vorm en vervolgens het optellen van de golven—is de kern van hun nieuwe methode, bekend als Quantum Fourier Iterative Amplitude Estimation.

De onderzoeker testte deze aanpak met zowel een perfecte, ruisvrije quantumsimulator als met werkelijke, imperfecte quantumhardware die via internet beschikbaar is. Toen ze de berekeningen op de simulator uitvoerden, kwamen de resultaten zeer goed overeen met de bekende theoretische voorspellingen en reproduceerden ze succesvol hoe de vervalssnelheden veranderen naarmate de massa van de betrokken deeltjes verandert. Dit bevestigde dat de methode in principe werkt. Echter, toen ze de berekening naar de echte quantumhardware verplaatsten, waren de resultaten ruiziger en minder precies. De waarden waren over het algemeen lager dan de theoretische voorspellingen en de onzekerheid was groter. Deze discrepantie is te verwachten, aangezien huidige quantumapparaten nog steeds gevoelig zijn voor fouten en ruis die delicate berekeningen verstoren. De onderzoeker merkte op dat hoewel de hardwareresultaten nog niet perfect waren, het feit dat zij het volledige proces op een echte machine konden uitvoeren, een belangrijke mijlpaal is.

De studie concludeert dat deze hybride aanpak van het gebruiken van een quantum neuraal netwerk om een functie te leren en vervolgens een quantumalgoritme om deze te integreren, een levensvatbaar pad vooruit is voor de hoogenergetische fysica. De onderzoeker beweerde niet het probleem van quantumvoordeel te hebben opgelost, wat betekent dat zij niet hebben bewezen dat deze methode momenteel sneller of beter is dan klassieke computers. In plaats daarvan demonstreerden zij een bewijs van concept: dat quantummachines getraind kunnen worden om complexe fysieke integranden te begrijpen en dat zij de noodzakelijke integratiestappen kunnen uitvoeren. Het werk benadrukt dat de nauwkeurigheid van het uiteindelijke resultaat sterk afhangt van hoe goed het neurale netwerk de oorspronkelijke functie kan benaderen en hoe schoon de quantumhardware is tijdens de integratiestap. Hoewel de huidige hardwarebeperkingen een directe praktische toepassing in de weg staan, opent het experiment een deur voor toekomstige toepassingen, waarbij gesuggereerd wordt dat quantum machine learning uiteindelijk natuurkundigen kan helpen bij zowel de korte-afstand, hoogenergetische berekeningen van vandaag als de lange-afstand, complexe problemen van deeltjesinteracties die momenteel buiten bereik liggen.