← Nieuwste papers
⚛️ kwantumfysica

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

Dit artikel presenteert de eerste end-to-end training en test van een variationeel kwantumcircuit voor het identificeren van beauty- en charm-jets op een echte 5-qubit supergeleidende kwantumprocessor, waarmee wordt aangetoond dat hardware-ruis de prestaties niet significant verslechtert en de weg wordt vrijgemaakt voor toekomstige kwantumvoordelen bij classificatie-taken in de hogere energie-fysica.

Oorspronkelijke auteur: Lucio Anderlini, Pietro Asinari, Gianluca Bertaina, Davide Calonico, Marco Coïsson, Alessio Gianelle, Donatella Lucchesi, Giovanni Passaleva, Matteo Maria Piredda, Lorenzo Sestini, Michele Veltri, Dav
Gepubliceerd 2026-11-13
📖 4 min leestijd🧠 Diepgaand

Oorspronkelijke auteur: 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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteur. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

In de hoogenergetische wereld van de deeltjesfysica laten wetenschappers protonen tegen elkaar aan botsen met bijna de snelheid van het licht om de omstandigheden van het vroege universum te recreëren. Wanneer deze botsingen plaatsvinden, produceren ze sproeiers van deeltjes die jets worden genoemd. De meeste van deze jets zijn gewoon, maar sommige zijn afkomstig van zware, kortlevende deeltjes die bekend staan als beauty- en charm-quarks. Het identificeren van welke jets afkomstig zijn van deze zware quarks is cruciaal voor het testen van de fundamentele wetten van de natuur, maar het is een ongelooflijk moeilijke taak. De zware quarks vervallen zo snel dat hun jets erg lijken op die van lichtere deeltjes, waardoor onderzoekers honderden subtiele aanwijzingen moeten doorzoeken om ze uit elkaar te houden. Decennialang was dit een taak voor krachtige klassieke computers en geavanceerde kunstmatige intelligentie, maar er is een nieuwe vraag ontstaan: kan de opkomende technologie van quantum computing, die informatie op een fundamenteel andere manier verwerkt, helpen om dit probleem op te lossen?

Een team onderzoekers in Italië heeft een belangrijke stap gezet richting het beantwoorden van die vraag door een quantumcomputer te trainen om deze heavy-flavor jets te identificeren. Ze hebben het proces niet alleen gesimuleerd op een gewone computer; ze voerden de volledige trainings- en testcyclus uit op een echte, fysieke quantumprocessor. Deze machine, een vijf-qubit supergeleidende device genaamd Lagrange, bevindt zich aan de Politecnico di Torino. De onderzoekers voerden data van het LHCb-experiment van de Large Hadron Collider (LHC) in de quantumcomputer, die gesimuleerd was om botsingen op een energie van 13 tera-elektronvolt te vertegenwoordigen. Hun doel was om te zien of een quantumalgoritme kon leren om onderscheid te maken tussen jets van beauty-quarks en die van charm-quarks, ondanks de ruisachtige en imperfecte aard van de huidige quantumhardware.

De uitdaging was aanzienlijk. Quantumcomputers zijn vandaag de dag nog in hun kinderschoenen, gevoelig voor fouten en beperkt in de hoeveelheid informatie die ze kunnen vasthouden. De onderzoekers moesten de complexe data die een jet beschrijft comprimeren tot slechts vijf kernkenmerken, zoals de massa van een secundair vervalpunt en het aantal deeltjessporen, om deze op de vijf beschikbare qubits te laten passen. Ze ontwierpen een specifbool quantumcircuit, een reeks instructies die de quantum bits roteert en verstrengelt om deze informatie te verwerken. In tegenstelling tot een standaardcomputer die een vast pad volgt, had dit quantumcircuit verstelbare knoppen, of parameters, die de machine zelf kon afstemmen om de nauwkeurigheid te verbeteren. Het team stelde een lus op waarbij de quantumprocessor een gok maakte, een klassieke computer berekende hoe fout die gok was, en vervolgens de quantumprocessor zijn knoppen aanpaste om het beter te doen.

Wat ze vonden was bemoedigend. Na het draaien van het trainingsproces volledig op de Lagrange quantumprocessor, slaagde de machine erin om de twee soorten jets van elkaar te scheiden. De prestaties van het met quantum getrainde model waren opmerkelijk dicht bij die van een model dat getraind was op een perfecte, ruisvrije simulatie. Hoewel de quantumcomputer enige ruis introduceerde en de resultaten licht verschuifde, vernietigde het niet het vermogen om een correcte classificatie te maken. Het systeem bereikte een niveau van discriminatie dat vergelijkbaar was met de ideale simulatie, wat bewees dat de ruis die inherent is aan huidige apparaten het vermogen van een quantummachine niet noodzakelijkerwijs verhindert om een complexe natuurkundige taak te leren. Het volledige trainingsproces, dat duizenden berekeningen omvatte, duurde minder dan een uur aan werkelijke tijd besteed op de quantumprocessor.

Dit experiment dient als een essentieel bewijs van concept (proof of concept). Het demonstreert dat de volledige workflow van het trainen van een quantum machine learning-model — van de initiële opzet tot de uiteindelijke test — voltooid kan worden op echte, ruisgevoelige hardware zonder dat de prestaties instorten. De onderzoekers ontwikkelden ook een manier om te voorspellen hoe lang een dergelijke taak zou duren op grotere machines, waarbij ze schatten dat toekomstige quantumcomputers met tientallen qubits meer realistische, complexe data binnen haalbare tijdskaders zouden kunnen verwerken, mits de hardware-overhead wordt beheerd. Hoewel deze specifieke vijf-qubit machine te klein is om de volledige taak van jetidentificatie op te lossen zoals die in echte experimenten bestaat, wat honderden variabelen omvat, toont de studie de weg vooruit. Het suggereert dat naarmate quantumprocessors groter en stabieler worden, ze uiteindelijk een nieuwe tool voor hoogenergetische fysica kunnen bieden, in staat om classificatietaken aan te pakken die moeilijk zijn zelfs voor de meest geavanceerde klassieke computers.

Verdrinkt u in papers in uw vakgebied?

Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.

Probeer Digest →