Hybrid quantum-classical approach for combinatorial problems at hadron colliders

O Grande Colisor de Hádrons é uma máquina construída para responder às questões mais profundas sobre o universo, colidindo prótons a quase a velocidade da luz. Quando essas partículas colidem, elas se estilhaçam em um jato caótico de fragmentos menores, criando um instantâneo fugaz de energia que os físicos devem reconstruir para entender o que aconteceu. No mundo da física de partículas, essa reconstrução é frequentemente um jogo de dedução. Os cientistas observam os detritos e tentam descobrir quais peças vieram de qual partícula mãe, uma tarefa que se torna incrivelmente difícil quando a colisão produz um grande número de jatos, ou jatos de partículas, todos misturados. Isso é conhecido como um problema combinatório: com tantas peças, o número de maneiras de agrupá-las corretamente é vasto, e vasculhar essas opções para encontrar a verdadeira história da colisão é como tentar encontrar um conjunto específico de meias combinando em uma lavanderia onde cada meia parece igual.

Por décadas, os físicos têm dependido de métodos de computação clássica para resolver esses quebra-cabeças, usando regras matemáticas baseadas nas leis do movimento e da energia para adivinhar os agrupamentos corretos. Mais recentemente, eles recorreram ao aprendizado de máquina, treinando programas de computador em milhões de eventos simulados para reconhecer padrões. No entanto, um novo estudo sugere que um tipo diferente de poder de computação, que aproveita as estranhas regras da mecânica quântica, pode oferecer uma maneira nova e poderosa de enfrentar esses mesmos desafios. Pesquisadores de instituições incluindo a Universidade de Pequim, a Universidade do Kansas e a IonQ exploraram como algoritmos quânticos podem ser usados para classificar os detritos de colisões de quarks top, um tipo específico de evento de partícula pesada que é notoriamente difícil de analisar. O trabalho deles mostra que esses métodos quânticos podem não apenas igualar o desempenho das melhores técnicas existentes, mas também fazê-lo sem a necessidade das sessões de treinamento massivas que o aprendizado de máquina tradicional exige.

A equipe concentrou sua atenção no canal totalmente hadrônico da produção de pares de quarks top, um cenário onde dois quarks top pesados são criados e imediatamente decaem em seis jatos de partículas. Neste ambiente, o detector vê uma nuvem de seis jatos distintos, mas não consegue dizer quais três pertencem ao primeiro quark top e quais três pertencem ao segundo. Como o quark top é pesado e decai rapidamente, os jatos que ele produz costumam estar agrupados, tornando a distinção ainda mais difícil. Os pesquisadores trataram essa tarefa de classificação como um problema de otimização, pedindo a um computador para encontrar o único agrupamento de jatos que faça mais sentido físico de acordo com as leis da energia e do momento. Eles testaram vários algoritmos quânticos diferentes, incluindo um método chamado Algoritmo de Otimização de Aproximação Quântica, uma abordagem baseada em feedback que ajusta seus passos em tempo real, e uma técnica que simula o fluxo do tempo em um sistema quântico para encontrar o estado de menor energia.

Para verificar o quão bem esses métodos funcionaram, os cientistas realizaram simulações em um conjunto de dados de doze mil eventos de colisão. Eles compararam os algoritmos quânticos contra dois marcos estabelecidos: um método cinemático tradicional conhecido como abordagem de hemisfério, que simplesmente tenta minimizar a massa de cada grupo, e uma sofisticada rede de aprendizado de máquina chamada SPANet, que foi treinada em milhões de exemplos. Os resultados foram impressionantes. Os algoritmos quânticos, particularmente o método baseado em feedback e uma variante do algoritmo de otimização, identificaram com sucesso o agrupamento correto de jatos em cerca de 79 por cento dos eventos. Isso igualou o desempenho da avançada rede de aprendizado de máquina e superou significativamente o método tradicional de hemisfério, que teve sucesso apenas cerca de 50 por cento das vezes.

O que torna essa descoberta particularmente interessante é como os métodos quânticos alcançaram esses resultados. Ao contrário da abordagem de aprendizado de máquina, que teve que ser treinada em uma vasta biblioteca de dados simulados antes de poder ser usada em eventos reais, os algoritmos quânticos não precisaram de nenhum treinamento. Em vez disso, eles calcularam a solução para cada evento de colisão individualmente, no momento, ajustando seus parâmetros internos especificamente para aquele momento. Isso significa que, se a física da colisão mudasse ligeiramente, o algoritmo quântico não precisaria ser retreinado; ele simplesmente se adaptaria às novas condições imediatamente. O estudo também descobriu que esses métodos quânticos eram robustos em diferentes tipos de colisões, apresentando bom desempenho mesmo quando as partículas se moviam a velocidades diferentes, um fator que frequentemente confunde métodos mais simples.

Os pesquisadores foram cuidadosos ao notar que, embora esses resultados sejam promissores, eles se baseiam em simulações de dados idealizados, onde os efeitos do detector e os detalhes complexos das chuvas de partículas foram simplificados. No mundo real, o ruído e as limitações do hardware físico apresentam um obstáculo significativo. Os circuitos quânticos usados no estudo eram relativamente pequenos, envolvendo apenas seis qubits, as unidades básicas de informação quântica. À medida que o número de partículas em uma colisão aumenta, a complexidade do problema cresce rapidamente, e os circuitos quânticos precisariam se tornar muito mais profundos e complexos para lidar com a carga. Os autores apontam que os computadores quânticos atuais ainda estão em um estágio inicial de desenvolvimento, propensos a erros e ruídos que podem interromper cálculos delicados. No entanto, o estudo serve como uma prova de conceito, demonstrando que a estrutura matemática para resolver esses problemas existe e que os computadores quânticos podem, em princípio, navegar pelo complexo cenário das colisões de partículas com alta eficiência.

O trabalho também destaca uma mudança mais ampla em como os cientistas podem abordar a análise de dados no futuro. Embora o aprendizado de máquina tenha se tornado uma ferramenta dominante na física, ele depende fortemente da suposição de que os dados que ele vê durante o treinamento serão exatamente iguais aos dados que encontrará mais tarde. Se o mundo real se comportar de forma diferente da simulação, o modelo pode falhar. A abordagem quântica oferece um caminho diferente, um que se baseia em princípios físicos fundamentais em vez de reconhecimento de padrões de dados passados. Isso pode ser uma vantagem crucial à medida que os experimentos se tornam mais complexos e os dados mais difíceis de simular com precisão. O estudo sugere que, conforme o hardware quântico amadurece, esses algoritmos podem se tornar uma parte padrão do conjunto de ferramentas para os físicos, oferecendo uma maneira de extrair sinais mais claros do ruído caótico das colisões de alta energia.

Em última análise, a pesquisa não afirma ter resolvido o problema da reconstrução de partículas ou ter demonstrado uma vantagem definitiva sobre todos os métodos de computação clássica. Os algoritmos clássicos usados para comparação, como uma técnica de busca chamada busca Tabu, tiveram um desempenho quase tão bom quanto os métodos quânticos neste problema específico e de pequena escala. O verdadeiro valor do estudo reside em mostrar que os algoritmos quânticos são uma alternativa viável e adaptável que não requer o esforço pesado do treinamento. Ele abre uma porta para explorações futuras, sugerindo que, à medida que a tecnologia quântica melhora, ela pode fornecer uma maneira única e poderosa de desvendar os mistérios mais complexos do mundo subatômico, transformando o spray caótico de uma colisão de partículas em uma história clara e compreensível.