Beauty and charm jet identification with end-to-end training on a superconducting quantum processor
Este artigo apresenta o primeiro treinamento e teste de ponta a ponta de um circuito quântico variacional para identificar jatos de beleza e charme em um processador quântico supercondutor real de 5 qubits, demonstrando que o ruído do hardware não degrada significativamente o desempenho e pavimentando o caminho para a futura vantagem quântica em tarefas de classificação de física de altas energias.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelo autor. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
No mundo de alta energia da física de partículas, cientistas colidem prótons a velocidades próximas à da luz para recriar as condições do universo primitivo. Quando essas colisões ocorrem, elas produzem jatos de partículas chamados jets. A maioria desses jatos é comum, mas alguns se originam de partículas pesadas e de vida curta conhecidas como quarks beleza e charme. Identificar quais jatos vêm desses quarks pesados é crucial para testar as leis fundamentais da natureza, mas é uma tarefa incrivelmente difícil. Os quarks pesados decaem tão rapidamente que seus jatos parecem muito semelhantes aos de partículas mais leves, exigindo que os pesquisadores vasculhem centenas de pistas sutis para diferenciá-los. Por décadas, este tem sido um trabalho para computadores clássicos poderosos e inteligência artificial avançada, mas uma nova questão surgiu: será que a tecnologia emergente da computação quântica, que processa informações de uma forma fundamentalmente diferente, pode ajudar a resolver esse problema?
Uma equipe de pesquisadores na Itália deu um passo significativo para responder a essa pergunta ao treinar um computador quântico para identificar esses jatos de sabor pesado. Eles não apenas simularam o processo em um computador comum; eles executaram todo o ciclo de treinamento e teste em um processador quântico real e físico. Esta máquina, um dispositivo supercondutor de cinco qubits chamado Lagrange, está situada no Politecnico di Torino. Os pesquisadores alimentaram o computador quântico com dados do experimento LHCb do Grande Colisor de Hádrons (LHC), que haviam sido simulados para representar colisões a uma energia de 13 teraeletrônios. O objetivo deles era ver se um algoritmo quântico poderia aprender a distinguir entre jatos de quarks beleza e jatos de quarks charme, apesar da natureza ruidosa e imperfeita do hardware quântico atual.
O desafio foi substancial. Os computadores quânticos atuais ainda estão em sua infância, propensos a erros e limitados na quantidade de informação que podem conter. Os pesquisadores tiveram que comprimir os dados complexos que descrevem um jato em apenas cinco características principais, como a massa de um ponto de decaimento secundário e o número de trilhas de partículas, para caberem nos cinco qubits disponíveis. Eles projetaram um circuito quântico específico, um conjunto de instruções que rotaciona e emaranha os bits quânticos para processar essa informação. Ao contrário de um computador padrão que segue um caminho fixo, este circuito quântico tinha botões ajustáveis, ou parâmetros, que a própria máquina podia sintonizar para melhorar sua precisão. A equipe estabeleceu um ciclo onde o processador quântico faria um palpite, um computador clássico calcularia o quanto esse palpite estava errado e, então, o processador quântico ajustaria seus botões para fazer melhor.
O que eles encontraram foi encorajador. Após executar o processo de treinamento inteiramente no processador quântico Lagrange, a máquina aprendeu com sucesso a separar os dois tipos de jatos. O desempenho do modelo treinado quanticamente foi notavelmente próximo ao de um modelo treinado em uma simulação perfeita e livre de ruídos. Embora o computador quântico tenha introduzido algum ruído e deslocado ligeiramente os resultados, ele não destruiu a capacidade de fazer uma classificação correta. O sistema alcançou um nível de discriminação comparável à simulação ideal, provando que o ruído inerente aos dispositivos atuais não impede necessariamente uma máquina quântica de aprender uma tarefa complexa de física. Todo o processo de treinamento, envolvendo milhares de cálculos, levou menos de uma hora de tempo real gasto no processador quântico.
Este experimento serve como uma prova de conceito vital. Ele demonstra que todo o fluxo de trabalho de treinamento de um modelo de aprendizado de máquina quântico — desde a configuração inicial até o teste final — pode ser concluído em hardware real e ruidoso sem que o desempenho colapse. Os pesquisadores também desenvolveram uma maneira de prever quanto tempo tal tarefa levaria em máquinas maiores, estimando que futuros computadores quânticos com dezenas de qubits poderiam lidar com dados mais realistas e complexos dentro de prazos viáveis, desde que os custos de hardware sejam gerenciados. Embora esta máquina específica de cinco qubits seja pequena demais para resolver o problema completo da identificação de jatos conforme existe em experimentos reais, que envolve centenas de variáveis, o estudo mostra o caminho a seguir. Ele sugere que, à medida que os processadores quânticos crescerem em tamanho e estabilidade, eles poderão eventualmente oferecer uma nova ferramenta para a física de altas energias, capaz de enfrentar tarefas de classificação que são difíceis até para os computadores clássicos mais avançados.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.