A comparative study of variational quantum classifiers and classical machine learning for discrimination at the LHC
本研究通过在 LHC Run-2 数据中对区分 信号与 背景的任务进行评估，将变分量子分类器与经典的提升决策树及多层感知器进行基准测试，并确定了量子启发式模型能够提供具有竞争力的判别能力的特定分析机制。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在大型强子对撞机——这座埋在法国与瑞士边界之下的巨型机器中，科学家们将质子以接近光速的速度撞击在一起，以重现早期宇宙的条件。在数万亿次碰撞中，一种罕见的事件涉及到一个顶夸克（已知最重的基本粒子）与一个W玻色子的共同产生。这种特定的组合被称为tW通道，是测试标准模型物理学并寻找未知新力的重要实验室。然而，寻找这一罕见信号就像是在喧闹的体育场中试图听清一声低语。通过这种方式产生的顶夸克，看起来与一种更为常见的事件几乎完全相同，即一对顶夸克被产生并立即湮灭。将这种罕见信号从这些常见对对碰撞产生的压倒性背景中区分出来，是现代粒子物理学中最困难的挑战之一。
几十年来，物理学家一直依赖强大的经典计算机算法来处理这些数据，利用模仿决策树或神经网络的技术来识别这两种事件之间的细微差别。最近，一种来自量子计算领域的新工具脱颖而出：变分量子分类器。这是一个混合系统，它利用量子力学的奇异规则（即粒子可以同时处于多种状态）来处理信息。虽然这些量子计算机仍处于婴儿期，目前还太“嘈杂”而无法处理实际对撞机的大规模数据负载，但研究人员想知道，其背后的数学逻辑是否能比成熟的经典方法提供优势。为了测试这一点，来自德里大学的一个物理学家团队利用对撞机第二次运行的公开数据模拟了一个现实场景，将这种新型量子启发式算法与表现最好的两种经典模型进行了对决：提升决策树（boosted decision tree）和多层感知器（multi-layer perceptron）。
研究人员专注于粒子在碰撞后出现的两种不同表现形式。在第一种情景中，粒子衰变为电子和μ子，产生了一个相对干净、较易识别但较为罕见的信号。在第二种更常见的情景中，粒子衰变为其他粒子的喷注（jets），创造了一个混乱、拥挤的环境，这使得分析变得困难得多。他们根据检测到的粒子数量以及这些粒子是移动缓慢还是处于“提升”（boosted）的极高速度，将数据分为不同的类别。对于每个类别，他们训练了三种不同的计算机模型，以学习如何区分罕见的tW信号与常见的顶夸克对背景。目标不仅是看哪个模型犯错最少，而是看哪个模型能最大化发现的统计显著性，本质上是寻找一个平衡点：既保留最多的信号，又剔除掉最多的背景。
结果显示，这种比较呈现出一种令人惊讶的均衡态。在干净的电子-μ子通道中，三种模型表现得几乎完全一样。量子分类器在分离信号与背景方面的表现与经典的决策树和神经网络不相上下，没有任何一种方法具有统计学上的优势。在更复杂、更混乱的强子通道中，情况则略显微妙。在粒子以中等速度运动的机制下，经典神经网络和量子分类器比决策树略占优势，尽管这种差异微小到可以归因于随机统计波动，而非根本性的优越性。在粒子以极高速度运动的机制下，决策树似乎找到了一个更尖锐的显著性峰值，但这个峰值极不稳定且剧烈波动，使其显得不可靠。相比之下，量子分类器和神经网络产生了更平滑、更稳定的曲线，保持了稳定的性能水平。
最终，这项研究表明，变分量子分类器是一种可行的工具，能够匹配目前在高能物理领域使用的最佳经典算法。研究人员发现，虽然量子模型在这次特定的模拟中并未显著超越其他模型，但它也没有落后。它成功地处理了粒子碰撞中复杂的高维数据，且没有丢失稳定性。这表明，随着量子硬件趋于成熟并具备处理现实世界数据的能力，这些算法并不需要“重新发明轮子”来发挥作用；它们可以介入并执行与经典工具相同的关键排序任务，并可能为处理经典计算机难以察觉的独特粒子关联性提供新途径。目前，量子分类器作为一个具有前景的同行工具，正等待着随着技术的演进进行进一步测试。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。