Onderzoekers van Caltech en de University of Southern California (USC) rapporteren de eerste toepassing van quantum computing op een natuurkundig probleem. Door gebruik te maken van kwantumcompatibele machine learning-technieken, ze ontwikkelden een methode om een ​​zeldzaam Higgs-bosonsignaal te extraheren uit overvloedige ruisgegevens. Higgs is het deeltje waarvan werd voorspeld dat het elementaire deeltjes zou doordrenken met massa en werd ontdekt in de Large Hadron Collider in 2012. De nieuwe methode voor het leren van kwantummachines blijkt zelfs met kleine datasets goed te presteren. in tegenstelling tot de standaard tegenhangers.

Ondanks de centrale rol van natuurkunde in kwantumcomputers, tot nu, geen enkel probleem dat van belang is voor natuurkundige onderzoekers is opgelost door kwantumcomputertechnieken. In dit nieuwe werk de onderzoekers hebben met succes zinvolle informatie over Higgs-deeltjes geëxtraheerd door een kwantum-annealer te programmeren - een type kwantumcomputer die alleen optimalisatietaken kan uitvoeren - om deeltjesmetingsgegevens vol fouten te sorteren. Maria Spiropulu van Caltech, de Shang-Yi Ch'en hoogleraar natuurkunde, bedacht het project en werkte samen met Daniel Lidar, pionier van de kwantummachine learning-methodologie en Viterbi Professor of Engineering aan het USC, die ook een Distinguished Moore Scholar is in de Physics-divisie van Caltech, Wiskunde en Sterrenkunde.

Het kwantumprogramma zoekt patronen binnen een dataset om zinvolle data van junk te onderscheiden. Verwacht wordt dat het nuttig zal zijn voor problemen die verder gaan dan de hoge-energiefysica. De details van het programma en vergelijkingen met bestaande technieken worden gedetailleerd beschreven in een paper dat op 19 oktober in het tijdschrift is gepubliceerd Natuur .

Een populaire computertechniek voor het classificeren van gegevens is de neurale netwerkmethode, bekend om zijn efficiëntie bij het extraheren van obscure patronen binnen een dataset. De patronen die worden geïdentificeerd door neurale netwerken zijn moeilijk te interpreteren, omdat het classificatieproces niet onthult hoe ze zijn ontdekt. Technieken die leiden tot een betere interpreteerbaarheid zijn vaak foutgevoeliger en minder efficiënt.

"Sommige mensen in de hoge-energiefysica lopen voorop als het gaat om neurale netwerken, maar neurale netwerken zijn niet gemakkelijk te interpreteren voor een natuurkundige, " zegt Joshua Job, afgestudeerd natuurkundestudent van het USC, co-auteur van de paper en gaststudent bij Caltech. Het nieuwe kwantumprogramma is "een eenvoudig machine learning-model dat een resultaat behaalt dat vergelijkbaar is met meer gecompliceerde modellen zonder de robuustheid of interpreteerbaarheid te verliezen, " zegt Job.

Met eerdere technieken, de nauwkeurigheid van classificatie hangt sterk af van de grootte en kwaliteit van een trainingsset, wat een handmatig gesorteerd gedeelte van de dataset is. Dit is problematisch voor onderzoek naar hoge-energiefysica, die draait om zeldzame gebeurtenissen begraven in een grote hoeveelheid ruisgegevens. "De Large Hadron Collider genereert een groot aantal gebeurtenissen, en de deeltjesfysici moeten naar kleine pakketjes gegevens kijken om erachter te komen welke interessant zijn, " zegt Job. Het nieuwe kwantumprogramma "is eenvoudiger, neemt heel weinig trainingsgegevens in beslag, en kan zelfs sneller. We hebben dat verkregen door de aangeslagen toestanden op te nemen, ' zegt Spiropulu.

Opgewonden toestanden van een kwantumsysteem hebben overtollige energie die bijdraagt ​​aan fouten in de uitvoer. "Verrassend genoeg, het was eigenlijk voordelig om de aangeslagen toestanden te gebruiken, de suboptimale oplossingen, ' zegt Lidar.

"Waarom dat precies zo is, we kunnen alleen maar speculeren. Maar een reden kan zijn dat het echte probleem dat we moeten oplossen niet precies kan worden weergegeven op de kwantumuitgloeier. Daarom, suboptimale oplossingen liggen misschien dichter bij de waarheid, ' zegt Lidar.

Het modelleren van het probleem op een manier die een kwantumuitharder kan begrijpen, bleek een substantiële uitdaging te zijn die met succes werd aangepakt door Spiropulu's voormalige afgestudeerde student aan Caltech, Alex Mott (PhD '15), wie zit er nu bij DeepMind. "Het programmeren van kwantumcomputers is fundamenteel anders dan het programmeren van klassieke computers. Het is alsof je bits rechtstreeks codeert. Het hele probleem moet in één keer worden gecodeerd, en dan loopt het maar één keer zoals geprogrammeerd, ' zegt Mot.

Ondanks de verbeteringen, de onderzoekers beweren niet dat quantum-annealers superieur zijn. Degene die momenteel beschikbaar zijn, zijn gewoon "niet groot genoeg om zelfs maar fysische problemen te coderen die moeilijk genoeg zijn om enig voordeel aan te tonen, ' zegt Spiropulu.

"Het is omdat we duizend qubits - kwantumbits informatie - vergelijken met een miljard transistors, " zegt Jean-Roch Vlimant, een postdoctoraal onderzoeker in hoge-energiefysica aan Caltech. "De complexiteit van gesimuleerd gloeien zal op een gegeven moment exploderen, en we hopen dat kwantumgloeien ook voor versnelling zal zorgen, ’, zegt Vlimant.

De onderzoekers zoeken actief naar verdere toepassingen van de nieuwe classificatietechniek voor kwantumgloeien. "We waren in staat om een ​​zeer vergelijkbaar resultaat in een heel ander toepassingsgebied aan te tonen door dezelfde methodologie toe te passen op een probleem in computationele biologie, ", zegt Lidar. "Er is een ander project over verbeteringen in het volgen van deeltjes met behulp van dergelijke methoden, en we zoeken naar nieuwe manieren om geladen deeltjes te onderzoeken, ’, zegt Vlimant.

"Het resultaat van dit werk is een op fysica gebaseerde benadering van machinaal leren die een breed spectrum van wetenschap en andere toepassingen ten goede kan komen, ", zegt Spiropulu. "Er is veel opwindend werk en ontdekkingen te doen in deze opkomende interdisciplinaire arena van wetenschap en technologie, concludeert ze.