Het LHCb-experiment bij CERN heeft onlangs de eerste proton-protonbotsingen aangekondigd met een wereldrecord energie met zijn gloednieuwe detector die is ontworpen om te kunnen omgaan met veel veeleisendere gegevensverwerkingsomstandigheden.

Het Data Processing &Analysis (DPA)-project, dat wordt geleid door Eduardo Rodrigues, senior onderzoeksfysicus van de Universiteit van Liverpool, is een ingrijpende herziening van het offline analysekader om de aanzienlijke toename van de gegevensstroom van de verbeterde LHCb-detector volledig te benutten.

In een paper gepubliceerd in het Journal of High Energy Physics , heeft het DPA-team voor het eerst het succesvolle gebruik van Quantum Machine Learning (QML) -technieken aangetoond voor de identificatie van de lading van b-quark-geïnitieerde jets in de LHC. Dit werk maakt deel uit van R&D na de net begonnen periode voor het verzamelen van nieuwe gegevens, voor de middellange en langere termijn.

Het gebruik van Machine Learning-technieken is alomtegenwoordig in analyse in LHCb. Gezien de snelle vooruitgang van kwantumcomputers en kwantumtechnologieën, ligt het voor de hand om te onderzoeken of en hoe kwantumalgoritmen kunnen worden uitgevoerd op dergelijke nieuwe hardware, en of de use-cases van de LHCb-deeltjesfysica kunnen profiteren van de nieuwe technologie en het nieuwe paradigma dat Quantum is. Computeren.

Tot op heden zijn QML-technieken voornamelijk toegepast in de deeltjesfysica om problemen met de classificatie van gebeurtenissen en de reconstructie van deeltjessporen op te lossen, maar het team paste het voor het eerst toe bij de identificatie van hadronische jetladingen.

De studie "Quantum Machine Learning for b-jet ladingsidentificatie" werd uitgevoerd op basis van een steekproef van gesimuleerde b-quark-geïnitieerde jets. De prestaties van een zogenaamde Variational Quantum Classifier, gebaseerd op twee verschillende kwantumcircuits, werden vergeleken met de prestaties verkregen met een Deep Neural Network (DNN), een modern, klassiek (d.w.z. niet-kwantum) en krachtig type kunstmatige intelligentie algoritme. De prestaties worden geëvalueerd op een kwantumsimulator, aangezien de kwantumhardware die vandaag beschikbaar is nog in de kinderschoenen staat, hoewel tests op echte hardware momenteel in ontwikkeling zijn.

De resultaten vergeleken met die verkregen met een klassieke DNN toonden aan dat de DNN iets beter presteert dan de QML-algoritmen, het verschil is klein.

Het artikel laat zien dat de QML-methode optimale prestaties bereikt met een lager aantal gebeurtenissen, wat helpt bij het verminderen van het gebruik van hulpbronnen, wat een belangrijk punt zal worden bij LHCb met de hoeveelheid gegevens die in de komende jaren wordt verzameld. Wanneer echter een groot aantal functies wordt gebruikt, presteert de DNN beter dan QML-algoritmen. Er worden verbeteringen verwacht wanneer er meer performante kwantumhardware beschikbaar komt.

Studies uitgevoerd in samenwerking met experts hebben aangetoond dat kwantumalgoritmen het mogelijk maken om correlaties tussen de functies te bestuderen. Dat zou de mogelijkheid kunnen bieden om informatie te extraheren over de correlaties van jet-bestanddelen die zullen leiden tot een verbetering van de identificatieprestaties van jet-aroma's.

Dr. Eduardo Rodrigues zegt dat "dit artikel voor het eerst aantoonde dat QML met succes kan worden gebruikt in LHCb-gegevensanalyse." Exploitatie van QML in experimenten met deeltjesfysica staat nog in de kinderschoenen. Naarmate natuurkundigen ervaring opdoen met Quantum Computing, zijn drastische verbeteringen in hardware en computertechnologie te verwachten, gezien de wereldwijde interesse en investering in Quantum Computing.

"Dit werk, dat deel uitmaakt van de R&D-activiteiten van het LHCb Data Processing &Analysis (DPA) -project, heeft waardevolle inzichten opgeleverd in QML. De interessante (eerste) resultaten openen nieuwe wegen voor classificatieproblemen in deeltjesfysica-experimenten." + Verder verkennen

Vooruitgang in algoritmen maakt kleine, lawaaierige kwantumcomputers levensvatbaar