Първи проучвания с квантово машинно обучение в LHCb


Първи проучвания с квантово машинно обучение в LHCb

Ефективност на алгоритъма за маркиране (мощност на маркиране ϵ_tag) като функция на напречния импулс p_T на струите. Кредит: Университет на Ливърпул

Експериментът LHCb в CERN наскоро обяви първите протон-протонни сблъсъци при световен рекорд за енергия със своя чисто нов детектор, проектиран да се справи с много по-взискателни условия за вземане на данни.

Проектът за обработка и анализ на данни (DPA), който се ръководи от старши физик-изследовател на Университета в Ливърпул Едуардо Родригес, е основно преработване на рамката за офлайн анализ, за ​​да позволи пълното използване на значителното увеличение на потока от данни от надстроения LHCb детектор.

В статия, публикувана в Вестник по физика на високите енергии, екипът на DPA демонстрира за първи път успешното използване на техниките за квантово машинно обучение (QML) за идентифициране на заряда на b-кваркови струи в LHC. Тази работа е част от научноизследователска и развойна дейност след току-що започналия период на събиране на нови данни, за средносрочен и дългосрочен план.

Използването на техники за машинно обучение е повсеместно при анализа в LHCb. Предвид бързия прогрес на квантовите компютри и квантови технологииестествено е да започнем да проучваме дали и как квантовите алгоритми могат да бъдат изпълнени на такъв нов хардуер и дали LHCb физика на елементарните частици случаите на употреба могат да се възползват от новата технология и парадигма, която е Quantum Computing.

Към днешна дата техниките на QML се прилагат главно във физиката на елементарните частици за решаване на проблеми с класификацията на събитията и реконструкцията на следите на частиците, но екипът ги приложи за първи път към задачата за идентифициране на заряда на адронна струя.

Проучването „Квантово машинно обучение за идентификация на заряда на b-jet“ беше проведено въз основа на извадка от симулирани струи, инициирани от b-кварк. Ефективността на така наречения вариационен квантов класификатор, базиран на две различни квантови вериги, беше сравнена с производителността, получена с дълбока невронна мрежа (DNN), модерен, класически (т.е. неквантов) и мощен тип изкуствен интелект алгоритъм. Ефективността се оценява на квантов симулатор, тъй като наличният днес квантов хардуер все още е в ранен стадий, въпреки че в момента се разработват тестове върху реален хардуер.

Резултатите, сравнени с тези, получени с класически DNN, показват, че DNN се представя малко по-добре от QML алгоритмите, като разликата е малка.

Документът демонстрира, че методът QML достига оптимална производителност с по-малък брой събития, което помага за намаляване на използването на ресурси, което ще се превърне в ключов момент в LHCb с количеството данни, събрани през следващите години. Въпреки това, когато се използват голям брой функции, DNN работи по-добре от QML алгоритмите. Очакват се подобрения, когато бъде наличен по-производителен квантов хардуер.

Проучвания, направени в сътрудничество с експерти, показват това квантови алгоритми може да позволи да се изследват корелациите между характеристиките. Това би могло да даде възможност за извличане на информация за корелациите на съставките на струята, което ще доведе до повишаване на производителността на идентификацията на аромата на струята.

Д-р Едуардо Родригес казва, че “тази статия демонстрира за първи път, че QML може да се използва с успех при анализ на данни LHCb.” Използването на QML в експерименти по физика на елементарните частици е все още в начален стадий. Тъй като физиците придобиват опит с квантовите изчисления, трябва да се очакват драстични подобрения в хардуера и изчислителната технология, като се има предвид световният интерес и инвестициите в квантовите изчисления.

„Тази работа, която е част от дейностите по научноизследователска и развойна дейност на проекта LHCb Data Processing & Analysis (DPA), предостави ценна представа за QML. Интересните (първи) резултати откриват нови пътища за проблеми с класификацията в експериментите по физика на частиците.“


Напредъкът в алгоритмите прави малките, шумни квантови компютри жизнеспособни


Повече информация:
Alessio Gianelle et al, Квантово машинно обучение за идентифициране на заряда на b-jet, Вестник по физика на високите енергии (2022). DOI: 10.1007/JHEP08(2022)014

Предоставена от
Университет на Ливърпул


Цитат: Първи проучвания с квантово машинно обучение в LHCb (2022 г., 4 август), извлечено на 5 август 2022 г. от https://phys.org/news/2022-08-quantum-machine-lhcb.html

Този документ е обект на авторско право. Освен всяко честно отношение за целите на частно проучване или изследване, никоя част не може да бъде възпроизвеждана без писмено разрешение. Съдържанието се предоставя само за информационни цели.