Mærkningsalgoritmens ydeevne (mærkningseffekt ϵ_tag) som funktion af det tværgående momentum p_T af jetfly. Kredit:University of Liverpool
LHCb-eksperimentet på CERN annoncerede for nylig de første proton-proton-kollisioner med verdensrekord i energi med sin splinternye detektor designet til at klare meget mere krævende dataoptagelsesforhold.
Data Processing &Analysis (DPA)-projektet, som ledes af seniorforskningsfysiker Eduardo Rodrigues fra University of Liverpool, er en større revision af offlineanalyserammerne for at tillade fuld udnyttelse af den betydelige stigning i dataflowet fra den opgraderede LHCb-detektor.
I et papir offentliggjort i Journal of High Energy Physics , har DPA-teamet for første gang demonstreret den vellykkede brug af Quantum Machine Learning (QML) teknikker til identifikation af ladningen af b-quark-initierede jetfly ved LHC. Dette arbejde er en del af F&U ud over den nye dataoptagelsesperiode, der lige er begyndt, på mellemlang og længere sigt.
Udnyttelsen af maskinlæringsteknikker er allestedsnærværende i analyse i LHCb. I betragtning af kvantecomputeres og kvanteteknologiers hurtige fremskridt er det naturligt at begynde at undersøge, om og hvordan kvantealgoritmer kan udføres på sådan ny hardware, og om LHCb partikelfysik use-cases kan drage fordel af den nye teknologi og paradigme, der er Quantum Computere.
Til dato er QML-teknikker hovedsageligt blevet anvendt i partikelfysik for at løse hændelsesklassificering og partikelsporrekonstruktionsproblemer, men holdet anvendte det for første gang til opgaven med hadronisk jetladningsidentifikation.
Undersøgelsen "Quantum Machine Learning for b-jet ladning identifikation" blev udført baseret på en prøve af simulerede b-quark initierede jetfly. Ydeevnen af en såkaldt Variational Quantum Classifier, baseret på to forskellige kvantekredsløb, blev sammenlignet med ydeevnen opnået med et Deep Neural Network (DNN), en moderne, klassisk (dvs. ikke-kvante) og kraftfuld type kunstig intelligens algoritme. Ydeevnen evalueres på en kvantesimulator, da den kvantehardware, der er tilgængelig i dag, stadig er i sin tidlige fase, selvom test på rigtig hardware i øjeblikket er under udvikling.
Resultaterne sammenlignet med dem opnået med en klassisk DNN viste, at DNN'en klarer sig lidt bedre end QML-algoritmerne, idet forskellen er lille.
Artiklen demonstrerer, at QML-metoden opnår optimal ydeevne med et lavere antal hændelser, hvilket hjælper med at reducere ressourceforbruget, hvilket vil blive et nøglepunkt hos LHCb med mængden af indsamlet data i de kommende år. Men når et stort antal funktioner anvendes, yder DNN bedre end QML-algoritmer. Der forventes forbedringer, når mere effektiv kvantehardware bliver tilgængelig.
Undersøgelser udført i samarbejde med eksperter har vist, at kvantealgoritmer kan gøre det muligt at studere sammenhænge mellem funktionerne. Det kunne give mulighed for at udtrække information om jetbestanddeles korrelationer, der vil ende i en forøgelse af jetsmagsidentifikationsydelsen.
Dr. Eduardo Rodrigues siger, at "dette papir demonstrerede for første gang, at QML kan bruges med succes i LHCb-dataanalyse." Udnyttelse af QML i partikelfysiske eksperimenter er stadig i sin vorden. Efterhånden som fysikere får erfaring med Quantum Computing, kan der forventes drastiske forbedringer inden for hardware og computerteknologi i betragtning af den verdensomspændende interesse og investering i Quantum Computing.
"Dette arbejde, som er en del af R&D-aktiviteterne i LHCb Data Processing &Analysis (DPA) projektet, gav værdifuld indsigt i QML. De interessante (første) resultater åbner nye veje for klassificeringsproblemer i partikelfysiske eksperimenter." + Udforsk yderligere