Første studier med Quantum Machine Learning på LHCb

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

Fremskridt inden for algoritmer gør små, støjende kvantecomputere levedygtige