Физики использовали квантовое машинное обучение для идентификации заряда струй, инициированных b-кварком. Как пишет «Хайтек», это ускорит обработку данных на Большом адронном коллайдере.
Большой адронный коллайдер (БАК) был повторно запущен весной 2022 года после трех лет технического обслуживания и модернизации. Сразу после запуска ученые объявили о рекорде энергии, достигнутом на БАК. Чтобы полностью использовать значительный рост потока данных, исследователи впервые используют квантовое машинное обучение для анализа струй.
Методы квантового машинного обучения уже применялись в физике элементарных частиц для решения задач классификации событий и реконструкции треков частиц, но команда впервые применила их для идентификации заряда адронной струи. Для этого ученые разработали вариационный квантовый классификатор, основанного на двух разных квантовых схемах.
Физики использовали квантовый симулятор, чтобы сравнить эффективность нового метода и используемых в настоящее время глубоких нейронных сетей. Оказалось, что квантовая схема пока немного уступает по производительности, но разница не велика.
Производительность различных алгоритмов в зависимости от поперечного импульса струи. DNN — традиционное глубокое обучение, Angle Emb. и Amplitude Amb. — квантовые схемы. Изображение: Alessio Gianelle et al., Journal of High Energy Physics
При этом новый метод с использованием квантовых сетей достигает оптимальной производительности при меньшем количестве событий. Это поможет сократить использование ресурсов для обработки огромных потоков данных, получаемых на БАК. При этом при использовании большого количества функций глубокое машинное обучение все еще превосходит квантовые алгоритмы. Ученые полагают, что это изменится, когда станет доступно более производительное квантовое оборудование.
Исследователи также обнаружили, что квантовые алгоритмы позволяют изучать корреляции между функциями. Это нужно, чтобы извлекать информацию о корреляциях компонентов струи. А, значит, квантовый анализ улучшит идентификацию аромата адронной струи.
Использование квантового машинного обучения пока находится в зачаточном состоянии, говорят авторы работы. По мере того, как физики приобретают опыт работы с квантовыми вычислениями, следует ожидать радикальных улучшений в аппаратном обеспечении и вычислительных технологиях.
