Candidato al evento "di-fotón" de Higgs de las colisiones de datos del Gran Colisionador de Hadrones superpuestos con un esquema de una oblea de procesadores cuánticos. Crédito:LHC Imagen:Experimento CERN / CMS; Compuesto:M. Spiropulu (Caltech)
Investigadores de Caltech y la Universidad del Sur de California (USC) informan de la primera aplicación de la computación cuántica a un problema de física. Empleando técnicas de aprendizaje automático compatibles con la tecnología cuántica, desarrollaron un método para extraer una rara señal del bosón de Higgs a partir de una gran cantidad de datos de ruido. Higgs es la partícula que se predijo que imbuiría partículas elementales de masa y fue descubierta en el Gran Colisionador de Hadrones en 2012. Se ha descubierto que el nuevo método de aprendizaje automático cuántico funciona bien incluso con pequeños conjuntos de datos. a diferencia de las contrapartes estándar.
A pesar del papel central de la física en la computación cuántica, hasta ahora, ningún problema de interés para los investigadores de física se ha resuelto mediante técnicas de computación cuántica. En este nuevo trabajo, los investigadores extrajeron con éxito información significativa sobre las partículas de Higgs mediante la programación de un templador cuántico, un tipo de computadora cuántica capaz de ejecutar únicamente tareas de optimización, para clasificar los datos de medición de partículas llenos de errores. Maria Spiropulu de Caltech, el profesor de física Shang-Yi Ch'en, concibió el proyecto y colaboró con Daniel Lidar, pionero de la metodología de aprendizaje de máquina cuántica y profesor de ingeniería de Viterbi en la USC, que también es un distinguido académico Moore en la división de física de Caltech, Matemáticas y Astronomía.
El programa cuántico busca patrones dentro de un conjunto de datos para distinguir datos significativos de la basura. Se espera que sea útil para problemas más allá de la física de altas energías. Los detalles del programa, así como las comparaciones con las técnicas existentes, se detallan en un artículo publicado el 19 de octubre en la revista. Naturaleza .
Una técnica informática popular para clasificar datos es el método de red neuronal, conocido por su eficiencia en la extracción de patrones oscuros dentro de un conjunto de datos. Los patrones identificados por las redes neuronales son difíciles de interpretar, ya que el proceso de clasificación no revela cómo se descubrieron. Las técnicas que conducen a una mejor interpretación suelen ser más propensas a errores y menos eficientes.
"Algunas personas en física de altas energías se están adelantando a las redes neuronales, pero las redes neuronales no son fáciles de interpretar para un físico, "dice Joshua Job, estudiante de posgrado en física de la USC, coautor del artículo y estudiante invitado en Caltech. El nuevo programa cuántico es "un modelo de aprendizaje automático simple que logra un resultado comparable a modelos más complicados sin perder solidez o interpretabilidad". "dice Job.
Con técnicas previas, la precisión de la clasificación depende en gran medida del tamaño y la calidad de un conjunto de entrenamiento, que es una parte ordenada manualmente del conjunto de datos. Esto es problemático para la investigación en física de altas energías, que gira en torno a eventos raros enterrados en una gran cantidad de datos de ruido. "El Gran Colisionador de Hadrones genera una gran cantidad de eventos, y los físicos de partículas tienen que mirar pequeños paquetes de datos para descubrir cuáles son interesantes, "dice Job. El nuevo programa cuántico" es más simple, toma muy pocos datos de entrenamiento, e incluso podría ser más rápido. Lo obtuvimos al incluir los estados emocionados, "dice Spiropulu.
Los estados excitados de un sistema cuántico tienen un exceso de energía que contribuye a errores en la salida. "Asombrosamente, en realidad, era ventajoso utilizar los estados excitados, las soluciones subóptimas, "dice Lidar.
"¿Por qué exactamente ese es el caso? solo podemos especular. Pero una razón podría ser que el problema real que tenemos que resolver no se puede representar con precisión en el annealer cuántico. Por eso, las soluciones subóptimas pueden estar más cerca de la verdad, "dice Lidar.
Modelar el problema de una manera que un templador cuántico pueda entender resultó ser un desafío sustancial que fue abordado con éxito por el ex estudiante graduado de Spiropulu en Caltech, Alex Mott (PhD '15), que ahora está en DeepMind. "Programar computadoras cuánticas es fundamentalmente diferente de programar computadoras clásicas. Es como codificar bits directamente. Todo el problema debe codificarse de una vez, y luego se ejecuta solo una vez según lo programado, "dice Mott.
A pesar de las mejoras, los investigadores no afirman que los templados cuánticos sean superiores. Los que están disponibles en la actualidad simplemente "no son lo suficientemente grandes como para codificar problemas de física lo suficientemente difíciles como para demostrar alguna ventaja". "dice Spiropulu.
"Es porque estamos comparando mil qubits (bits cuánticos de información) con mil millones de transistores, "dice Jean-Roch Vlimant, becario postdoctoral en física de altas energías en Caltech. "La complejidad del recocido simulado explotará en algún momento, y esperamos que el recocido cuántico también ofrezca una aceleración, "dice Vlimant.
Los investigadores están buscando activamente nuevas aplicaciones de la nueva técnica de clasificación de recocido cuántico. "Pudimos demostrar un resultado muy similar en un dominio de aplicación completamente diferente al aplicar la misma metodología a un problema de biología computacional, ", dice Lidar." Hay otro proyecto sobre mejoras en el seguimiento de partículas utilizando tales métodos, y buscamos nuevas formas de examinar partículas cargadas, "dice Vlimant.
"El resultado de este trabajo es un enfoque basado en la física para el aprendizaje automático que podría beneficiar a un amplio espectro de aplicaciones científicas y de otro tipo, ", dice Spiropulu." Hay mucho trabajo y descubrimientos interesantes por hacer en este campo interdisciplinario emergente de la ciencia y la tecnología, ella concluye.