El experimento LHCb en el CERN anunció recientemente las primeras colisiones protón-protón a una energía récord mundial con su nuevo detector diseñado para hacer frente a condiciones de toma de datos mucho más exigentes.

El proyecto Procesamiento y análisis de datos (DPA), dirigido por Eduardo Rodrigues, físico investigador principal de la Universidad de Liverpool, es una revisión importante del marco de análisis fuera de línea para permitir la explotación total del aumento significativo en el flujo de datos del detector LHCb actualizado.

En un artículo publicado en el Journal of High Energy Physics , el equipo de DPA ha demostrado por primera vez el uso exitoso de técnicas de Quantum Machine Learning (QML) para la identificación de la carga de chorros iniciados por b-quarks en el LHC. Este trabajo es parte de I+D más allá del período de obtención de nuevos datos que acaba de comenzar, a medio y largo plazo.

El aprovechamiento de las técnicas de Machine Learning es omnipresente en el análisis en LHCb. Dado el rápido progreso de las computadoras cuánticas y las tecnologías cuánticas, es natural comenzar a investigar si los algoritmos cuánticos pueden ejecutarse en ese nuevo hardware y cómo, y si los casos de uso de la física de partículas LHCb pueden beneficiarse de la nueva tecnología y paradigma que es Quantum. Informática.

Hasta la fecha, las técnicas de QML se han aplicado principalmente en física de partículas para resolver problemas de clasificación de eventos y reconstrucción de trayectorias de partículas, pero el equipo las aplicó por primera vez a la tarea de identificación de cargas de chorros hadrónicos.

El estudio "Aprendizaje automático cuántico para la identificación de carga de b-jet" se llevó a cabo a partir de una muestra de chorros iniciados por b-quarks simulados. Se comparó el rendimiento de un clasificador cuántico variacional, basado en dos circuitos cuánticos diferentes, con el rendimiento obtenido con una red neuronal profunda (DNN), un tipo de inteligencia artificial moderna, clásica (es decir, no cuántica) y potente. algoritmo. El rendimiento se evalúa en un simulador cuántico, ya que el hardware cuántico disponible en la actualidad aún se encuentra en su etapa inicial, aunque actualmente se están desarrollando pruebas en hardware real.

Los resultados comparados con los obtenidos con una DNN clásica mostraron que la DNN está funcionando ligeramente mejor que los algoritmos QML, siendo la diferencia pequeña.

El documento demuestra que el método QML alcanza un rendimiento óptimo con una menor cantidad de eventos, lo que ayuda a reducir el uso de recursos, lo que se convertirá en un punto clave en LHCb con la cantidad de datos recopilados en los próximos años. Sin embargo, cuando se emplea una gran cantidad de funciones, la DNN funciona mejor que los algoritmos QML. Se esperan mejoras cuando el hardware cuántico de mayor rendimiento esté disponible.

Los estudios realizados en colaboración con expertos han demostrado que los algoritmos cuánticos pueden permitir estudiar las correlaciones entre las características. Eso podría brindar la posibilidad de extraer información sobre las correlaciones de los componentes del jet que terminarán en un aumento del rendimiento de identificación del sabor del jet.

El Dr. Eduardo Rodrigues dice que "este artículo demostró, por primera vez, que QML puede usarse con éxito en el análisis de datos de LHCb". La explotación de QML en experimentos de física de partículas aún está en pañales. A medida que los físicos adquieran experiencia con la computación cuántica, se esperan mejoras drásticas en el hardware y la tecnología informática dado el interés y la inversión mundial en la computación cuántica.

"Este trabajo, que forma parte de las actividades de I+D del proyecto LHCb Data Processing &Analysis (DPA), proporcionó información valiosa sobre QML. Los interesantes (primeros) resultados abren nuevas vías para problemas de clasificación en experimentos de física de partículas". + Explora más

El progreso en los algoritmos hace viables las pequeñas y ruidosas computadoras cuánticas