Forskare från Caltech och University of Southern California (USC) rapporterar den första tillämpningen av kvantberäkning på ett fysikproblem. Genom att använda kvantkompatibla maskininlärningstekniker, de utvecklade en metod för att extrahera en sällsynt Higgs-bosonsignal från rikliga brusdata. Higgs är partikeln som förutspåddes genomsyra elementarpartiklar med massa och upptäcktes vid Large Hadron Collider 2012. Den nya kvantmaskininlärningsmetoden har visat sig fungera bra även med små datamängder, till skillnad från vanliga motsvarigheter.

Trots fysikens centrala roll i kvantberäkning, tills nu, inga problem av intresse för fysikforskare har lösts med kvantberäkningstekniker. I detta nya verk, forskarna lyckades extrahera meningsfull information om Higgs-partiklar genom att programmera en kvantglödgningsanordning – en typ av kvantdator som bara kan köra optimeringsuppgifter – för att sortera igenom partikelmätningsdata fyllda med fel. Caltechs Maria Spiropulu, Shang-Yi Ch'en professor i fysik, skapade projektet och samarbetade med Daniel Lidar, pionjär inom kvantmaskininlärningsmetoden och Viterbi professor i teknik vid USC som också är en Distinguished Moore Scholar i Caltechs division för fysik, Matematik och astronomi.

Kvantprogrammet söker efter mönster i en datauppsättning för att skilja meningsfull data från skräp. Det förväntas vara användbart för problem bortom högenergifysik. Detaljerna i programmet samt jämförelser med befintliga tekniker beskrivs i en artikel som publicerades den 19 oktober i tidskriften Natur .

En populär datorteknik för att klassificera data är den neurala nätverksmetoden, känd för sin effektivitet när det gäller att extrahera obskyra mönster i en datauppsättning. Mönstren som identifieras av neurala nätverk är svåra att tolka, eftersom klassificeringsprocessen inte avslöjar hur de upptäcktes. Tekniker som leder till bättre tolkningsmöjligheter är ofta mer felbenägna och mindre effektiva.

"Vissa människor inom högenergifysik går före sig själva när det gäller neurala nät, men neurala nät är inte lätt att tolka för en fysiker, " säger USC:s fysikstudent Joshua Job, medförfattare till tidningen och gäststudent vid Caltech. Det nya kvantprogrammet är "en enkel maskininlärningsmodell som uppnår ett resultat som är jämförbart med mer komplicerade modeller utan att förlora robusthet eller tolkningsbarhet, säger Job.

Med tidigare tekniker, noggrannheten i klassificeringen beror starkt på storleken och kvaliteten på en träningsuppsättning, som är en manuellt sorterad del av datamängden. Detta är problematiskt för högenergifysikforskning, som kretsar kring sällsynta händelser begravda i stora mängder brusdata. "The Large Hadron Collider genererar ett stort antal händelser, och partikelfysikerna måste titta på små datapaket för att ta reda på vilka som är intressanta, " säger Job. Det nya kvantprogrammet "är enklare, tar väldigt lite träningsdata, och kunde till och med vara snabbare. Vi fick det genom att inkludera de upphetsade tillstånden, säger Spiropulu.

Exciterade tillstånd i ett kvantsystem har överskottsenergi som bidrar till fel i utsignalen. "Förvånande, det var faktiskt fördelaktigt att använda de upphetsade tillstånden, de suboptimala lösningarna, säger Lidar.

"Varför just det är fallet, vi kan bara spekulera. Men en anledning kan vara att det verkliga problemet vi måste lösa inte exakt kan representeras på kvantglödgaren. På grund av det, suboptimala lösningar kan vara närmare sanningen, säger Lidar.

Att modellera problemet på ett sätt som en kvantglödgare kan förstå visade sig vara en betydande utmaning som framgångsrikt tacklades av Spiropulus tidigare doktorand vid Caltech, Alex Mott (PhD '15), som nu är på DeepMind. "Programmering av kvantdatorer skiljer sig fundamentalt från att programmera klassiska datorer. Det är som att koda bitar direkt. Hela problemet måste kodas på en gång, och sedan körs den bara en gång som programmerat, säger Mott.

Trots förbättringarna, forskarna hävdar inte att kvantglödgningsmedel är överlägsna. De för närvarande tillgängliga är helt enkelt "inte tillräckligt stora för att ens koda fysikproblem som är tillräckligt svåra för att visa någon fördel, säger Spiropulu.

"Det beror på att vi jämför tusen qubits - kvantbitar av information - med en miljard transistorer, säger Jean-Roch Vlimant, en postdoktor i högenergifysik vid Caltech. "Komplexiteten av simulerad glödgning kommer att explodera någon gång, och vi hoppas att kvantglödgning också kommer att ge snabbare, säger Vlimant.

Forskarna söker aktivt efter ytterligare tillämpningar av den nya kvantglödgningsklassificeringstekniken. "Vi kunde visa ett mycket liknande resultat i en helt annan applikationsdomän genom att tillämpa samma metod på ett problem inom beräkningsbiologi, " säger Lidar. "Det finns ett annat projekt om förbättringar av partikelspårning med sådana metoder, och vi letar efter nya sätt att undersöka laddade partiklar, säger Vlimant.

"Resultatet av detta arbete är en fysikbaserad metod för maskininlärning som kan gynna ett brett spektrum av vetenskap och andra tillämpningar, " säger Spiropulu. "Det finns mycket spännande arbete och upptäckter att göra på denna framväxande tvärvetenskapliga arena av vetenskap och teknik, avslutar hon.