LHCb-experimentet vid CERN tillkännagav nyligen de första proton-protonkollisioner med världsrekord i energi med sin helt nya detektor designad för att klara mycket mer krävande dataupptagningsförhållanden.

Data Processing &Analysis (DPA)-projektet, som leds av University of Liverpool senior forskningsfysiker Eduardo Rodrigues, är en stor översyn av offlineanalysramverket för att tillåta fullt utnyttjande av den betydande ökningen av dataflödet från den uppgraderade LHCb-detektorn.

I en artikel publicerad i Journal of High Energy Physics , har DPA-teamet för första gången demonstrerat den framgångsrika användningen av Quantum Machine Learning-tekniker (QML) för identifiering av laddningen av b-quark-initierade jetplan vid LHC. Detta arbete är en del av FoU utöver den nystartade perioden för att ta data, på medellång och lång sikt.

Utnyttjandet av maskininlärningstekniker är allestädes närvarande i analys i LHCb. Med tanke på kvantdatorernas och kvantteknologiernas snabba framsteg är det naturligt att börja undersöka om och hur kvantalgoritmer kan exekveras på sådan ny hårdvara, och om LHCb-partikelfysikens användningsfall kan dra nytta av den nya teknologin och paradigmet som är Quantum Datorer.

Hittills har QML-tekniker huvudsakligen använts inom partikelfysik för att lösa problem med klassificering av händelser och rekonstruktion av partikelspår, men teamet använde det för första gången för uppgiften att identifiera hadroniska jetladdningar.

Studien "Quantum Machine Learning for b-jet charge identification" utfördes baserat på ett urval av simulerade b-quark-initierade jetstrålar. Prestandan hos en så kallad Variational Quantum Classifier, baserad på två olika kvantkretsar, jämfördes med prestandan som erhölls med ett Deep Neural Network (DNN), en modern, klassisk (d.v.s. icke-kvantum) och kraftfull typ av artificiell intelligens algoritm. Prestandan utvärderas på en kvantsimulator eftersom den kvanthårdvara som finns tillgänglig idag fortfarande är i ett tidigt skede, även om tester på riktig hårdvara för närvarande är under utveckling.

Resultaten jämfört med de som erhölls med en klassisk DNN visade att DNN presterar något bättre än QML-algoritmerna, skillnaden är liten.

Uppsatsen visar att QML-metoden når optimal prestanda med ett lägre antal händelser, vilket hjälper till att minska resursanvändningen som kommer att bli en nyckelpunkt på LHCb med mängden data som samlas in under kommande år. Men när ett stort antal funktioner används, presterar DNN bättre än QML-algoritmer. Förbättringar förväntas när mer presterande kvanthårdvara kommer att bli tillgänglig.

Studier gjorda i samarbete med experter har visat att kvantalgoritmer kan göra det möjligt att studera korrelationer mellan funktionerna. Det skulle kunna ge möjlighet att extrahera information om jetbeståndsdelar korrelationer som kommer att sluta i en ökning av jetsmakidentifieringen.

Dr. Eduardo Rodrigues säger att "denna uppsats visade för första gången att QML kan användas med framgång i LHCb-dataanalys." Utnyttjandet av QML i partikelfysikexperiment är fortfarande i sin linda. Eftersom fysiker får erfarenhet av Quantum Computing kan drastiska förbättringar av hårdvara och datorteknik förväntas med tanke på det världsomspännande intresset och investeringarna i Quantum Computing.

"Detta arbete, som är en del av FoU-aktiviteterna i LHCb Data Processing &Analysis (DPA)-projektet, gav värdefull insikt om QML. De intressanta (första) resultaten öppnar nya vägar för klassificeringsproblem i partikelfysikexperiment." + Utforska vidare

Framsteg inom algoritmerna gör små, bullriga kvantdatorer livskraftiga