歐洲核子研究中心（CERN）的LHCb實驗最近宣布了首次創(chuàng)世界紀錄的能量的質(zhì)子-質(zhì)子對撞，其全新的探測器被設計用來應對更苛刻的數(shù)據(jù)采集條件。近日，研究成果以《量子機器學習用于b型射流電荷識別》為題[1]，發(fā)表在《高能物理學雜志》上。

由利物浦大學高級研究物理學家Eduardo Rodrigues領導的“數(shù)據(jù)處理與分析”（DPA）項目是對離線分析框架的重大改革，以便充分利用升級后的LHCb探測器所帶來的顯著增長的數(shù)據(jù)流。

在這篇論文中，DPA團隊首次證明了量子機器學習（QML）技術在大型強子對撞機中成功用于識別b強子啟動的噴射器的電荷。這項工作在剛剛開始的新數(shù)據(jù)采集期之后，為中期和長期的研發(fā)工作的一部分。

在LHCb的分析中，機器學習技術的利用無處不在。鑒于量子計算機和量子技術的快速發(fā)展，自然要開始研究量子算法是否以及如何在這樣的新硬件上執(zhí)行，以及LHCb粒子物理學的用例是否可以從量子計算這一新技術和模式中受益。迄今為止，QML技術主要應用于粒子物理學：以解決事件分類和粒子軌道重建問題，但該團隊首次將其應用于強子射流電荷識別任務（jet classification problems）。

此次研究基于一個模擬的、b強子啟動的射流樣本進行，基于兩種不同的量子電路的變分量子分類器性能，與深度神經(jīng)網(wǎng)絡（DNN）性能在量子模擬器上進行了比較。結果顯示，DNN的性能略好于QML算法，但兩者的差別很小。

兩種射流標記方法。在排他性（exclusive）方法中，信息來自一個粒子，例如μ介子，其電荷與b強子相關（下層射流）；在包容性（inclusive）方法中，信息從射流成分中提取（上層射流）。

兩種不同的量子電路。上：振幅嵌入模型（Amplitude Embedding model）的電路表示。藍色是變量被嵌入到量子態(tài)的振幅中；紅色的是可訓練的通用旋轉門，在訓練階段要進行優(yōu)化；綠色的是CNOT門，以圓形拓撲結構糾纏量子比特。下：角度嵌入模型（Angle Embedding model）的電路表示。藍色為X軸旋轉門，用于將變量嵌入量子電路；紅色的是可訓練的通用旋轉門，在訓練階段要進行優(yōu)化；綠色的是CNOT門，用圓形拓撲結構糾纏量子比特。

量子算法的表現(xiàn)比DNN略差，角度嵌入電路的表現(xiàn)比振幅嵌入好。

該論文表明，QML方法能夠以較少的事件數(shù)量達到最佳性能，這有助于減少資源的使用，隨著未來幾年收集的數(shù)據(jù)量的增加，這將成為LHCb的關鍵點。然而，當使用大量特征時，DNN的表現(xiàn)優(yōu)于QML算法。當更高性能的量子硬件出現(xiàn)時，預計會有改進。

與專家合作進行的研究表明，量子算法可以允許研究特征之間的相關性。這可以為提取射流成分的相關信息的提供可能性，最終將提高射流的識別性能。

最后，Eduardo Rodrigues博士說[2]：“這篇論文首次證明了QML可以成功地用于LHCb數(shù)據(jù)分析。”在粒子物理實驗中，對QML的利用仍處于起步階段。隨著物理學家對量子計算的經(jīng)驗積累，鑒于全球?qū)α孔佑嬎愕呐d趣和投資，預計硬件和計算技術將出現(xiàn)重大改進。

“這項工作是LHCb數(shù)據(jù)處理與分析（DPA）項目研發(fā)活動的一部分，為QML提供了寶貴的見解；也為粒子物理實驗中的分類問題開辟了新途徑。”

參考鏈接：

[1]https://link.springer.com/article/10.1007/JHEP08(2022)014

[2]https://phys.org/news/2022-08-quantum-machine-lhcb.html