（圖片來源：網(wǎng)絡(luò)）
近日，歐洲核子研究中心宣布LHCb實驗項目公布了一項新進展：首次展示了量子機器學習（QML）技術(shù)成功識別了LHC中b-夸克引發(fā)噴流的電荷。
該進展來自于由利物浦大學高級研究物理學家Eduardo Rodrigues領(lǐng)導的數(shù)據(jù)處理與分析（DPA）項目組，他們對離線分析框架進行了重大改革，高效地研究了因LHCb（大型強子對撞機）探測器升級后帶來的巨量數(shù)據(jù)流。DPA團隊的研究已發(fā)表在《Journal of High Energy Physics》上。
近年來，隨著量子計算機和量子技術(shù)的快速發(fā)展，LHCb引入了量子計算以促進粒子物理的深入研究。在粒子物理學中，量子機器學習主要應(yīng)用于解決事件分類和粒子軌跡重建問題，而LHCb是首次用它來執(zhí)行強子射流電荷識別任務(wù)。
在模擬b-夸克射流中，該研究對兩種方法進行了性能比較：基于兩種不同量子電路的變分量子分類器，和先進強大的經(jīng)典人工智能深度神經(jīng)網(wǎng)絡(luò)（DNN）。結(jié)果顯示，經(jīng)典DNN的性能雖略優(yōu)于量子機器學習算法，但差異非常?。ㄏ聢D為具體參數(shù)）。
標記算法性能（標記功率 ?tag）和噴流橫向動量PT函數(shù)
DPA團隊的研究表明，量子機器學習算法以更少的事件數(shù)達到了最優(yōu)的性能，這將有助于減少資源的使用。盡管在大量特征任務(wù)中，DNN算法性能要優(yōu)于量子機器學習算法，但隨著量子硬件性能的提升，將改進這一差距。對于LHCb來說，量子機器學習算法能顯著減少資源利用，這是未來幾年該項目收集數(shù)據(jù)量時關(guān)鍵考慮的指標之一。
此外，該研究結(jié)果還顯示，量子算法能可用于研究特征之間的相關(guān)性，因此物理學家們提取射流成分的相關(guān)信息將成為可能，并可以提升射流特性識別任務(wù)的性能。
Eduardo Rodrigues博士說：“我們首次證明了量子機器學習可以成功地用于LHCb數(shù)據(jù)分析。隨著物理學家不斷提高其在量子計算方面的研究經(jīng)驗，以及人們對量子計算的興趣和投資加大，預計硬件和計算技術(shù)將出現(xiàn)重大發(fā)展。盡管在粒子物理實驗中，量子機器學習的應(yīng)用仍處于起步階段，我們的研究為解決粒子物理實驗中的分類問題開辟了新的路徑?！?/p>
原文鏈接：
https://news.liverpool.ac.uk/2022/08/04/first-studies-with-quantum-machine-learning-at-lhcb/
文：利物浦大學
編譯：卉可
編輯：慕一
注：本文編譯自“利物浦大學”，不代表量子前哨觀點。
