Prestazioni dell'algoritmo di tagging (potenza di tagging ϵ_tag) in funzione della quantità di moto trasversale p_T dei getti. Credito:Università di Liverpool
L'esperimento LHCb al CERN ha recentemente annunciato le prime collisioni protone-protone con un'energia da record mondiale con il suo nuovissimo rivelatore progettato per far fronte a condizioni di acquisizione dati molto più impegnative.
Il progetto Data Processing &Analysis (DPA), guidato dal fisico ricercatore senior dell'Università di Liverpool Eduardo Rodrigues, è un'importante revisione del framework di analisi offline per consentire il pieno sfruttamento del significativo aumento del flusso di dati dal rivelatore LHCb aggiornato.
In un articolo pubblicato nel Journal of High Energy Physics , il team DPA ha dimostrato per la prima volta l'uso efficace delle tecniche di apprendimento automatico quantistico (QML) per l'identificazione della carica di getti avviati da quark b presso l'LHC. Questo lavoro fa parte della ricerca e sviluppo al di là del periodo appena iniziato di acquisizione di nuovi dati, a medio e lungo termine.
Lo sfruttamento delle tecniche di Machine Learning è onnipresente nell'analisi in LHCb. Dato il rapido progresso dei computer quantistici e delle tecnologie quantistiche, è naturale iniziare a studiare se e come gli algoritmi quantistici possono essere eseguiti su tale nuovo hardware e se i casi d'uso della fisica delle particelle di LHCb possono trarre vantaggio dalla nuova tecnologia e paradigma che è Quantum Informatica.
Ad oggi, le tecniche QML sono state applicate principalmente alla fisica delle particelle per risolvere problemi di classificazione degli eventi e ricostruzione delle tracce di particelle, ma il team l'ha applicata per la prima volta al compito di identificare la carica del getto adronico.
Lo studio "Quantum Machine Learning per l'identificazione della carica b-jet" è stato condotto sulla base di un campione di jet simulati avviati da quark b. Le prestazioni di un cosiddetto Variational Quantum Classifier, basato su due diversi circuiti quantistici, sono state confrontate con le prestazioni ottenute con una Deep Neural Network (DNN), un tipo di intelligenza artificiale moderna, classica (cioè non quantistica) e potente algoritmo. Le prestazioni vengono valutate su un simulatore quantistico poiché l'hardware quantistico oggi disponibile è ancora nella sua fase iniziale, anche se i test sull'hardware reale sono attualmente in fase di sviluppo.
I risultati rispetto a quelli ottenuti con un DNN classico hanno mostrato che il DNN ha prestazioni leggermente migliori rispetto agli algoritmi QML, la differenza è piccola.
Il documento dimostra che il metodo QML raggiunge prestazioni ottimali con un numero inferiore di eventi, il che aiuta a ridurre l'utilizzo delle risorse che diventerà un punto chiave per LHCb con la quantità di dati raccolti negli anni futuri. Tuttavia, quando viene impiegato un gran numero di funzioni, il DNN ha prestazioni migliori rispetto agli algoritmi QML. Sono previsti miglioramenti quando sarà disponibile hardware quantistico più performante.
Studi condotti in collaborazione con esperti hanno dimostrato che gli algoritmi quantistici possono consentire di studiare le correlazioni tra le caratteristiche. Ciò potrebbe dare la possibilità di estrarre informazioni sulle correlazioni dei costituenti del jet che si tradurranno in un aumento delle prestazioni di identificazione dell'aroma del jet.
Il Dr. Eduardo Rodrigues afferma che "questo articolo ha dimostrato, per la prima volta, che il QML può essere utilizzato con successo nell'analisi dei dati di LHCb". Lo sfruttamento del QML negli esperimenti di fisica delle particelle è ancora agli inizi. Man mano che i fisici acquisiscono esperienza con il Quantum Computing, sono prevedibili miglioramenti drastici nell'hardware e nella tecnologia informatica dato l'interesse e gli investimenti mondiali nel Quantum Computing.
"Questo lavoro, che fa parte delle attività di ricerca e sviluppo del progetto LHCb Data Processing &Analysis (DPA), ha fornito preziose informazioni sul QML. Gli interessanti (primi) risultati aprono nuove strade per problemi di classificazione negli esperimenti di fisica delle particelle". + Esplora ulteriormente
