Erste Studien mit Quantum Machine Learning am LHCb

Das LHCb-Experiment am CERN kündigte kürzlich die ersten Proton-Proton-Kollisionen mit einer Weltrekordenergie mit seinem brandneuen Detektor an, der für viel anspruchsvollere Datenaufnahmebedingungen ausgelegt ist.

Das Data Processing & Analysis (DPA)-Projekt, das von Eduardo Rodrigues, leitender Forschungsphysiker der University of Liverpool, geleitet wird, ist eine grundlegende Überarbeitung des Offline-Analyse-Frameworks, um die vollständige Nutzung des erheblichen Anstiegs des Datenflusses aus dem aktualisierten LHCb-Detektor zu ermöglichen.

In einem in der Zeitschrift für Hochenergiephysikhat das DPA-Team zum ersten Mal den erfolgreichen Einsatz von Quantum Machine Learning (QML)-Techniken zur Identifizierung der Ladung von b-Quark-initiierten Jets am LHC demonstriert. Diese Arbeit ist mittel- und längerfristig Teil der F&E über den gerade beginnenden Zeitraum der neuen Datenerfassung hinaus.

Die Nutzung von Techniken des maschinellen Lernens ist in der Analyse in LHCb allgegenwärtig. Angesichts des schnellen Fortschritts von Quantencomputern und Quantentechnologien ist es naheliegend zu untersuchen, ob und wie Quantenalgorithmen auf solch neuer Hardware ausgeführt werden können und ob die Anwendungsfälle der LHCb-Teilchenphysik von der neuen Technologie und dem Paradigma Quantum profitieren können Rechnen.

Bisher wurden QML-Techniken hauptsächlich in der Teilchenphysik angewendet, um Probleme der Ereignisklassifizierung und Teilchenspurrekonstruktion zu lösen, aber das Team wendete sie zum ersten Mal auf die Aufgabe der hadronischen Strahlladungsidentifikation an.

Die Studie „Quantum Machine Learning for b-jet charge Identification“ wurde anhand einer Stichprobe von simulierten b-Quark-initiierten Jets durchgeführt. Die Leistung eines sogenannten Variational Quantum Classifier, basierend auf zwei verschiedenen Quantenschaltkreisen, wurde mit der Leistung verglichen, die mit einem Deep Neural Network (DNN), einer modernen, klassischen (dh nicht-quantenbasierten) und leistungsstarken Art künstlicher Intelligenz, erzielt wurde Algorithmus. Die Leistung wird an einem Quantensimulator bewertet, da sich die heute verfügbare Quantenhardware noch in einem frühen Stadium befindet, obwohl Tests an realer Hardware derzeit in der Entwicklung sind.

Die Ergebnisse im Vergleich zu denen, die mit einem klassischen DNN erhalten wurden, zeigten, dass das DNN etwas besser abschneidet als die QML-Algorithmen, wobei der Unterschied gering ist.

Das Papier zeigt, dass die QML-Methode mit einer geringeren Anzahl von Ereignissen eine optimale Leistung erreicht, was dazu beiträgt, den Ressourcenverbrauch zu reduzieren, was bei der Menge der in den kommenden Jahren gesammelten Daten zu einem Schlüsselpunkt bei LHCb werden wird. Wenn jedoch eine große Anzahl von Merkmalen verwendet wird, schneidet das DNN besser ab als QML-Algorithmen. Verbesserungen werden erwartet, wenn leistungsfähigere Quantenhardware verfügbar wird.

Studien, die in Zusammenarbeit mit Experten durchgeführt wurden, haben gezeigt, dass Quantenalgorithmen es ermöglichen können, Korrelationen zwischen den Merkmalen zu untersuchen. Dies könnte die Möglichkeit bieten, Informationen über die Korrelationen von Jet-Bestandteilen zu extrahieren, die zu einer Steigerung der Jet-Aroma-Identifizierungsleistung führen werden.

Dr. Eduardo Rodrigues sagt, dass „dieses Papier zum ersten Mal gezeigt hat, dass QML erfolgreich in der LHCb-Datenanalyse verwendet werden kann.“ Die Nutzung von QML in Teilchenphysik-Experimenten steckt noch in den Kinderschuhen. Da Physiker Erfahrungen mit Quantum Computing sammeln, sind angesichts des weltweiten Interesses und der weltweiten Investitionen in Quantum Computing drastische Verbesserungen in Hardware und Computertechnologie zu erwarten.

„Diese Arbeit, die Teil der F&E-Aktivitäten des LHCb Data Processing & Analysis (DPA)-Projekts ist, lieferte wertvolle Einblicke in QML. Die interessanten (ersten) Ergebnisse eröffnen neue Wege für Klassifikationsprobleme in Teilchenphysik-Experimenten.“