De LHCb-samenwerking rapporteerde onlangs haar eerste werk op het gebied van quantumrekenen. In een publicatie in het Journal of High Energy Physics beschrijven ze de toepassing van Quantum Machine Learning voor het identificeren van eigenschappen van jets: stromen van deeltjes die het resultaat zijn van hoog-energetische deeltjesbotsingen.
Het is het eerste artikel waarin quantum computing wordt beschreven als toepassing voor de identificatie van jets die afkomstig zijn van beauty quarks of anti-quarks, een type deeltje dat van bijzonder belang is voor het LHCb-experiment.
Het LHCb-experiment is een van de experimenten in de Large Hadron Collider van CERN. Deze enorme ondergrondse onderzoeksfaciliteit bootst de omstandigheden na zoals die vlak na de oerknal waren, door deeltjes met bijna de snelheid van het licht tegen elkaar te laten botsen. Die botsingen bevatten allerlei informatie die ons begrip van materie en het heelal kan vergroten.
Omdat er elke seconde duizelingwekkende hoeveelheden botsingen plaatsvinden, vertrouwen natuurkundigen op hypermoderne kunstmatige intelligentie om de deeltjes te identificeren die hen interesseren. Machine learning is een van de belangrijke methodes die voor dit werk worden ingezet.
Een quantum-schepje er bovenop
De auteurs onderzochten het gebruik van Quantum Machine Learning - een nieuwe ontwikkeling in het vakgebied, die gebruikmaakt van principes uit quantum computing - om jets te markeren die de deeltjes bevatten die interessant zijn voor het LHCb-experiment.
Aan de hand van gesimuleerde datasets vergeleken de onderzoekers de prestaties van klassieke benaderingen met die van quantum-algoritmen. In sommige scenario’s presteerden deze quantum-algoritmen al meteen vergelijkbaar met hun conventionele tegenhangers. Het is dus een veelbelovende eerste verkenning van wat quantum-algoritmen kunnen betekenen voor grote natuurkundige experimenten.
Publicatie
Het onderzoek beschrijft de eerste toepassing van quantum computing voor de identificatie van jets die afkomstig zijn van beauty quarks of anti-quarks.
Het werk is uitgevoerd aan de Universiteit van Padua in Italië door de LHCb Data Processing & Analysis Group, waaraan de Universiteit Maastricht deelneemt. Co-corresponderende auteur Davide Nicotra is inmiddels als promovendus aan de slag bij de Universiteit Maastricht, waar hij verder zal werken aan quantum computing-toepassingen voor LHCb’s uitdagingen op het gebied van het volgen van deeltjes.
Artikel (open access): Alessio Gianelle, Patrick Koppenburg, Donatella Lucchesi, Davide Nicotra, Eduardo Rodrigues, Lorenzo Sestini, Jacco de Vries and Davide Zuliani. Quantum Machine Learning for b-jet charge identification. J. High Energ. Phys. 2022, 14 (2022). https://doi.org/10.1007/JHEP08(2022)014
Co-corresponderende auteur Davide Nicotra: "Toen ik begon te werken aan mijn masterthesis-project over quantum computing voor het identificeren van jets bij het LHCb-experiment, werd ik enorm enthousiast over het verkennen van dit nieuwe onderzoeksveld. Het werk dat we hier presenteren is een kleine eerste stap naar breder gebruik van quantum computing als instrument voor onderzoek - en ook een persoonlijke prestatie. Ik voel me vereerd dat ik mijn werk in dit veld kan voortzetten als promovendus bij de Universiteit Maastricht, waar ik een hele stimulerende omgeving heb gevonden om mijn studie te vervolgen."