Большой адронный коллайдер (БАК) был повторно запущен весной 2022 года после трех лет технического
Kvantu mašīnmācības metodes jau irtika izmantoti daļiņu fizikā, lai atrisinātu notikumu klasificēšanas un daļiņu sliežu ceļu rekonstrukcijas problēmas, bet komanda bija pirmā, kas tos izmantoja, lai identificētu hadrona strūklas lādiņu. Lai to izdarītu, zinātnieki ir izstrādājuši variācijas kvantu klasifikatoru, kura pamatā ir divas dažādas kvantu shēmas.
Fiziķi izmantoja kvantu simulatoru, laisalīdzināt jaunās metodes un pašlaik izmantoto dziļo neironu tīklu efektivitāti. Izrādījās, ka kvantu ķēde joprojām ir nedaudz zemāka veiktspējas ziņā, taču atšķirība nav liela.
Dažādu algoritmu veiktspējaatkarībā no strūklas šķērseniskā impulsa. DNN - tradicionālā dziļā mācīšanās, Angle Emb. un Amblitude Amb. — kvantu ķēdes. Attēls: Alessio Gianelle et al., Journal of High Energy Physics
Tajā pašā laikā jauna metode, izmantojot kvantutīkli nodrošina optimālu veiktspēju ar mazāku notikumu skaitu. Tas palīdzēs samazināt resursu izmantošanu, lai apstrādātu milzīgās LHC saņemtās datu plūsmas. Tajā pašā laikā, izmantojot lielu skaitu funkciju, dziļā mašīnmācīšanās joprojām pārspēj kvantu algoritmus. Zinātnieki uzskata, ka tas mainīsies, jo kļūs pieejama efektīvāka kvantu aparatūra.
Pētnieki arī atklāja, ka kvantualgoritmi ļauj pētīt korelācijas starp funkcijām. Tas ir nepieciešams, lai iegūtu informāciju par strūklas komponentu korelācijām. Tāpēc kvantu analīze uzlabos hadrona strūklas garšas noteikšanu.
Kvantu mašīnmācības izmantošana līdz šimir sākumstadijā, norāda autori. Tā kā fiziķi iegūst pieredzi kvantu skaitļošanā, ir sagaidāmi radikāli aparatūras un skaitļošanas tehnoloģiju uzlabojumi.
Lasīt vairāk:
Drīz Zemi skars saules vētra: materiāls lido ar ātrumu 800 km/s
Zinātnieki nofilmēja dīvainu radījumu ar taustekļiem, kurus viņi sajauca ar ziedu
Krievija pamet SKS: kas tagad notiks un kāpēc stacijas uzturēšana ir apdraudēta