Large Hadron Collider (LHC) ble startet opp igjen våren 2022 etter tre årTeknisk
Kvantemaskinlæringsmetoder finnes alleredeble brukt i partikkelfysikk for å løse problemer med å klassifisere hendelser og rekonstruere partikkelspor, men teamet var det første som brukte dem til å identifisere ladningen til en hadronjet. For å gjøre dette har forskere utviklet en variasjonskvanteklassifiserer basert på to forskjellige kvanteskjemaer.
Fysikere brukte en kvantesimulator for åsammenligne effektiviteten til den nye metoden og for tiden brukte dype nevrale nettverk. Det viste seg at kvantekretsen fortsatt er litt dårligere i ytelse, men forskjellen er ikke stor.
Ytelsen til ulike algoritmer iavhengig av dysens tverrmomentum. DNN - tradisjonell dyp læring, Angle Emb. og Amplitude Amb. - kvantekretser. Bilde: Alessio Gianelle et al., Journal of High Energy Physics
Samtidig en ny metode ved bruk av kvantenettverk oppnår optimal ytelse med færre arrangementer. Dette vil bidra til å redusere bruken av ressurser for å behandle de enorme datastrømmene som mottas ved LHC. Samtidig, når du bruker et stort antall funksjoner, overgår dyp maskinlæring fortsatt kvantealgoritmer. Forskere tror dette vil endre seg etter hvert som mer effektiv kvantemaskinvare blir tilgjengelig.
Forskerne fant også at kvantumAlgoritmer gjør det mulig å studere korrelasjoner mellom funksjoner. Dette er nødvendig for å trekke ut informasjon om korrelasjonene til jetkomponentene. Og derfor vil kvanteanalyse forbedre identifiseringen av smaken til hadronstrålen.
Bruker kvantemaskinlæring så langter i sin spede begynnelse, sier forfatterne. Ettersom fysikere får erfaring med kvantedatabehandling, bør det forventes radikale forbedringer innen maskinvare og datateknologi.
Les mer:
Snart vil en solstorm treffe jorden: materialet flyr med en hastighet på 800 km/s
Forskere filmet en merkelig skapning med tentakler, som de trodde var en blomst
Russland forlater ISS: hva vil skje nå og hvorfor vedlikeholdet av stasjonen er truet