Велики хадронски сударач (ЛХЦ) поново је покренут у пролеће 2022. након три године одржавања.
Методе квантног машинског учења су већсу коришћени у физици честица за решавање проблема класификације догађаја и реконструкције трагова честица, али тим је био први који их је користио да идентификује наелектрисање адронског млаза. Да би то урадили, научници су развили варијациони квантни класификатор заснован на две различите квантне шеме.
Физичари су користили квантни симулатор даупоредити ефикасност нове методе и тренутно коришћених дубоких неуронских мрежа. Испоставило се да је квантно коло још увек мало инфериорно у перформансама, али разлика није велика.
Перформансе различитих алгоритама уу зависности од попречног импулса млаза. ДНН - традиционално дубоко учење, Англе Емб. и Амплитуде Амб. — квантна кола. Слика: Алессио Гианелле ет ал., Јоурнал оф Хигх Енерги Пхисицс
Истовремено, нова метода која користи квантмреже постижу оптималне перформансе са мање догађаја. Ово ће помоћи да се смањи употреба ресурса за обраду огромних токова података примљених на ЛХЦ-у. У исто време, када се користи велики број функција, дубоко машинско учење и даље надмашује квантне алгоритме. Научници верују да ће се то променити како ефикаснији квантни хардвер буде доступан.
Истраживачи су такође пронашли тај кванталгоритми омогућавају проучавање корелација између функција. Ово је неопходно за издвајање информација о корелацијама компоненти млаза. И, стога, квантна анализа ће побољшати идентификацију укуса хадронског млаза.
Коришћење квантног машинског учења до садаје у повојима, кажу аутори. Како физичари стичу искуство са квантним рачунарством, треба очекивати радикална побољшања хардвера и рачунарске технологије.
Опширније:
Ускоро ће соларна олуја погодити Земљу: материјал лети брзином од 800 км / с
Научници су снимили чудно створење са пипцима, које су заменили за цвет
Русија напушта ИСС: шта ће сада бити и зашто је одржавање станице угрожено