O experimento LHCb no CERN anunciou recentemente as primeiras colisões próton-próton em uma energia recorde mundial com seu novo detector projetado para lidar com condições de coleta de dados muito mais exigentes.
O projeto Data Processing &Analysis (DPA), liderado pelo físico de pesquisa sênior da Universidade de Liverpool Eduardo Rodrigues, é uma grande reformulação da estrutura de análise offline para permitir a exploração total do aumento significativo no fluxo de dados do detector LHCb atualizado.

Em um artigo publicado no Journal of High Energy Physics , a equipe do DPA demonstrou pela primeira vez o uso bem-sucedido de técnicas de Quantum Machine Learning (QML) para a identificação da carga de jatos iniciados por b-quarks no LHC. Este trabalho faz parte de P&D além do período de coleta de novos dados, a médio e longo prazo.

O aproveitamento de técnicas de Machine Learning é onipresente na análise no LHCb. Dado o rápido progresso dos computadores quânticos e das tecnologias quânticas, é natural começar a investigar se e como os algoritmos quânticos podem ser executados em tal novo hardware, e se os casos de uso da física de partículas do LHCb podem se beneficiar da nova tecnologia e paradigma que é Quantum Informática.

Até o momento, as técnicas QML foram aplicadas principalmente em física de partículas para resolver problemas de classificação de eventos e reconstrução de trilhas de partículas, mas a equipe a aplicou pela primeira vez na tarefa de identificação de cargas de jatos hadrônicos.

O estudo "Quantum Machine Learning for b-jet charge identity" foi realizado com base em uma amostra de jatos iniciados por b-quarks simulados. O desempenho de um classificador quântico variacional, baseado em dois circuitos quânticos diferentes, foi comparado com o desempenho obtido com uma Deep Neural Network (DNN), um tipo moderno, clássico (ou seja, não quântico) e poderoso de inteligência artificial algoritmo. O desempenho é avaliado em um simulador quântico, pois o hardware quântico disponível hoje ainda está em estágio inicial, embora os testes em hardware real estejam atualmente em desenvolvimento.

Os resultados comparados aos obtidos com uma DNN clássica mostraram que a DNN está tendo um desempenho ligeiramente melhor que os algoritmos QML, sendo a diferença pequena.

O trabalho demonstra que o método QML atinge o desempenho ideal com um número menor de eventos, o que ajuda na redução do uso de recursos que se tornará um ponto chave no LHCb com a quantidade de dados coletados nos próximos anos. No entanto, quando um grande número de recursos é empregado, o DNN tem um desempenho melhor do que os algoritmos QML. Melhorias são esperadas quando hardware quântico de maior desempenho estiver disponível.

Estudos feitos em colaboração com especialistas mostraram que algoritmos quânticos podem permitir estudar correlações entre os recursos. Isso poderia dar a possibilidade de extrair informações sobre as correlações dos constituintes do jato que resultarão em um aumento no desempenho da identificação do sabor do jato.

Dr. Eduardo Rodrigues diz que "este trabalho demonstrou, pela primeira vez, que o QML pode ser usado com sucesso na análise de dados do LHCb". A exploração de QML em experimentos de física de partículas ainda está em sua infância. À medida que os físicos ganham experiência com computação quântica, melhorias drásticas em hardware e tecnologia de computação são esperadas, dado o interesse e investimento mundial em computação quântica.

"Este trabalho, que faz parte das atividades de P&D do projeto LHCb Data Processing &Analysis (DPA), forneceu informações valiosas sobre QML. Os resultados interessantes (primeiros) abrem novos caminhos para problemas de classificação em experimentos de física de partículas." + Explorar mais

O progresso nos algoritmos torna viáveis ​​computadores quânticos pequenos e barulhentos