Фотография
нажмите — покажем
нажмите — покажем
Сегодня завершаем серию постов о применении квантовых вычислений в физике высоких энергий. В прошлой части мы разобрали моделирование квантовой динамики и восстановление траекторий частиц. Теперь поговорим ещё о двух направлениях.
🔴 Классификация событий
Квантовое машинное обучение можно использовать для определения того, каким типом кварка был инициирован джет — узкий поток частиц, возникающий после столкновения.
Это особенно важно при исследовании взаимодействий бозона Хиггса с b- и c-кварками: качество классификации напрямую влияет на точность измерений.
В одном из экспериментов квантовая модель достигла оптимальной точности обучения на меньшем количестве событий, чем классическая. Однако масштаб исследования пока слишком мал, чтобы говорить о реальном квантовом преимуществе.
Кроме того, данные коллайдера изначально являются классическими. Для работы квантового алгоритма их необходимо закодировать в квантовые состояния, что создаёт дополнительные вычислительные затраты.
🔴 Генерация симуляций столкновений
Значительная часть ресурсов LHC Computing Grid уходит на моделирование и реконструкцию событий. Квантовые генеративные модели предлагают другой подход: обучить квантовую систему воспроизводить распределение результатов столкновений.
Для этого рассматриваются QCBM, QGAN и другие архитектуры. В QCBM вероятность получить определённую битовую строку после измерения квантового состояния соответствует вероятности конкретного физического события.
Пока такие модели работают лишь с небольшими системами. Один из возможных вариантов масштабирования — сначала сжать данные классическим алгоритмом, обработать их в латентном пространстве с помощью квантовой модели, а затем восстановить результат классическим декодером.
Значит ли это, что квантовые компьютеры заменят классические вычислительные системы на коллайдерах? Нет.
Наиболее реалистичный сценарий — их совместная работа. Классические компьютеры продолжат обрабатывать основную часть данных, а квантовые процессоры
289 ·