量子机器学习首次应用于欧洲核子研究中心LHCb实验

两种不同的量子电路。上：振幅嵌入模型（Amplitude Embedding model）的电路表示。蓝色是变量被嵌入到量子态的振幅中；红色的是可训练的通用旋转门，在训练阶段要进行优化；绿色的是CNOT门，以圆形拓扑结构纠缠量子比特。下：角度嵌入模型（Angle Embedding model）的电路表示。蓝色为X轴旋转门，用于将变量嵌入量子电路；红色的是可训练的通用旋转门，在训练阶段要进行优化；绿色的是CNOT门，用圆形拓扑结构纠缠量子比特。

量子算法的表现比DNN略差，角度嵌入电路的表现比振幅嵌入好。

该论文表明，QML方法能够以较少的事件数量达到最佳性能，这有助于减少资源的使用，随着未来几年收集的数据量的增加，这将成为LHCb的关键点。然而，当使用大量特征时，DNN的表现优于QML算法。当更高性能的量子硬件出现时，预计会有改进。

与专家合作进行的研究表明，量子算法可以允许研究特征之间的相关性。这可以为提取射流成分的相关信息的提供可能性，最终将提高射流的识别性能。

最后，Eduardo Rodrigues博士说[2]：“这篇论文首次证明了QML可以成功地用于LHCb数据分析。”在粒子物理实验中，对QML的利用仍处于起步阶段。随着物理学家对量子计算的经验积累，鉴于全球对量子计算的兴趣和投资，预计硬件和计算技术将出现重大改进。

“这项工作是LHCb数据处理与分析（DPA）项目研发活动的一部分，为QML提供了宝贵的见解；也为粒子物理实验中的分类问题开辟了新途径。”

参考链接：

[1]https://link.springer.com/article/10.1007/JHEP08(2022)014

[2]https://phys.org/news/2022-08-quantum-machine-lhcb.html