LHCb的量子机器学习的首次研究

标记算法性能（标记功率ε_tag）作为射流的横向动量p_T的函数。来源：利物浦大学

欧洲核子研究中心（CERN）的LHCb实验最近宣布了首次以世界纪录的能量发生质子 - 质子碰撞，其全新的探测器旨在应对更苛刻的数据获取条件。

数据处理与分析（DPA）项目由利物浦大学高级研究物理学家爱德华多·罗德里格斯（Eduardo Rodrigues）领导，是对离线分析框架的重大改革，以允许充分利用升级后的LHCb探测器显着增加的数据流。

在发表在《高能物理杂志》（Journal of High Energy Physics）上的一篇论文中，DPA团队首次展示了量子机器学习（QML）技术在大型强子对撞机上成功使用量子机器学习（QML）技术来识别b夸克启动的射流的电荷。这项工作是研发的一部分，超越了刚刚开始的新数据获取期，从中期和长期来看。

机器学习技术的利用在LHCb的分析中无处不在。鉴于量子计算机和量子技术的快速发展，人们很自然地开始研究量子算法是否可以以及如何在这样的新硬件上执行，以及LHCb粒子物理用例是否可以从量子计算的新技术和新范式中受益。

迄今为止，QML技术主要应用于粒子物理学，以解决事件分类和粒子轨迹重建问题，但该团队首次将其应用于强子射流电荷识别的任务。

“用于b-jet电荷识别的量子机器学习”研究是基于模拟b-quark启动的射流样本进行的。基于两个不同量子电路的所谓变分量子分类器的性能与深度神经网络（DNN）获得的性能进行了比较，DNN是一种现代的经典（即非量子）和强大的人工智能算法。性能是在量子模拟器上进行评估的，因为目前可用的量子硬件仍处于早期阶段，尽管在实际硬件上的测试目前正在开发中。

与使用经典 DNN 获得的结果表明，DNN 的性能略好于 QML 算法，差异很小。

该论文表明，QML方法在较少的事件数量下达到最佳性能，这有助于减少资源使用，这将成为LHCb在未来几年收集的数据量中的关键点。但是，当使用大量功能时，DNN 的性能优于 QML 算法。当性能更高的量子硬件可用时，预计会有改进。

与专家合作进行的研究表明，量子算法可以研究特征之间的相关性。这可以提供提取有关喷射成分相关性的信息的可能性，这些信息最终将增加喷射风味识别性能。

Eduardo Rodrigues博士说：“这篇论文首次证明了QML可以成功地用于LHCb数据分析。在粒子物理实验中利用QML仍处于起步阶段。随着物理学家获得量子计算的经验，鉴于全球对量子计算的兴趣和投资，硬件和计算技术将有望取得巨大进步。

“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。有趣的（第一个）结果为粒子物理实验中的分类问题开辟了新的途径。

更多信息：Alessio Gianelle等人，用于b-jet电荷识别的量子机器学习，高能物理学杂志（2022）。DOI： 10.1007/JHEP08（2022）014