欧洲核子研究中心（CERN）的LHCb实验最近宣布了首次创世界纪录的能量的质子-质子对撞，其全新的探测器被设计用来应对更苛刻的数据采集条件。近日，研究成果以《量子机器学习用于b型射流电荷识别》为题[1]，发表在《高能物理学杂志》上。
由利物浦大学高级研究物理学家Eduardo Rodrigues领导的“数据处理与分析”（DPA）项目是对离线分析框架的重大改革，以便充分利用升级后的LHCb探测器所带来的显着增长的数据流。
在这篇论文中，DPA团队首次证明了量子机器学习（QML）技术在大型强子对撞机中成功用于识别b强子启动的喷射器的电荷。这项工作在刚刚开始的新数据采集期之后，为中期和长期的研发工作的一部分。
在LHCb的分析中，机器学习技术的利用无处不在。鉴于量子计算机和量子技术的快速发展，自然要开始研究量子算法是否以及如何在这样的新硬件上执行，以及LHCb粒子物理学的用例是否可以从量子计算这一新技术和模式中受益。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道重建问题，但该团队首次将其应用于强子射流电荷识别任务（jet classification problems）。
此次研究基于一个模拟的、b强子启动的射流样本进行，基于两种不同的量子电路的变分量子分类器性能，与深度神经网络（DNN）性能在量子模拟器上进行了比较。结果显示，DNN的性能略好于QML算法，但两者的差别很小。
两种射流标记方法。在排他性（exclusive）方法中，信息来自一个粒子，例如μ介子，其电荷与b强子相关（下层射流）；在包容性（inclusive）方法中，信息从射流成分中提取（上层射流）。
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
