Опубликовано 20 октября 2017, 14:37

Квантовый компьютер поможет искать бозон Хиггса

Процессор квантового компьютера компании D-Wave

Процессор квантового компьютера компании D-Wave

© Stephen Lam/Reuters

Ограниченные квантовые компьютеры можно использовать при анализе данных экспериментов на ускорителях элементарных частиц, что поможет находить следы определенных частиц, например, бозона Хиггса. Первая в своем роде работа выполнена на компьютере компании D-Wave. Она не дает явного преимущества по сравнению с обычными вычислениями, но авторы утверждают, что машинное обучение позволит обогнать классические методы, особенно в случае будущих экспериментов с еще большими объемами данных. Статья с результатами опубликована в журнале Nature.

Крупные ускорители частиц, такие как Большой адронный коллайдер (БАК), производят огромные объемы данных, которые довольно сложно обрабатывать. Частично это связано с тем, что на БАК сталкиваются протоны, которые состоят из кварков и глюонов. Это приводит к появлению сотен «осколков» — вылетающих во все стороны разнообразных частиц, тип которых зависит от родившихся в столкновении.

Чтобы ускорить обработку этих данных, физики тренируют на модельных данных алгоритмы машинного обучения для поиска определенных частиц, таких как фотоны, которые образуются в результате распада бозона Хиггса. У одного из участников эксперимента CMS на БАК, Марии Спиропулу, возникла идея проверить, помогут ли квантовые компьютеры ускорить этот процесс, если уменьшить необходимое для обучения алгоритма количество данных. «Я хотела проверить, можно ли таким способом решить проблему бозона Хиггса, потому что я знала, что это за проблема», — комментирует Спиропулу.

Ученые приспособили процесс обучения для компьютера D-Wave, который реализует алгоритм квантовой симуляции отжига, то есть находит оптимальное решение задач определенного класса путем перехода системы сверхпроводящих кубитов в состояние с наименьшей энергией. В результате удалось получить необходимый для анализа данных критерий с использованием намного меньшей обучающей выборки. «Мы можем обучать на небольших наборах данных и находить оптимальные решения», — подытоживает Спиропулу.