Le candidat à l'événement "di-photon" de Higgs des collisions de données du grand collisionneur de hadrons superposé à un schéma d'une plaquette de processeurs quantiques. Crédit :LHC Image :Expérience CERN/CMS; Composite :M. Spiropulu (Caltech)
Des chercheurs de Caltech et de l'Université de Californie du Sud (USC) rapportent la première application de l'informatique quantique à un problème de physique. En utilisant des techniques d'apprentissage automatique compatibles quantiques, ils ont développé une méthode d'extraction d'un signal de boson de Higgs rare à partir de nombreuses données de bruit. Higgs est la particule qui devait imprégner la masse des particules élémentaires et a été découverte au Large Hadron Collider en 2012. La nouvelle méthode d'apprentissage automatique quantique fonctionne bien même avec de petits ensembles de données, contrairement aux homologues standards.
Malgré le rôle central de la physique dans l'informatique quantique, jusqu'à maintenant, aucun problème d'intérêt pour les chercheurs en physique n'a été résolu par les techniques d'informatique quantique. Dans ce nouveau travail, les chercheurs ont réussi à extraire des informations significatives sur les particules de Higgs en programmant un recuit quantique - un type d'ordinateur quantique capable d'exécuter uniquement des tâches d'optimisation - pour trier les données de mesure des particules jonchées d'erreurs. Maria Spiropulu de Caltech, le professeur de physique Shang-Yi Ch'en, conçu le projet et collaboré avec Daniel Lidar, pionnier de la méthodologie d'apprentissage automatique quantique et professeur d'ingénierie Viterbi à l'USC qui est également un Distinguished Moore Scholar dans la division de physique de Caltech, Mathématiques et astronomie.
Le programme quantique recherche des modèles dans un ensemble de données pour distinguer les données significatives des indésirables. On s'attend à ce qu'il soit utile pour des problèmes au-delà de la physique des hautes énergies. Les détails du programme ainsi que les comparaisons avec les techniques existantes sont détaillés dans un article publié le 19 octobre dans la revue La nature .
Une technique informatique populaire pour classer les données est la méthode du réseau de neurones, connu pour son efficacité à extraire des motifs obscurs dans un ensemble de données. Les modèles identifiés par les réseaux de neurones sont difficiles à interpréter, car le processus de classification ne révèle pas comment ils ont été découverts. Les techniques qui conduisent à une meilleure interprétabilité sont souvent plus sujettes aux erreurs et moins efficaces.
"Certaines personnes en physique des hautes énergies prennent de l'avance sur les réseaux de neurones, mais les réseaux neuronaux ne sont pas facilement interprétables pour un physicien, " déclare Joshua Job, étudiant diplômé en physique de l'USC, co-auteur de l'article et étudiant invité à Caltech. Le nouveau programme quantique est « un modèle d'apprentissage automatique simple qui permet d'obtenir un résultat comparable à des modèles plus complexes sans perdre en robustesse ou en interprétabilité, " dit Job.
Avec des techniques antérieures, la précision de la classification dépend fortement de la taille et de la qualité d'un ensemble d'apprentissage, qui est une partie triée manuellement de l'ensemble de données. Ceci est problématique pour la recherche en physique des hautes énergies, qui tourne autour d'événements rares enfouis dans une grande quantité de données de bruit. "Le Grand collisionneur de hadrons génère un grand nombre d'événements, et les physiciens des particules doivent examiner de petits paquets de données pour déterminer lesquels sont intéressants, " dit Job. Le nouveau programme quantique " est plus simple, prend très peu de données d'entraînement, et pourrait même être plus rapide. Nous avons obtenu qu'en incluant les états excités, " dit Spiropulu.
Les états excités d'un système quantique ont un excès d'énergie qui contribue aux erreurs de sortie. "Étonnamment, il était en fait avantageux d'utiliser les états excités, les solutions sous-optimales, " dit Lidar.
"Pourquoi exactement c'est le cas, nous ne pouvons que spéculer. Mais une des raisons pourrait être que le vrai problème que nous devons résoudre n'est pas précisément représentable sur le recuit quantique. À cause de ça, des solutions sous-optimales pourraient être plus proches de la vérité, " dit Lidar.
Modéliser le problème d'une manière qu'un recuit quantique peut comprendre s'est avéré être un défi de taille qui a été relevé avec succès par l'ancien étudiant diplômé de Spiropulu à Caltech, Alex Mott (PhD '15), qui est maintenant chez DeepMind. "La programmation d'ordinateurs quantiques est fondamentalement différente de la programmation d'ordinateurs classiques. C'est comme coder des bits directement. Tout le problème doit être encodé en une fois, et puis il ne s'exécute qu'une seule fois comme programmé, " dit Mott.
Malgré les améliorations, les chercheurs n'affirment pas que les recuits quantiques sont supérieurs. Ceux actuellement disponibles ne sont tout simplement "pas assez gros pour même coder des problèmes de physique assez difficiles pour démontrer un quelconque avantage, " dit Spiropulu.
« C'est parce que nous comparons mille qubits – des bits d'information quantiques – à un milliard de transistors, " dit Jean-Roch Vlimant, chercheur postdoctoral en physique des hautes énergies à Caltech. "La complexité du recuit simulé va exploser à un moment donné, et nous espérons que le recuit quantique offrira également une accélération, " dit Vlimant.
Les chercheurs recherchent activement d'autres applications de la nouvelle technique de classification par recuit quantique. "Nous avons pu démontrer un résultat très similaire dans un domaine d'application complètement différent en appliquant la même méthodologie à un problème de biologie computationnelle, " dit Lidar. " Il y a un autre projet sur l'amélioration du suivi des particules utilisant de telles méthodes, et nous cherchons de nouvelles façons d'examiner les particules chargées, " dit Vlimant.
"Le résultat de ce travail est une approche basée sur la physique de l'apprentissage automatique qui pourrait bénéficier à un large éventail d'applications scientifiques et autres, " dit Spiropulu. " Il y a beaucoup de travail passionnant et de découvertes à faire dans ce domaine interdisciplinaire émergent de la science et de la technologie, conclut-elle.