L'expérience LHCb au CERN a récemment annoncé les premières collisions proton-proton à une énergie record du monde avec son tout nouveau détecteur conçu pour faire face à des conditions de prise de données beaucoup plus exigeantes.

Le projet de traitement et d'analyse des données (DPA), dirigé par Eduardo Rodrigues, physicien de recherche senior à l'Université de Liverpool, est une refonte majeure du cadre d'analyse hors ligne pour permettre l'exploitation complète de l'augmentation significative du flux de données provenant du détecteur LHCb amélioré.

Dans un article publié dans le Journal of High Energy Physics , l'équipe DPA a démontré pour la première fois l'utilisation réussie des techniques d'apprentissage automatique quantique (QML) pour l'identification de la charge des jets initiés par le quark b au LHC. Ce travail s'inscrit dans le cadre de la R&D au-delà de la période de prise de nouvelles données qui vient de démarrer, pour le moyen et le plus long terme.

L'utilisation des techniques d'apprentissage automatique est omniprésente dans l'analyse de LHCb. Compte tenu des progrès rapides des ordinateurs quantiques et des technologies quantiques, il est naturel de commencer à étudier si et comment les algorithmes quantiques peuvent être exécutés sur ce nouveau matériel, et si les cas d'utilisation de la physique des particules de LHCb peuvent bénéficier de la nouvelle technologie et du nouveau paradigme qu'est Quantum Informatique.

À ce jour, les techniques QML ont été principalement appliquées en physique des particules pour résoudre des problèmes de classification d'événements et de reconstruction de trajectoires de particules, mais l'équipe les a appliquées pour la première fois à la tâche d'identification de la charge des jets hadroniques.

L'étude "Quantum Machine Learning for b-jet charge identification" a été réalisée sur la base d'un échantillon de jets simulés initiés par un quark b. Les performances d'un classificateur quantique dit variationnel, basé sur deux circuits quantiques différents, ont été comparées aux performances obtenues avec un réseau de neurones profonds (DNN), un type d'intelligence artificielle moderne, classique (c'est-à-dire non quantique) et puissant. algorithme. Les performances sont évaluées sur un simulateur quantique car le matériel quantique disponible aujourd'hui est encore à ses débuts, même si des tests sur du matériel réel sont actuellement en cours de développement.

Les résultats comparés à ceux obtenus avec un DNN classique ont montré que le DNN est légèrement plus performant que les algorithmes QML, la différence étant faible.

L'article démontre que la méthode QML atteint des performances optimales avec un nombre inférieur d'événements, ce qui contribue à réduire l'utilisation des ressources qui deviendra un point clé à LHCb avec la quantité de données collectées dans les années à venir. Cependant, lorsqu'un grand nombre de fonctionnalités est utilisé, le DNN fonctionne mieux que les algorithmes QML. Des améliorations sont attendues lorsque du matériel quantique plus performant sera disponible.

Des études menées en collaboration avec des experts ont montré que les algorithmes quantiques peuvent permettre d'étudier les corrélations entre les caractéristiques. Cela pourrait donner la possibilité d'extraire des informations sur les corrélations des constituants du jet qui se traduiront par une augmentation des performances d'identification de la saveur du jet.

Le Dr Eduardo Rodrigues déclare que "cet article a démontré, pour la première fois, que QML peut être utilisé avec succès dans l'analyse des données de LHCb". L'exploitation de QML dans les expériences de physique des particules en est encore à ses balbutiements. Au fur et à mesure que les physiciens acquièrent de l'expérience avec l'informatique quantique, des améliorations drastiques du matériel et de la technologie informatique sont à prévoir compte tenu de l'intérêt et des investissements mondiaux pour l'informatique quantique.

"Ce travail, qui fait partie des activités de R&D du projet LHCb Data Processing &Analysis (DPA), a fourni des informations précieuses sur QML. Les (premiers) résultats intéressants ouvrent de nouvelles voies pour les problèmes de classification dans les expériences de physique des particules." + Explorer plus loin

Les progrès des algorithmes rendent viables les petits ordinateurs quantiques bruyants