IHEP به دنبال فرصت‌های کوانتومی برای ردیابی سریع علوم بنیادی - دنیای فیزیک است

<a href="https://platoblockchain.com/wp-content/uploads/2024/02/ihep-seeks-quantum-opportunities-to-fast-track-fundamental-science-physics-world-5.jpg" data-fancybox data-src="https://platoblockchain.com/wp-content/uploads/2024/02/ihep-seeks-quantum-opportunities-to-fast-track-fundamental-science-physics-world-5.jpg" data-caption="شبیه سازی برای انباشت خوشه محاسباتی با کارایی بالا IHEP یکی از چندین منبع محاسباتی است که از پلت فرم شبیه ساز کوانتومی QuIHEP پشتیبانی می کند. (با احترام: IHEP)”>

موسسه فیزیک انرژی بالا (IHEP)، بخشی از آکادمی علوم چین، بزرگترین آزمایشگاه علوم پایه در چین است. این برنامه میزبان یک برنامه تحقیقاتی چند رشته‌ای است که شامل فیزیک ذرات بنیادی، اخترفیزیک و همچنین برنامه‌ریزی، طراحی و ساخت پروژه‌های شتاب‌دهنده در مقیاس بزرگ می‌شود - از جمله منبع نوترونی Spallation چین که در سال 2018 راه‌اندازی شد و منبع فوتون با انرژی بالا که قرار است بیاید. آنلاین در سال 2025

در حالی که سرمایه‌گذاری در زیرساخت‌های آزمایشی IHEP در 20 سال گذشته به‌طور چشمگیری افزایش یافته است، توسعه و کاربرد فناوری‌های یادگیری ماشین کوانتومی و محاسبات کوانتومی اکنون در برنامه تحقیقاتی IHEP نتایج گسترده‌ای را به همراه دارد.   

علم بزرگ، راه حل های کوانتومی

فیزیک پر انرژی جایی است که "علم بزرگ" با "داده های بزرگ" روبرو می شود. کشف ذرات جدید و کاوش در قوانین اساسی طبیعت، تلاش هایی هستند که حجم باورنکردنی از داده ها را تولید می کنند. برخورد دهنده بزرگ هادرون (LHC) در سرن پتابایت (10) تولید می کند¹⁵ بایت) داده در طول اجرای آزمایشی آن - که همه آنها باید با کمک محاسبات شبکه ای پردازش و تجزیه و تحلیل شوند، یک زیرساخت توزیع شده که منابع محاسباتی را در سراسر جهان شبکه می کند.

به این ترتیب، شبکه محاسباتی LHC در سراسر جهان به جامعه هزاران فیزیکدان امکان دسترسی تقریباً واقعی به داده های LHC را می دهد. این شبکه محاسباتی پیچیده برای کشف برجسته بوزون هیگز در سرن در سال 2012 و همچنین پیشرفت‌های بی‌شماری دیگر برای بررسی بیشتر مدل استاندارد فیزیک ذرات، اساسی بود.

با این حال، نقطه عطف دیگری در حال ظهور است، هنگامی که صحبت از ذخیره، تجزیه و تحلیل و استخراج داده های بزرگ در فیزیک انرژی بالا می شود. برخورد دهنده هادرون بزرگ با درخشندگی بالا (HL-LHC)، که پیش بینی می شود در سال 2029 وارد عملیات شود، به عنوان درخشندگی یکپارچه دستگاه، متناسب با تعداد برخورد ذرات که در یک زمان معین رخ می دهد، یک "خراش محاسباتی" ایجاد می کند. ، در برابر ارزش طراحی LHC ضریب 10 افزایش می یابد - همانطور که جریان داده های تولید شده توسط آزمایش های HL-LHC افزایش می یابد.

CERN QTI: بهره گیری از علم بزرگ برای سرعت بخشیدن به نوآوری کوانتومی

در کوتاه مدت، یک «خط پایه محاسباتی» با ظاهر جدید برای مقابله با تقاضای فزاینده داده HL-LHC مورد نیاز خواهد بود – خط پایه ای که به بهره برداری در مقیاس واحدهای پردازش گرافیکی برای شبیه سازی موازی، ضبط و پردازش مجدد داده ها نیاز دارد. و همچنین کاربردهای کلاسیک یادگیری ماشینی. سرن، به نوبه خود، همچنین یک نقشه راه میان مدت و بلندمدت ایجاد کرده است که جوامع فیزیک انرژی بالا و فناوری کوانتومی را از طریق ابتکار فناوری کوانتومی سرن (QTI) گرد هم می‌آورد - تشخیص اینکه جهشی دیگر در عملکرد محاسباتی در حال مشاهده است. با استفاده از محاسبات کوانتومی و فناوری های شبکه کوانتومی.

بازگشت به مبانی کوانتومی

کامپیوترهای کوانتومی، همانطور که از نامشان پیداست، از اصول بنیادی مکانیک کوانتومی بهره برداری می کنند. مشابه کامپیوترهای کلاسیک که به بیت‌های دودویی که مقدار 0 یا 1 را می‌گیرند متکی هستند، کامپیوترهای کوانتومی از بیت‌های باینری کوانتومی بهره‌برداری می‌کنند، اما به صورت برهم‌نهی حالت‌های 0 و 1. این برهم نهی، همراه با درهم تنیدگی کوانتومی (همبستگی بین بیت‌های کوانتومی)، اصولاً رایانه‌های کوانتومی را قادر می‌سازد تا برخی از انواع محاسبات را به طور قابل‌توجهی سریع‌تر از ماشین‌های کلاسیک انجام دهند - برای مثال، شبیه‌سازی‌های کوانتومی که در حوزه‌های مختلف شیمی کوانتومی و سینتیک واکنش مولکولی اعمال می‌شوند.

در حالی که فرصت‌ها برای علم و اقتصاد گسترده‌تر قانع‌کننده به نظر می‌رسند، یکی از دردسرهای مهندسی بزرگ مرتبط با رایانه‌های کوانتومی در مراحل اولیه، آسیب‌پذیری آنها در برابر نویزهای محیطی است. برای مثال، کیوبیت‌ها به‌راحتی به دلیل تعامل با میدان مغناطیسی زمین یا میدان‌های الکترومغناطیسی سرگردان از تلفن‌های همراه و شبکه‌های WiFi، مختل می‌شوند. فعل و انفعالات با پرتوهای کیهانی نیز می تواند مشکل ساز باشد، همانطور که تداخل بین کیوبیت های همسایه نیز می تواند مشکل ساز باشد.

<a data-fancybox data-src="https://platoblockchain.com/wp-content/uploads/2024/02/ihep-seeks-quantum-opportunities-to-fast-track-fundamental-science-physics-world-2.jpg" data-caption="فیزیک بزرگ IHEP scientists are working to “rediscover” the exotic particle Zc(3900) using quantum machine learning. The subatomic particle – the first tetraquark state observed experimentally – was discovered in 2013 by the BESIII detector (shown here) at IHEP’s Beijing Electron–Positron Collider. (Courtesy: IHEP)” title=”Click to open image in popup” href=”https://platoblockchain.com/wp-content/uploads/2024/02/ihep-seeks-quantum-opportunities-to-fast-track-fundamental-science-physics-world-2.jpg”>

راه‌حل ایده‌آل – یک استراتژی به نام تصحیح خطا – شامل ذخیره اطلاعات یکسان در چند کیوبیت است، به طوری که وقتی یک یا چند کیوبیت تحت تأثیر نویز قرار می‌گیرد، خطاها شناسایی و تصحیح می‌شوند. مشکل این کامپیوترهای کوانتومی به اصطلاح مقاوم به خطا، نیاز آنها به تعداد زیادی کیوبیت (در حدود میلیون‌ها) است – چیزی که پیاده‌سازی آن در معماری‌های کوانتومی مقیاس کوچک نسل فعلی غیرممکن است.

در عوض، طراحان کامپیوترهای کوانتومی مقیاس متوسط ​​نویز امروزی (NISQ) می توانند اثرات نویز را همانطور که هستند بپذیرند یا تا حدی خطاها را به صورت الگوریتمی – یعنی بدون افزایش تعداد کیوبیت ها – در فرآیندی به نام کاهش خطا بازیابی کنند. چندین الگوریتم برای ایجاد انعطاف‌پذیری در برابر نویز در رایانه‌های کوانتومی در مقیاس کوچک شناخته شده‌اند، به طوری که «مزیت کوانتومی» ممکن است در برنامه‌های خاص فیزیک با انرژی بالا با وجود محدودیت‌های ذاتی رایانه‌های کوانتومی نسل فعلی قابل مشاهده باشد.

یکی از این تحقیقات در IHEP بر شبیه‌سازی کوانتومی متمرکز است، و ایده‌هایی را که در ابتدا توسط ریچارد فاینمن در مورد استفاده از دستگاه‌های کوانتومی برای شبیه‌سازی تکامل زمانی سیستم‌های کوانتومی ارائه شده بود - به‌عنوان مثال، در کرومودینامیک کوانتومی شبکه (QCD) به کار می‌برد. برای زمینه، مدل استاندارد تمام فعل و انفعالات اساسی بین ذرات بنیادی را جدا از نیروی گرانشی توصیف می کند - یعنی به هم پیوستن نیروهای الکترومغناطیسی، ضعیف و قوی. به این ترتیب، این مدل شامل دو مجموعه از به‌اصطلاح نظریه‌های میدان سنج کوانتومی است: مدل گلاشو-واینبرگ-سالم (ارائه‌ی توصیفی یکپارچه از نیروهای الکترومغناطیسی و نیروهای ضعیف) و QCD (برای نیروهای قوی).

به‌طور کلی، نظریه‌های میدان سنج کوانتومی را نمی‌توان به‌صورت تحلیلی حل کرد، با اکثر پیش‌بینی‌ها برای آزمایش‌ها که از روش‌های تقریب با بهبود پیوسته (همچنین به عنوان اغتشاش شناخته می‌شود) به دست می‌آیند. در حال حاضر، دانشمندان کارکنان IHEP روی شبیه‌سازی مستقیم میدان‌های گیج با مدارهای کوانتومی تحت شرایط ساده شده (مثلاً در ابعاد فضا-زمان کاهش‌یافته یا با استفاده از گروه‌های محدود یا سایر روش‌های جبری) کار می‌کنند. چنین رویکردهایی با تکرارهای فعلی رایانه‌های NISQ سازگار هستند و کار اساسی را برای اجرای کامل‌تر QCD شبکه در آینده نزدیک نشان می‌دهند.

یادگیری ماشینی: روش کوانتومی

یکی دیگر از موضوعات تحقیقاتی کوانتومی در IHEP شامل یادگیری ماشین کوانتومی است که می‌تواند به چهار رویکرد مجزا گروه‌بندی شود: CC، CQ، QC، QQ (با C - کلاسیک، Q - کوانتومی). در هر مورد، حرف اول مربوط به نوع داده و حرف دوم مربوط به نوع کامپیوتری است که الگوریتم را اجرا می کند. برای مثال، طرح CC به طور کامل از داده های کلاسیک و رایانه های کلاسیک استفاده می کند، اگرچه الگوریتم های الهام گرفته از کوانتومی را اجرا می کند.

با این حال، امیدوارکننده‌ترین مورد استفاده‌ای که در IHEP دنبال می‌شود، شامل دسته CQ یادگیری ماشین است، که در آن نوع داده‌های کلاسیک در رایانه‌های کوانتومی نگاشت و آموزش داده می‌شود. انگیزه در اینجا این است که با بهره برداری از اصول مکانیک کوانتومی - فضای هیلبرت بزرگ، برهم نهی و درهم تنیدگی - رایانه های کوانتومی قادر خواهند بود به طور مؤثرتری از مجموعه داده های مقیاس بزرگ برای بهینه سازی روش های یادگیری ماشینی حاصل یاد بگیرند.

<a data-fancybox data-src="https://platoblockchain.com/wp-content/uploads/2024/02/ihep-seeks-quantum-opportunities-to-fast-track-fundamental-science-physics-world-3.jpg" data-caption="ردیابی ذرات IHEP scientists believe quantum computing will help to streamline track reconstruction methods in next-generation particle accelerators like the HL-LHC. Above: Hideki Okawa (right), Jiaheng Zou (standing) and Xiaozhong Huang (left) evaluate reconstructed particle tracks generated with the Origin Quantum Wuyuan computer, billed as “China’s first practical quantum computer”. (Courtesy: IHEP)” title=”Click to open image in popup” href=”https://platoblockchain.com/wp-content/uploads/2024/02/ihep-seeks-quantum-opportunities-to-fast-track-fundamental-science-physics-world-3.jpg”>

برای درک پتانسیل مزیت کوانتومی، دانشمندان IHEP در حال حاضر روی "کشف مجدد" ذره عجیب و غریب Z کار می کنند._c(3900) با استفاده از یادگیری ماشین کوانتومی. از نظر داستان پس زمینه: Z_c(3900) یک ذره زیراتمی عجیب و غریب است که از کوارک‌ها (بلوک‌های سازنده پروتون‌ها و نوترون‌ها) ساخته شده و گمان می‌رود اولین حالت تتراکوارکی باشد که به صورت تجربی مشاهده شد - مشاهده‌ای که در این فرآیند، درک ما از QCD را عمیق‌تر کرد. این ذره در سال 2013 توسط آشکارساز طیف سنج پکن (BESIII) در برخورددهنده الکترون-پوزیترون پکن (BEPCII) با مشاهده مستقل توسط آزمایش Belle در آزمایشگاه فیزیک ذرات KEK ژاپن کشف شد.

نوآوری های بستر آزمایش QUANT-NET: تصور مجدد شبکه کوانتومی

به عنوان بخشی از این مطالعه تحقیق و توسعه، تیمی به رهبری جیاهنگ زو از IHEP و شامل همکارانی از دانشگاه شاندونگ و دانشگاه جینان، الگوریتم ماشین بردار پشتیبان کوانتومی (نوعی کوانتومی از یک الگوریتم کلاسیک) را برای آموزش به کار بردند. با سیگنال های شبیه سازی شده Z_c(3900) و رویدادها به طور تصادفی از داده های BESIII واقعی به عنوان پس زمینه انتخاب شدند.

با استفاده از رویکرد یادگیری ماشین کوانتومی، عملکرد در مقایسه با سیستم‌های یادگیری ماشینی کلاسیک رقابتی است – هرچند، بسیار مهم، با مجموعه داده آموزشی کوچک‌تر و ویژگی‌های داده کمتر. تحقیقات برای نشان دادن حساسیت سیگنال افزایش یافته با محاسبات کوانتومی ادامه دارد، کاری که در نهایت می تواند راه را برای کشف ذرات جدید عجیب و غریب در آزمایش های آینده نشان دهد.

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• منبع: https://physicsworld.com/a/ihep-seeks-quantum-opportunities-to-fast-track-fundamental-science/