IHEP etsii kvanttimahdollisuuksia nopeuttaa perustieteitä – Physics World

<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="Simuloi keräämään Korkean suorituskyvyn IHEP-laskentaklusteri on yksi monista QuIHEP-kvanttisimulaattorialustaa tukevista laskentaresursseista. (Kohtelias: IHEP)”>

Institute of High Energy Physics (IHEP), joka on osa Kiinan tiedeakatemiaa, on Kiinan suurin perustieteen laboratorio. Se isännöi monitieteistä tutkimusohjelmaa, joka kattaa alkeishiukkasfysiikan, astrofysiikan sekä suurten kiihdytinprojektien suunnittelun, suunnittelun ja rakentamisen – mukaan lukien vuonna 2018 lanseerattu China Spallation Neutron Source ja tulossa oleva High Energy Photon Source. verkossa vuonna 2025.

Vaikka investoinnit IHEP:n kokeelliseen infrastruktuuriin ovat lisääntyneet dramaattisesti viimeisten 20 vuoden aikana, kvanttikoneoppimis- ja kvanttilaskentateknologioiden kehittäminen ja soveltaminen on nyt valmis tuottamaan yhtä kauaskantoisia tuloksia IHEP-tutkimusohjelmassa.   

Suuri tiede, kvanttiratkaisut

Suurienerginen fysiikka on kohtaa, jossa "suuri tiede" kohtaa "suuren datan". Uusien hiukkasten löytäminen ja luonnon peruslakien tutkiminen ovat yrityksiä, jotka tuottavat uskomattomia tietomääriä. CERNin Large Hadron Collider (LHC) tuottaa petabyyttiä (10¹⁵ tavua) dataa kokeellisten ajojen aikana – jotka kaikki on käsiteltävä ja analysoitava grid computingin, hajautetun infrastruktuurin avulla, joka verkottaa laskentaresurssit maailmanlaajuisesti.

Tällä tavoin Worldwide LHC Computing Grid antaa tuhansien fyysikkojen yhteisölle lähes reaaliaikaisen pääsyn LHC-tietoihin. Tämä hienostunut laskentaverkko oli perustavanlaatuinen Higgsin bosonin maamerkkilöydön kannalta CERNissä vuonna 2012 sekä lukemattomille muille edistysaskeleille hiukkasfysiikan vakiomallin tutkimiseksi edelleen.

Toinen käännekohta on kuitenkin hämärässä, kun on kyse suuren datan tallentamisesta, analysoinnista ja louhinnasta korkean energian fysiikan alalla. High-Luminosity Large Hadron Collider (HL-LHC), jonka odotetaan ottavan käyttöön vuonna 2029, luo koneen integroituna kirkkautena "laskennan murtuman", joka on verrannollinen tietyssä ajassa tapahtuvien hiukkasten törmäysten määrään. , kasvaa kertoimella 10 LHC:n suunnitteluarvoon verrattuna – samoin kuin HL-LHC-kokeiden tuottamat tietovirrat.

CERN QTI: suuren tieteen hyödyntäminen kvanttiinnovaatioiden nopeuttamiseksi

Lyhyellä aikavälillä tarvitaan uuden näköinen "laskentaperustaso" HL-LHC:n jyrkästi kasvaviin tietotarpeisiin vastaamiseksi. Perustaso, joka edellyttää grafiikan käsittelyyksiköiden laajamittaista hyödyntämistä massiivisessa rinnakkaissimulaatiossa, tietojen tallentamisessa ja uudelleenkäsittelyssä. sekä klassisia koneoppimisen sovelluksia. CERN puolestaan ​​on myös laatinut keskipitkän ja pitkän aikavälin tiekartan, joka kokoaa yhteen korkean energian fysiikan ja kvanttiteknologian yhteisöt CERNin Quantum Technology Initiativen (QTI) kautta – tunnustus siitä, että laskennan suorituskyvyssä on tulossa uusi harppaus soveltamalla kvanttilaskentaa ja kvanttiverkkoteknologioita.

Takaisin kvantin perusteisiin

Kvanttitietokoneet, kuten nimestä voi päätellä, hyödyntävät kvanttimekaniikan perusperiaatteita. Kuten klassiset tietokoneet, jotka luottavat binääribitteihin, jotka saavat arvon joko 0 tai 1, kvanttitietokoneet hyödyntävät kvanttibinääribittejä, mutta 0- ja 1-tilojen superpositiona. Tämä superpositio yhdistettynä kvanttisekoitukseen (kvanttibittien väliset korrelaatiot) mahdollistaa periaatteessa kvanttitietokoneiden suorittamisen tietyntyyppisten laskutoimitusten suorittamisessa huomattavasti nopeammin kuin klassiset koneet – esimerkiksi kvanttikemian ja molekyylireaktiokinetiikan eri osa-alueilla sovelletut kvanttisimulaatiot.

Vaikka tieteen ja laajemman talouden mahdollisuudet vaikuttavat houkuttelevilta, yksi alkuvaiheen kvanttitietokoneisiin liittyvistä suurista teknisistä päänsärkyistä on niiden haavoittuvuus ympäristömelulle. Kubitit häiriintyvät aivan liian helposti esimerkiksi niiden vuorovaikutuksesta Maan magneettikentän kanssa tai matkapuhelimien ja WiFi-verkkojen hajallaan olevien sähkömagneettisten kenttien kanssa. Vuorovaikutus kosmisten säteiden kanssa voi myös olla ongelmallista, samoin kuin häiriöitä viereisten kubittien välillä.

<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="Suuri fysiikka IHEP-tutkijat pyrkivät "löytämään uudelleen" eksoottisen hiukkasen Zc(3900) kvanttikoneoppimisen avulla. Subatominen hiukkanen – ensimmäinen kokeellisesti havaittu tetrakvarkin tila – löydettiin vuonna 2013 BESIII-detektorilla (näkyy tässä) IHEP:n Beijing Electron-positron Colliderissa. (Kohtelias: IHEP)” title=”Avaa kuva ponnahdusikkunassa napsauttamalla” href=”https://platoblockchain.com/wp-content/uploads/2024/02/ihep-seeks-quantum-opportunities-to-fast-track -fundamental-science-physics-world-2.jpg”>

Ihanteellinen ratkaisu – virheenkorjaukseksi kutsuttu strategia – sisältää saman tiedon tallentamisen useille kubiteille siten, että virheet havaitaan ja korjataan, kun kohina vaikuttaa yhteen tai useampaan kubitiin. Ongelma näissä niin sanotuissa vikasietoisissa kvanttitietokoneissa on niiden vaatimus suurelle määrälle kubitteja (noin miljoonia) – mitä on mahdoton toteuttaa nykyisen sukupolven pienimuotoisissa kvanttiarkkitehtuureissa.

Sen sijaan nykypäivän Noisy Intermediate-Scale Quantum (NISQ) -tietokoneiden suunnittelijat voivat joko hyväksyä kohinavaikutukset sellaisinaan tai korjata virheet osittain algoritmisesti – eli lisäämättä kubittien määrää – prosessissa, joka tunnetaan nimellä virheiden lieventäminen. Useiden algoritmien tiedetään lisäävän vastustuskykyä melua vastaan ​​pienimuotoisissa kvanttitietokoneissa, joten "kvanttietu" voi olla havaittavissa tietyissä korkean energian fysiikan sovelluksissa huolimatta nykyisen sukupolven kvanttitietokoneiden luontaisista rajoituksista.

Eräs tällainen IHEP:n tutkimuslinja keskittyy kvanttisimulaatioon ja soveltaa Richard Feynmanin alun perin esittämiä ideoita kvanttilaitteiden käytöstä kvanttijärjestelmien aikakehityksen simuloimiseen – esimerkiksi hilakvanttikromodynamiikassa (QCD). Kontekstia varten Standardimalli kuvaa kaikkia alkeishiukkasten välisiä perusvuorovaikutuksia gravitaatiovoimaa lukuun ottamatta – eli sähkömagneettisten, heikkojen ja voimakkaiden voimien yhdistämisen. Tällä tavalla malli käsittää kaksi ns. kvanttimittarikenttäteoriaa: Glashow–Weinberg–Salam-mallin (joka antaa yhtenäisen kuvauksen sähkömagneettisista ja heikkoista voimista) ja QCD (vahville voimille).

Yleensä kvanttimittarikentän teorioita ei voida ratkaista analyyttisesti, sillä useimmat kokeiden ennusteet perustuvat jatkuvan parannuksen approksimaatiomenetelmiin (tunnetaan myös nimellä häiriö). Tällä hetkellä IHEP:n henkilökuntatutkijat työskentelevät mittauskenttien simuloimiseksi suoraan kvanttipiireillä yksinkertaistetuissa olosuhteissa (esimerkiksi supistetuissa aika-avaruusulottuvuuksissa tai käyttämällä äärellisiä ryhmiä tai muita algebrallisia menetelmiä). Tällaiset lähestymistavat ovat yhteensopivia NISQ-tietokoneiden nykyisten iteraatioiden kanssa ja edustavat perustavaa työtä hila-QCD:n täydellisemmälle toteuttamiselle lähitulevaisuudessa.

Koneoppiminen: kvanttitapa

Toinen IHEP:n kvanttitutkimuksen teema liittyy kvanttikoneoppimiseen, joka voidaan ryhmitellä neljään eri lähestymistapaan: CC, CQ, QC, QQ (jossa C – klassinen; Q – kvantti). Kussakin tapauksessa ensimmäinen kirjain vastaa tietotyyppiä ja jälkimmäinen algoritmia suorittavan tietokoneen tyyppiä. Esimerkiksi CC-järjestelmä hyödyntää täysin klassista dataa ja klassisia tietokoneita, vaikka se käyttää kvanttivaikutteisia algoritmeja.

Lupaavin IHEP:n käyttötapaus on kuitenkin koneoppimisen CQ-kategoria, jossa klassinen tietotyyppi kartoitetaan ja opetetaan kvanttitietokoneissa. Motiivina tässä on se, että hyödyntämällä kvanttimekaniikan perusteita – suurta Hilbert-avaruutta, superpositiota ja kietoutumista – kvanttitietokoneet voivat oppia tehokkaammin laajamittaisista tietojoukoista optimoidakseen tuloksena olevia koneoppimismenetelmiä.

<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="Hiukkasten seuranta IHEP-tutkijat uskovat, että kvanttilaskenta auttaa virtaviivaistamaan jäljitysmenetelmiä seuraavan sukupolven hiukkaskiihdyttimissä, kuten HL-LHC. Yllä: Hideki Okawa (oikealla), Jiaheng Zou (seisomassa) ja Xiaozhong Huang (vasemmalla) arvioivat Origin Quantum Wuyuan -tietokoneella luotuja rekonstruoituja hiukkasjäljet, joita kutsutaan "Kiinan ensimmäiseksi käytännölliseksi kvanttitietokoneeksi". (Kohtelias: IHEP)” title=”Avaa kuva ponnahdusikkunassa napsauttamalla” href=”https://platoblockchain.com/wp-content/uploads/2024/02/ihep-seeks-quantum-opportunities-to-fast-track -fundamental-science-physics-world-3.jpg”>

Ymmärtääkseen kvanttiedun mahdollisuudet IHEP-tutkijat työskentelevät parhaillaan eksoottisen Z-hiukkasen "uudelleenlöydämiseksi"_c(3900) käyttäen kvanttikoneoppimista. Taustalla: Z_c(3900) on eksoottinen subatominen hiukkanen, joka koostuu kvarkeista (protonien ja neutronien rakennuspalikoista), ja sen uskotaan olevan ensimmäinen kokeellisesti havaittu tetrakvarkin tila – havainto, joka syvensi ymmärrystämme QCD:stä. Hiukkanen löydettiin vuonna 2013 Beijing Spectrometer (BESIII) -detektorilla Beijing Electron-positron Colliderissa (BEPCII), ja riippumaton havainto tehtiin Belle-kokeessa Japanin KEK-hiukkasfysiikan laboratoriossa.

QUANT-NETin testausalustainnovaatiot: kvanttiverkon uusiminen

Osana tätä T&K-tutkimusta IHEP:n Jiaheng Zoun johtama tiimi, johon kuului kollegoja Shandongin yliopistosta ja Jinanin yliopistosta, otti käyttöön niin sanotun Quantum Support Vector Machine -algoritmin (klassisen algoritmin kvanttimuunnos) harjoittelussa. simuloiduilla Z:n signaaleilla_c(3900) ja satunnaisesti valitut tapahtumat todellisesta BESIII-datasta taustaksi.

Kvanttikoneoppimislähestymistapaa käytettäessä suorituskyky on kilpailukykyinen verrattuna klassisiin koneoppimisjärjestelmiin – kuitenkin, mikä tärkeintä, pienemmällä harjoitustietojoukolla ja harvemmilla tietoominaisuuksilla. Tutkimukset ovat meneillään osoittamaan parannettua signaaliherkkyyttä kvanttilaskennan avulla, mikä voisi lopulta osoittaa tietä uusien eksoottisten hiukkasten löytämiseen tulevissa kokeissa.

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
• PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
• PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
• PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
• Lähde: https://physicsworld.com/a/ihep-seeks-quantum-opportunities-to-fast-track-fundamental-science/