Az IHEP kvantumlehetőségeket keres az alaptudományok felgyorsítására – a fizika világa

<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="A felhalmozás szimulációja Az IHEP nagy teljesítményű számítástechnikai fürt egyike a QuIHEP kvantumszimulátor platformot támogató számos számítási erőforrásnak. (Jóvolt: IHEP)”>

Az Institute of High Energy Physics (IHEP), amely a Kínai Tudományos Akadémia része, Kína legnagyobb alapvető tudományos laboratóriuma. Ez ad otthont egy multidiszciplináris kutatási programnak, amely az elemi részecskefizikát, asztrofizikát, valamint nagyszabású gyorsítóprojektek tervezését, tervezését és kivitelezését foglalja magában – beleértve a 2018-ban elindított China Spallation Neutron Source-t és a hamarosan megjelenő High Energy Photon Source-t. online 2025-ben.

Míg az IHEP kísérleti infrastruktúrájába történő befektetések drámaian megnövekedtek az elmúlt 20 évben, a kvantumgépi tanulási és kvantumszámítási technológiák fejlesztése és alkalmazása most hasonló messzemenő eredményeket hoz az IHEP kutatási programon belül.   

Nagy tudomány, kvantummegoldások

A nagy energiájú fizika az, ahol a „nagy tudomány” találkozik a „nagy adatokkal”. Az új részecskék felfedezése és a természet alapvető törvényeinek megismerése olyan erőfeszítések, amelyek hihetetlen mennyiségű adatot termelnek. A CERN-ben található Large Hadron Collider (LHC) petabájtokat generál (10¹⁵ bájt) adatot a kísérleti futtatásai során – mindezt a grid computing segítségével kell feldolgozni és elemezni, egy elosztott infrastruktúrával, amely a számítási erőforrásokat világszerte hálózatba köti.

Ily módon a Worldwide LHC Computing Grid fizikusok ezreiből álló közösségnek biztosít közel valós idejű hozzáférést az LHC adatokhoz. Ez a kifinomult számítási rács alapvető szerepet játszott a Higgs-bozon mérföldkőnek számító felfedezésében a CERN-ben 2012-ben, valamint a részecskefizika szabványos modelljének további vizsgálatát célzó számtalan egyéb előrelépéshez.

Egy másik inflexiós pont azonban a nagy energiájú fizika nagy adattárolása, elemzése és bányászata kapcsán merül fel. A nagy fényerejű nagy hadronütköztető (HL-LHC), amely várhatóan 2029-ben kezdi meg működését, a gép integrált fényerejeként „számítási törést” hoz létre, amely arányos az adott idő alatt bekövetkező részecskeütközések számával. , 10-szeresére nő az LHC tervezési értékéhez képest – akárcsak a HL-LHC kísérletek által generált adatfolyamok.

CERN QTI: nagy tudományok felhasználása a kvantuminnováció felgyorsítására

A közeljövőben új megjelenésű „számítási alapvonalra” lesz szükség ahhoz, hogy megbirkózzunk a HL-LHC szárnyaló adatigényeivel – ez az alapvonal a grafikus feldolgozó egységek nagyszabású kiaknázását teszi szükségessé masszívan párhuzamos szimulációhoz, adatrögzítéshez és újrafeldolgozáshoz. , valamint a gépi tanulás klasszikus alkalmazásai. A CERN a maga részéről egy közép- és hosszú távú ütemtervet is kialakított, amely a CERN Quantum Technology Initiative (QTI) révén egyesíti a nagy energiájú fizika és a kvantumtechnológiai közösségeket – felismerve, hogy a számítási teljesítményben újabb ugrás van kilátásban. kvantumszámítási és kvantumhálózati technológiák alkalmazásával.

Vissza a kvantum alapjaihoz

A kvantumszámítógépek, ahogy a név is sugallja, a kvantummechanika alapelveit használják ki. A klasszikus számítógépekhez hasonlóan, amelyek a 0 vagy 1 értéket felvevő bináris bitekre támaszkodnak, a kvantumszámítógépek a kvantum bináris biteket használják ki, de 0 és 1 állapotok szuperpozíciójaként. Ez a szuperpozíció a kvantum-összefonódással (a kvantumbitek közötti korrelációkkal) párosulva elvileg lehetővé teszi a kvantumszámítógépek számára, hogy bizonyos típusú számításokat lényegesen gyorsabban végezzenek, mint a klasszikus gépek – például a kvantumkémia és a molekuláris reakciókinetika különböző területein alkalmazott kvantumszimulációkat.

Míg a tudomány és a tágabb értelemben vett gazdaság lehetőségei vonzónak tűnnek, a korai fázisú kvantumszámítógépekkel kapcsolatos egyik nagy mérnöki fejfájás a környezeti zajokkal szembeni sebezhetőségük. A kubitokat túlságosan könnyen megzavarhatja például a Föld mágneses mezőjével való kölcsönhatás vagy a mobiltelefonok és WiFi hálózatok kósza elektromágneses mezői. A kozmikus sugarakkal való kölcsönhatás szintén problémás lehet, csakúgy, mint a szomszédos qubitek közötti interferencia.

<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="Nagy fizika 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”>

Az ideális megoldás – a hibajavításnak nevezett stratégia – ugyanazt az információt több qubiten keresztül tárolja, így a hibákat észleli és kijavítja, ha egy vagy több qubitre zaj hat. Ezekkel az úgynevezett hibatűrő kvantumszámítógépekkel az a probléma, hogy nagyszámú qubitre van szükségük (körülbelül milliónyira) – amit lehetetlen megvalósítani a jelenlegi generációs kisméretű kvantumarchitektúrákban.

Ehelyett a mai Noisy Intermediate-Scale Quantum (NISQ) számítógépek tervezői vagy elfogadhatják a zajhatásokat úgy, ahogy vannak, vagy részben algoritmikusan – azaz a qubitek számának növelése nélkül – helyreállíthatják a hibákat a hibacsökkentésnek nevezett folyamatban. Számos algoritmus ismert, amelyek ellenálló képességet biztosítanak a zajjal szemben a kisméretű kvantumszámítógépekben, így a „kvantumelőny” megfigyelhető bizonyos nagyenergiájú fizikai alkalmazásokban az áramgenerációs kvantumszámítógépek korlátai ellenére.

Az IHEP egyik ilyen kutatási iránya a kvantumszimulációra összpontosít, és azokat az ötleteket alkalmazza, amelyeket eredetileg Richard Feynman terjesztett elő a kvantumeszközök használatával kapcsolatban a kvantumrendszerek időbeli fejlődésének szimulálására – például a rácsos kvantumkromodinamika (QCD) területén. A szövegkörnyezet szempontjából a Standard Modell az elemi részecskék közötti összes alapvető kölcsönhatást leírja, kivéve a gravitációs erőt – azaz az elektromágneses, gyenge és erős erők összekapcsolását. Ily módon a modell két úgynevezett kvantummérő térelméletet tartalmaz: a Glashow–Weinberg–Salam modellt (amely egységes leírást ad az elektromágneses és gyenge erőknek) és a QCD-t (az erős erőkre).

Általában az a helyzet, hogy a kvantummérő térelméletek nem oldhatók meg analitikusan, a kísérletek legtöbb előrejelzése folyamatos fejlesztésű közelítési módszerekből (más néven perturbációból) származik. Jelenleg az IHEP munkatársai a mérőmezők közvetlen szimulálásán dolgoznak kvantumáramkörökkel, egyszerűsített feltételek mellett (például csökkentett tér-idő dimenziókban vagy véges csoportok vagy más algebrai módszerek alkalmazásával). Az ilyen megközelítések kompatibilisek a NISQ számítógépek jelenlegi iterációival, és alapvető munkát jelentenek a rácsos QCD teljesebb megvalósításához a közeljövőben.

Gépi tanulás: a kvantum út

Az IHEP másik kvantumkutatási témája a kvantumgépi tanulás, amely négy különálló megközelítésbe sorolható: CC, CQ, QC, QQ (C-vel – klasszikus; Q – kvantum). Az első betű minden esetben az adattípusnak, az utóbbi pedig az algoritmust futtató számítógép típusának felel meg. A CC-séma például teljes mértékben kihasználja a klasszikus adatokat és a klasszikus számítógépeket, bár kvantum-inspirált algoritmusokat futtat.

Az IHEP legígéretesebb felhasználási esete azonban a gépi tanulás CQ kategóriája, ahol a klasszikus adattípust kvantumszámítógépekben térképezik fel és tanítják. A motiváció itt az, hogy a kvantummechanika alapjait – a nagy Hilbert-teret, a szuperpozíciót és az összefonódást – kihasználva a kvantumszámítógépek hatékonyabban tudnak tanulni nagyméretű adatkészletekből, hogy optimalizálják az ebből eredő gépi tanulási módszereket.

<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="Részecskekövetés 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”>

A kvantumelőny lehetőségeinek megértése érdekében az IHEP tudósai jelenleg az egzotikus Z részecske „újrafelfedezésén” dolgoznak._c(3900) kvantumgépi tanulás segítségével. Ami a háttértörténetet illeti: Z_c(3900) egy egzotikus szubatomi részecske, amely kvarkokból (a protonok és neutronok építőköveiből) áll, és ez az első kísérletileg megfigyelt tetrakvark állapot – ez a megfigyelés, amely a folyamat során elmélyítette a QCD megértését. A részecskét 2013-ban a Beijing Spectrometer (BESIII) detektora fedezte fel a pekingi elektron-pozitronütköztetőben (BEPCII), a független megfigyeléssel pedig a japán KEK részecskefizikai laboratóriumban végzett Belle-kísérletet.

A QUANT-NET tesztágyi innovációi: a kvantumhálózat újragondolása

Ennek a K+F-tanulmánynak a részeként az IHEP Jiaheng Zou által vezetett csapat, a Shandong Egyetem és a Jinan Egyetem munkatársaival együtt az úgynevezett Quantum Support Vector Machine algoritmust (egy klasszikus algoritmus kvantumváltozata) telepítette a képzés során. Z szimulált jeleivel_c(3900) és véletlenszerűen kiválasztott események a valós BESIII adatokból háttérként.

A kvantumgépi tanulási megközelítést alkalmazva a teljesítmény versenyképes a klasszikus gépi tanulási rendszerekkel szemben – bár, ami lényeges, kisebb képzési adatkészlettel és kevesebb adatszolgáltatással. Folyamatban vannak a kutatások a kvantumszámítással megnövelt jelérzékenység kimutatására, amely a jövőbeli kísérletekben végül utat mutathat új egzotikus részecskék felfedezéséhez.

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
• PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
• PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
• PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
• Forrás: https://physicsworld.com/a/ihep-seeks-quantum-opportunities-to-fast-track-fundamental-science/