L’IHEP cerca opportunità quantistiche per accelerare la scienza fondamentale – 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="Simulare per accumulare Il cluster di calcolo ad alte prestazioni IHEP è una delle numerose risorse di calcolo che supportano la piattaforma di simulazione quantistica QuIHEP. (Per gentile concessione: IHEP)”>

L'Istituto di fisica delle alte energie (IHEP), parte dell'Accademia cinese delle scienze, è il più grande laboratorio di scienze di base in Cina. Ospita un programma di ricerca multidisciplinare che spazia dalla fisica delle particelle elementari all'astrofisica, nonché dalla pianificazione, progettazione e costruzione di progetti di acceleratori su larga scala, tra cui la China Spallation Neutron Source, lanciata nel 2018, e la High Energy Photon Source, di prossima realizzazione. in linea nel 2025.

Mentre gli investimenti nell’infrastruttura sperimentale dell’IHEP sono aumentati notevolmente negli ultimi 20 anni, lo sviluppo e l’applicazione delle tecnologie di apprendimento automatico quantistico e di calcolo quantistico sono ora pronti a produrre risultati di altrettanto vasta portata nell’ambito del programma di ricerca dell’IHEP.   

Grande scienza, soluzioni quantistiche

La fisica delle alte energie è il luogo in cui la “grande scienza” incontra i “big data”. Scoprire nuove particelle e sondare le leggi fondamentali della natura sono imprese che producono incredibili volumi di dati. Il Large Hadron Collider (LHC) del CERN genera petabyte (10¹⁵ byte) di dati durante le sue corse sperimentali, che devono essere tutti elaborati e analizzati con l'aiuto del grid computing, un'infrastruttura distribuita che mette in rete le risorse informatiche in tutto il mondo.

In questo modo, la Worldwide LHC Computing Grid offre a una comunità di migliaia di fisici un accesso quasi in tempo reale ai dati di LHC. Quella sofisticata griglia di calcolo è stata fondamentale per la scoperta fondamentale del bosone di Higgs al CERN nel 2012, così come per innumerevoli altri progressi volti a studiare ulteriormente il Modello Standard della fisica delle particelle.

Un altro punto di svolta si profila, tuttavia, per quanto riguarda l’archiviazione, l’analisi e l’estrazione di big data nella fisica delle alte energie. L'High-Luminosity Large Hadron Collider (HL-LHC), che dovrebbe entrare in funzione nel 2029, creerà un "crisi computazionale" poiché la luminosità integrata della macchina, proporzionale al numero di collisioni di particelle che si verificano in un dato periodo di tempo , aumenterà di un fattore 10 rispetto al valore di progettazione dell'LHC, così come i flussi di dati generati dagli esperimenti HL-LHC.

CERN QTI: sfruttare la grande scienza per accelerare l’innovazione quantistica

Nel breve termine, sarà necessaria una nuova “linea di base informatica” per far fronte alle crescenti richieste di dati di HL-LHC – una linea di base che richiederà lo sfruttamento su larga scala di unità di elaborazione grafica per la simulazione, la registrazione e la rielaborazione dei dati in maniera massicciamente parallela. , così come le applicazioni classiche dell'apprendimento automatico. Il CERN, da parte sua, ha anche stabilito una tabella di marcia a medio e lungo termine che riunisce le comunità della fisica delle alte energie e della tecnologia quantistica attraverso la CERN Quantum Technology Initiative (QTI), riconoscendo che un altro salto nelle prestazioni informatiche è in vista. con l’applicazione delle tecnologie di calcolo quantistico e di rete quantistica.

Ritorno alle basi quantistiche

I computer quantistici, come suggerisce il nome, sfruttano i principi fondamentali della meccanica quantistica. Similmente ai computer classici, che si basano su bit binari che assumono il valore 0 o 1, i computer quantistici sfruttano i bit binari quantistici, ma come una sovrapposizione degli stati 0 e 1. Questa sovrapposizione, unita all’entanglement quantistico (correlazioni tra bit quantistici), in linea di principio consente ai computer quantistici di eseguire alcuni tipi di calcoli significativamente più velocemente delle macchine classiche – ad esempio, simulazioni quantistiche applicate in varie aree della chimica quantistica e della cinetica delle reazioni molecolari.

Mentre le opportunità per la scienza e per l’economia in generale sembrano convincenti, uno dei grandi grattacapi ingegneristici associati ai computer quantistici in fase iniziale è la loro vulnerabilità al rumore ambientale. I qubit vengono disturbati fin troppo facilmente, ad esempio, dalle loro interazioni con il campo magnetico terrestre o dai campi elettromagnetici vaganti dei telefoni cellulari e delle reti WiFi. Anche le interazioni con i raggi cosmici possono essere problematiche, così come l’interferenza tra qubit vicini.

<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="Grande fisica Gli scienziati dell’IHEP stanno lavorando per “riscoprire” la particella esotica Zc(3900) utilizzando l’apprendimento automatico quantistico. La particella subatomica – il primo stato di tetraquark osservato sperimentalmente – è stata scoperta nel 2013 dal rilevatore BESIII (mostrato qui) presso l'Electron-Positron Collider di Pechino dell'IHEP. (Per gentile concessione: IHEP)” title=”Fai clic per aprire l'immagine nel popup” href=”https://platoblockchain.com/wp-content/uploads/2024/02/ihep-seeks-quantum-opportunities-to-fast-track -fundamental-science-fisica-mondo-2.jpg”>

La soluzione ideale – una strategia chiamata correzione degli errori – prevede la memorizzazione delle stesse informazioni su più qubit, in modo tale che gli errori vengano rilevati e corretti quando uno o più qubit sono interessati dal rumore. Il problema con questi cosiddetti computer quantistici tolleranti agli errori è che richiedono un gran numero di qubit (nell’ordine di milioni), qualcosa che è impossibile da implementare nelle architetture quantistiche su piccola scala dell’attuale generazione.

Invece, i progettisti degli odierni computer Noisy Intermediate-Scale Quantum (NISQ) possono accettare gli effetti del rumore così come sono o recuperare parzialmente gli errori algoritmicamente – cioè senza aumentare il numero di qubit – in un processo noto come mitigazione degli errori. È noto che diversi algoritmi conferiscono resilienza al rumore nei computer quantistici su piccola scala, in modo tale che il “vantaggio quantistico” può essere osservabile in specifiche applicazioni di fisica ad alta energia nonostante le limitazioni intrinseche dei computer quantistici dell’attuale generazione.

Una di queste linee di indagine all’IHEP si concentra sulla simulazione quantistica, applicando le idee originariamente avanzate da Richard Feynman sull’uso di dispositivi quantistici per simulare l’evoluzione temporale dei sistemi quantistici – ad esempio, nella cromodinamica quantistica reticolare (QCD). Per contesto, il Modello Standard descrive tutte le interazioni fondamentali tra le particelle elementari a parte la forza gravitazionale, cioè legando insieme le forze elettromagnetiche, deboli e forti. In questo modo, il modello comprende due serie di cosiddette teorie quantistiche dei campi di Gauge: il modello Glashow-Weinberg-Salam (che fornisce una descrizione unificata delle forze elettromagnetiche e deboli) e il QCD (per le forze forti).

In genere è vero che le teorie dei campi di Gauge quantistici non possono essere risolte analiticamente, con la maggior parte delle previsioni per gli esperimenti derivate da metodi di approssimazione a miglioramento continuo (noti anche come perturbazione). In questo momento, gli scienziati dello staff dell'IHEP stanno lavorando alla simulazione diretta dei campi di gauge con circuiti quantistici in condizioni semplificate (ad esempio, in dimensioni spazio-temporali ridotte o utilizzando gruppi finiti o altri metodi algebrici). Tali approcci sono compatibili con le attuali iterazioni dei computer NISQ e rappresentano un lavoro fondamentale per un'implementazione più completa della QCD reticolare nel prossimo futuro.

Apprendimento automatico: la via quantistica

Un altro tema di ricerca quantistica all’IHEP riguarda l’apprendimento automatico quantistico, che può essere raggruppato in quattro approcci distinti: CC, CQ, QC, QQ (con C – classico; Q – quantistico). In ogni caso, la prima lettera corrisponde al tipo di dati e la seconda al tipo di computer che esegue l'algoritmo. Lo schema CC, ad esempio, utilizza pienamente dati e computer classici, sebbene esegua algoritmi di ispirazione quantistica.

Il caso d’uso più promettente perseguito all’IHEP, tuttavia, riguarda la categoria CQ dell’apprendimento automatico, in cui il tipo di dati classico viene mappato e addestrato nei computer quantistici. La motivazione è che sfruttando i fondamenti della meccanica quantistica – il grande spazio di Hilbert, la sovrapposizione e l’entanglement – ​​i computer quantistici saranno in grado di apprendere in modo più efficace da set di dati su larga scala per ottimizzare le risultanti metodologie di apprendimento automatico.

<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="Tracciamento delle particelle Gli scienziati dell'IHEP ritengono che l'informatica quantistica aiuterà a semplificare i metodi di ricostruzione delle tracce negli acceleratori di particelle di prossima generazione come HL-LHC. Sopra: Hideki Okawa (a destra), Jiaheng Zou (in piedi) e Xiaozhong Huang (a sinistra) valutano le tracce di particelle ricostruite generate con il computer Origin Quantum Wuyuan, pubblicizzato come “il primo computer quantistico pratico della Cina”. (Per gentile concessione: IHEP)” title=”Fai clic per aprire l'immagine nel popup” href=”https://platoblockchain.com/wp-content/uploads/2024/02/ihep-seeks-quantum-opportunities-to-fast-track -fundamental-science-fisica-mondo-3.jpg”>

Per comprendere il potenziale del vantaggio quantistico, gli scienziati dell’IHEP stanno attualmente lavorando alla “riscoperta” della particella esotica Z_c(3900) utilizzando l'apprendimento automatico quantistico. In termini di retroscena: Z_c(3900) è una particella subatomica esotica composta da quark (gli elementi costitutivi di protoni e neutroni) e ritenuta il primo stato di tetraquark osservato sperimentalmente – un'osservazione che, nel processo, ha approfondito la nostra comprensione della QCD. La particella è stata scoperta nel 2013 dal rilevatore dello spettrometro di Pechino (BESIII) presso il collisore di elettroni-positroni di Pechino (BEPCII), con osservazione indipendente da parte dell'esperimento Belle presso il laboratorio giapponese di fisica delle particelle KEK.

Le innovazioni del banco di prova di QUANT-NET: reinventare la rete quantistica

Nell'ambito di questo studio di ricerca e sviluppo, un team guidato da Jiaheng Zou dell'IHEP e comprendente colleghi dell'Università di Shandong e dell'Università di Jinan, ha implementato il cosiddetto algoritmo Quantum Support Vector Machine (una variante quantistica di un algoritmo classico) per l'addestramento lungo con segnali simulati di Z_c(3900) ed eventi selezionati casualmente dai dati reali BESIII come sfondi.

Utilizzando l’approccio dell’apprendimento automatico quantistico, le prestazioni sono competitive rispetto ai sistemi di apprendimento automatico classici, anche se, soprattutto, con un set di dati di addestramento più piccolo e meno caratteristiche dei dati. Sono in corso ricerche per dimostrare una maggiore sensibilità del segnale con il calcolo quantistico, un lavoro che potrebbe in definitiva indicare la strada alla scoperta di nuove particelle esotiche in esperimenti futuri.

• Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
• PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
• PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
• PlatoneESG. Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
• Platone Salute. Intelligence sulle biotecnologie e sulle sperimentazioni cliniche. Accedi qui.
• Fonte: https://physicsworld.com/a/ihep-seeks-quantum-opportunities-to-fast-track-fundamental-science/