IHEP söker kvantmöjligheter för att påskynda grundläggande vetenskap – 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="Simulera för att ackumulera IHEP högpresterande datorklustret är en av flera datorresurser som stöder QuIHEP kvantsimulatorplattformen. (Med tillstånd: IHEP)">

Institutet för högenergifysik (IHEP), en del av den kinesiska vetenskapsakademin, är det största laboratoriet för grundläggande vetenskap i Kina. Det är värd för ett tvärvetenskapligt forskningsprogram som spänner över elementär partikelfysik, astrofysik samt planering, design och konstruktion av storskaliga acceleratorprojekt – inklusive China Spallation Neutron Source, som lanserades 2018, och High Energy Photon Source, som kommer att komma online 2025.

Medan investeringar i IHEP:s experimentella infrastruktur har ökat dramatiskt under de senaste 20 åren, är utvecklingen och tillämpningen av kvantmaskininlärning och kvantberäkningsteknik nu redo att ge liknande långtgående resultat inom IHEP:s forskningsprogram.   

Stor vetenskap, kvantlösningar

Högenergifysik är där "big science" möter "big data". Att upptäcka nya partiklar och undersöka de grundläggande naturlagarna är ansträngningar som producerar otroliga mängder data. Large Hadron Collider (LHC) vid CERN genererar petabyte (10¹⁵ bytes) av data under sina experimentella körningar – som alla måste bearbetas och analyseras med hjälp av grid computing, en distribuerad infrastruktur som nätverkar datorresurser över hela världen.

På detta sätt ger Worldwide LHC Computing Grid en gemenskap av tusentals fysiker nära-realtidsåtkomst till LHC-data. Det sofistikerade datornätet var grundläggande för landmärkeupptäckten av Higgs-bosonen vid CERN 2012, såväl som otaliga andra framsteg för att ytterligare undersöka standardmodellen för partikelfysik.

En annan brytpunkt hotar dock när det kommer till lagring, analys och brytning av stordata inom högenergifysik. High-Luminosity Large Hadron Collider (HL-LHC), som förväntas tas i drift 2029, kommer att skapa en "dataknäppning" som maskinens integrerade ljusstyrka, proportionell mot antalet partikelkollisioner som inträffar under en given tidsperiod , kommer att öka med en faktor 10 jämfört med LHC:s designvärde – liksom dataströmmarna som genereras av HL-LHC-experimenten.

CERN QTI: utnyttjar stor vetenskap för att påskynda kvantinnovation

På kort sikt kommer en ny "beräkningsbaslinje" att behövas för att klara av HL-LHC:s skyhöga databehov – en baslinje som kommer att kräva storskalig exploatering av grafikbehandlingsenheter för massiv parallell simulering, dataregistrering och ombearbetning , såväl som klassiska tillämpningar av maskininlärning. CERN, å sin sida, har också upprättat en färdplan på medellång och lång sikt som sammanför högenergifysik- och kvantteknologigemenskaperna via CERN Quantum Technology Initiative (QTI) – ett erkännande av att ytterligare ett steg i datorprestanda är på väg att synas. med tillämpning av kvantberäkningar och kvantnätverkstekniker.

Tillbaka till kvantgrunderna

Kvantdatorer, som namnet antyder, utnyttjar kvantmekanikens grundläggande principer. I likhet med klassiska datorer, som förlitar sig på de binära bitarna som tar värdet av antingen 0 eller 1, utnyttjar kvantdatorer binära kvantbitar, men som en överlagring av 0- och 1-tillstånden. Denna superposition, i kombination med kvantentanglement (korrelationer mellan kvantbitar), gör det i princip möjligt för kvantdatorer att utföra vissa typer av beräkningar betydligt snabbare än klassiska maskiner – till exempel kvantsimuleringar som tillämpas inom olika områden av kvantkemi och molekylär reaktionskinetik.

Även om möjligheterna för vetenskap och den bredare ekonomin verkar övertygande, är en av de stora tekniska huvudvärk som är förknippade med kvantdatorer i ett tidigt skede deras sårbarhet för miljöbuller. Qubits störs alltför lätt, till exempel av deras interaktioner med jordens magnetfält eller ströelektromagnetiska fält från mobiltelefoner och WiFi-nätverk. Interaktioner med kosmiska strålar kan också vara problematiska, liksom interferens mellan angränsande qubits.

<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="Stor fysik IHEP-forskare arbetar för att "återupptäcka" den exotiska partikeln Zc(3900) med hjälp av kvantmaskininlärning. Den subatomära partikeln – det första tetraquarktillståndet som observerades experimentellt – upptäcktes 2013 av BESIII-detektorn (visas här) vid IHEP:s Beijing Electron-Positron Collider. (Med tillstånd: IHEP)” title=”Klicka för att öppna bilden i popup” href=”https://platoblockchain.com/wp-content/uploads/2024/02/ihep-seeks-quantum-opportunities-to-fast-track -fundamental-science-physics-world-2.jpg">

Den idealiska lösningen – en strategi som kallas felkorrigering – innebär att samma information lagras över flera qubits, så att fel kommer att upptäckas och korrigeras när en eller flera av qubitarna påverkas av brus. Problemet med dessa så kallade feltoleranta kvantdatorer är deras krav på ett stort antal qubits (i storleksordningen miljoner) – något som är omöjligt att implementera i nuvarande generations småskaliga kvantarkitekturer.

Istället kan konstruktörerna av dagens Noisy Intermediate-Scale Quantum (NISQ)-datorer antingen acceptera bruseffekterna som de är eller delvis återställa felen algoritmiskt – dvs utan att öka antalet qubits – i en process som kallas felreducering. Flera algoritmer är kända för att ge motståndskraft mot brus i småskaliga kvantdatorer, så att "kvantfördelar" kan observeras i specifika högenergifysikapplikationer trots de inneboende begränsningarna hos nuvarande generations kvantdatorer.

En sådan undersökningslinje vid IHEP fokuserar på kvantsimulering, och tillämpar idéer som ursprungligen lades fram av Richard Feynman kring användningen av kvantenheter för att simulera tidsutvecklingen av kvantsystem – till exempel i gitterkvantkromodynamik (QCD). Standardmodellen beskriver för sammanhanget alla grundläggande interaktioner mellan elementarpartiklarna förutom gravitationskraften – dvs binder samman de elektromagnetiska, svaga och starka krafterna. På så sätt omfattar modellen två uppsättningar av så kallade kvantmätfältsteorier: Glashow–Weinberg–Salam-modellen (som ger en enhetlig beskrivning av de elektromagnetiska och svaga krafterna) och QCD (för de starka krafterna).

Det är i allmänhet så att kvantmätarfältteorierna inte kan lösas analytiskt, med de flesta förutsägelser för experiment som härrör från metoder för kontinuerlig förbättringsapproximation (även känd som störning). Just nu arbetar IHEP-personalforskare med att direkt simulera mätfält med kvantkretsar under förenklade förhållanden (till exempel i reducerade rum-tidsdimensioner eller genom att använda finita grupper eller andra algebraiska metoder). Sådana tillvägagångssätt är kompatibla med nuvarande iterationer av NISQ-datorer och representerar grundläggande arbete för en mer komplett implementering av gitter QCD inom en snar framtid.

Maskininlärning: kvantvägen

Ett annat kvantforskningstema vid IHEP involverar kvantmaskininlärning, som kan grupperas i fyra distinkta tillvägagångssätt: CC, CQ, QC, QQ (med C – klassisk; Q – kvant). I varje fall motsvarar den första bokstaven datatypen och den senare typen av dator som kör algoritmen. CC-schemat använder till exempel klassisk data och klassiska datorer fullt ut, men kör kvantinspirerade algoritmer.

Det mest lovande användningsfallet som eftersträvas vid IHEP involverar dock kategorin CQ för maskininlärning, där den klassiska datatypen kartläggs och tränas i kvantdatorer. Motivationen här är att genom att utnyttja grunderna för kvantmekaniken – det stora Hilbert-utrymmet, superposition och förveckling – kommer kvantdatorer att kunna lära sig mer effektivt från storskaliga datamängder för att optimera de resulterande maskininlärningsmetoderna.

<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="Partikelspårning IHEP-forskare tror att kvantberäkning kommer att hjälpa till att effektivisera spårrekonstruktionsmetoder i nästa generations partikelacceleratorer som HL-LHC. Ovan: Hideki Okawa (höger), Jiaheng Zou (stående) och Xiaozhong Huang (vänster) utvärderar rekonstruerade partikelspår genererade med Origin Quantum Wuyuan-datorn, känd som "Kinas första praktiska kvantdator". (Med tillstånd: IHEP)” title=”Klicka för att öppna bilden i popup” href=”https://platoblockchain.com/wp-content/uploads/2024/02/ihep-seeks-quantum-opportunities-to-fast-track -fundamental-science-physics-world-3.jpg">

För att förstå potentialen för kvantfördelar arbetar IHEP-forskare för närvarande med att "återupptäcka" den exotiska partikeln Z_c(3900) med hjälp av kvantmaskininlärning. När det gäller bakgrundshistorien: Z_c(3900) är en exotisk subatomär partikel som består av kvarkar (byggstenarna i protoner och neutroner) och tros vara det första tetrakvarktillståndet som observerats experimentellt – en observation som i processen fördjupade vår förståelse av QCD. Partikeln upptäcktes 2013 av Beijing Spectrometer (BESIII)-detektor vid Beijing Electron-Positron Collider (BEPCII), med oberoende observation av Belle-experimentet vid Japans KEK-partikelfysiklaboratorium.

QUANT-NETs testbäddsinnovationer: omforma kvantnätverket

Som en del av denna FoU-studie har ett team ledd av IHEP:s Jiaheng Zou, och inklusive kollegor från Shandong University och University of Jinan, implementerat den så kallade Quantum Support Vector Machine-algoritmen (en kvantvariant av en klassisk algoritm) för utbildningen med simulerade signaler av Z_c(3900) och slumpmässigt utvalda händelser från de verkliga BESIII-data som bakgrund.

Genom att använda kvantmaskininlärningsmetoden är prestandan konkurrenskraftig jämfört med klassiska maskininlärningssystem – dock, avgörande, med en mindre träningsdatauppsättning och färre datafunktioner. Undersökningar pågår för att demonstrera förbättrad signalkänslighet med kvantberäkning, arbete som i slutändan kan peka vägen till upptäckten av nya exotiska partiklar i framtida experiment.

• SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
• PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
• PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
• Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
• PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
• Källa: https://physicsworld.com/a/ihep-seeks-quantum-opportunities-to-fast-track-fundamental-science/