IHEP шукає квантові можливості для швидкого розвитку фундаментальної науки – 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="Симулювати накопичувати Високопродуктивний обчислювальний кластер IHEP є одним із кількох обчислювальних ресурсів, що підтримують платформу квантового симулятора QuIHEP. (З дозволу: IHEP)”>

Інститут фізики високих енергій (IHEP), що входить до складу Китайської академії наук, є найбільшою фундаментальною науковою лабораторією в Китаї. Тут здійснюється багатодисциплінарна дослідницька програма, що охоплює фізику елементарних частинок, астрофізику, а також планування, проектування та будівництво великомасштабних проектів прискорювачів, включаючи China Spallation Neutron Source, який був запущений у 2018 році, та High Energy Photon Source, який має з’явитися. онлайн у 2025 році.

У той час як інвестиції в експериментальну інфраструктуру ІФЕВ різко зросли за останні 20 років, розробка та застосування технологій квантового машинного навчання та квантових обчислень тепер готові дати такі ж далекосяжні результати в рамках дослідницької програми ІФЕП.   

Велика наука, квантові рішення

Фізика високих енергій – це місце, де «велика наука» зустрічається з «великими даними». Відкриття нових частинок і дослідження фундаментальних законів природи — це зусилля, які дають неймовірні обсяги даних. Великий адронний колайдер (LHC) у CERN генерує петабайти (10¹⁵ байтів) даних під час його експериментальних прогонів – усі вони повинні бути оброблені та проаналізовані за допомогою грід-обчислень, розподіленої інфраструктури, яка об’єднує обчислювальні ресурси по всьому світу.

Таким чином, Worldwide LHC Computing Grid надає спільноті тисяч фізиків доступ до даних LHC майже в реальному часі. Ця складна обчислювальна мережа стала фундаментальною для знакового відкриття бозона Хіггса в CERN у 2012 році, а також для незліченних інших досягнень для подальшого дослідження Стандартної моделі фізики елементарних частинок.

Але коли справа доходить до зберігання, аналізу та видобутку великих даних у фізиці високих енергій, насувається ще одна точка перегину. Великий адронний колайдер високої світності (HL-LHC), який, як очікується, почне працювати в 2029 році, створить «обчислювальну кризу», оскільки інтегрована світність машини пропорційна кількості зіткнень частинок, які відбуваються за певний проміжок часу. , збільшиться в 10 разів порівняно з проектним значенням LHC, як і потоки даних, створені експериментами HL-LHC.

CERN QTI: використання великої науки для прискорення квантових інновацій

У найближчій перспективі знадобиться нова «обчислювальна базова лінія», щоб впоратися зі стрімкими потребами HL-LHC у даних – базова лінія, яка потребуватиме масштабної експлуатації графічних процесорів для масового паралельного моделювання, запису та повторної обробки даних. , а також класичні програми машинного навчання. CERN, зі свого боку, також створив середньо- та довгострокову дорожню карту, яка об’єднує спільноти фізиків високих енергій і квантових технологій через Ініціативу квантових технологій CERN (QTI) – визнання того, що очікується ще один стрибок у продуктивності обчислень. із застосуванням технологій квантового обчислення та квантових мереж.

Повернення до квантових основ

Квантові комп’ютери, як випливає з назви, використовують фундаментальні принципи квантової механіки. Подібно до класичних комп’ютерів, які покладаються на двійкові біти, які приймають значення 0 або 1, квантові комп’ютери використовують квантові двійкові біти, але як суперпозицію станів 0 і 1. Ця суперпозиція в поєднанні з квантовою заплутаністю (кореляціями між квантовими бітами) в принципі дозволяє квантовим комп’ютерам виконувати деякі типи обчислень значно швидше, ніж класичні машини – наприклад, квантове моделювання, що застосовується в різних областях квантової хімії та кінетики молекулярних реакцій.

Незважаючи на те, що можливості для науки та економіки в цілому здаються переконливими, одна з великих інженерних проблем, пов’язаних з ранніми стадіями квантових комп’ютерів, — це їх вразливість до шуму навколишнього середовища. Кубіти надто легко порушуються, наприклад, через їх взаємодію з магнітним полем Землі або блукаючими електромагнітними полями від мобільних телефонів і мереж WiFi. Взаємодія з космічними променями також може бути проблематичною, як і інтерференція між сусідніми кубітами.

<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="Велика фізика Вчені IHEP працюють над «перевідкриттям» екзотичної частинки Zc(3900) за допомогою квантового машинного навчання. Субатомну частинку – перший стан тетракварка, який спостерігали експериментально – було виявлено в 2013 році детектором BESIII (показано тут) на Пекінському електронно-позитронному колайдері IHEP. (З дозволу: IHEP)” title=”Натисніть, щоб відкрити зображення у спливаючому вікні” href=”https://platoblockchain.com/wp-content/uploads/2024/02/ihep-seeks-quantum-opportunities-to-fast-track -fundamental-science-physics-world-2.jpg”>

Ідеальне рішення – стратегія під назвою виправлення помилок – передбачає зберігання однієї інформації в кількох кубітах, щоб помилки виявлялися та виправлялися, коли на один або кілька кубітів впливав шум. Проблема цих так званих відмовостійких квантових комп’ютерів полягає в тому, що вони потребують великої кількості кубітів (близько мільйонів) – те, що неможливо реалізувати в маломасштабних квантових архітектурах поточного покоління.

Натомість розробники сучасних квантових комп’ютерів із проміжним шумом (NISQ) можуть або прийняти шумові ефекти такими, як вони є, або частково відновити помилки алгоритмічно – тобто без збільшення кількості кубітів – у процесі, відомому як пом’якшення помилок. Відомо, що кілька алгоритмів забезпечують стійкість до шуму в малих квантових комп’ютерах, так що «квантову перевагу» можна спостерігати в конкретних додатках фізики високих енергій, незважаючи на властиві обмеження квантових комп’ютерів поточного покоління.

Один із таких напрямків дослідження в IHEP зосереджується на квантовому моделюванні, застосовуючи ідеї, спочатку висунуті Річардом Фейнманом щодо використання квантових пристроїв для моделювання часової еволюції квантових систем – наприклад, у квантовій хромодинаміці решітки (КХД). Для контексту Стандартна модель описує всі фундаментальні взаємодії між елементарними частинками, окрім сили тяжіння, тобто зв’язування разом електромагнітних, слабких і сильних сил. Таким чином, модель включає два набори так званих теорій калібрувального поля: модель Глешоу–Вайнберга–Салама (забезпечує єдиний опис електромагнітних і слабких сил) і КХД (для сильних сил).

Як правило, теорії квантового калібрувального поля неможливо розв’язати аналітично, причому більшість прогнозів для експериментів отримані за допомогою методів апроксимації постійного вдосконалення (також відомих як збурення). Прямо зараз вчені штату ІФЕВ працюють над прямим моделюванням калібрувальних полів за допомогою квантових схем за спрощених умов (наприклад, у зменшених просторово-часових вимірах або за допомогою кінцевих груп чи інших алгебраїчних методів). Такі підходи сумісні з поточними ітераціями комп’ютерів NISQ і представляють фундаментальну роботу для більш повної реалізації ґратчастої КХД у найближчому майбутньому.

Машинне навчання: квантовий шлях

Інша тема квантового дослідження в IHEP включає квантове машинне навчання, яке можна згрупувати в чотири різні підходи: CC, CQ, QC, QQ (з C – класичний; Q – квантовий). У кожному випадку перша літера відповідає типу даних, а остання — типу комп’ютера, на якому виконується алгоритм. Схема CC, наприклад, повністю використовує класичні дані та класичні комп’ютери, хоча працює з квантовими алгоритмами.

Однак найперспективніший варіант використання, який розглядають у ІФЕП, включає категорію CQ машинного навчання, де класичний тип даних відображається та навчається на квантових комп’ютерах. Мотивація полягає в тому, що, використовуючи фундаментальні основи квантової механіки – великий простір Гільберта, суперпозицію та заплутаність – квантові комп’ютери зможуть ефективніше навчатися з великомасштабних наборів даних для оптимізації результуючих методологій машинного навчання.

<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="Відстеження частинок Вчені IHEP вважають, що квантові обчислення допоможуть оптимізувати методи реконструкції треків у прискорювачах частинок наступного покоління, таких як HL-LHC. Вгорі: Хідекі Окава (праворуч), Цзяхен Цзоу (стоячи) і Сяочжун Хуан (ліворуч) оцінюють реконструйовані треки частинок, створені за допомогою комп’ютера Origin Quantum Wuyuan, який називають «першим практичним квантовим комп’ютером Китаю». (З дозволу: IHEP)” title=”Натисніть, щоб відкрити зображення у спливаючому вікні” href=”https://platoblockchain.com/wp-content/uploads/2024/02/ihep-seeks-quantum-opportunities-to-fast-track -fundamental-science-physics-world-3.jpg”>

Щоб зрозуміти потенціал квантової переваги, вчені IHEP зараз працюють над «повторним відкриттям» екзотичної частинки Z_c(3900) з використанням квантового машинного навчання. З точки зору передісторії: З_c(3900) — це екзотична субатомна частинка, що складається з кварків (цеглинки протонів і нейтронів), і вважається першим експериментально спостережуваним тетракварковим станом — спостереження, яке в процесі поглибило наше розуміння КХД. Частинка була відкрита в 2013 році детектором Пекінського спектрометра (BESIII) на Пекінському електронно-позитронному колайдері (BEPCII) з незалежними спостереженнями в експерименті Belle в японській лабораторії фізики частинок KEK.

Інновації на тестовому стенді QUANT-NET: переосмислення квантової мережі

У рамках цього науково-дослідного дослідження команда на чолі з Jiaheng Zou з IHEP, включно з колегами з Шаньдунського університету та Університету Цзінаня, розгорнула так званий алгоритм Quantum Support Vector Machine (квантовий варіант класичного алгоритму) для навчання вздовж із змодельованими сигналами Z_c(3900) і випадково вибрані події з реальних даних BESIII як фон.

Використовуючи підхід квантового машинного навчання, продуктивність є конкурентоспроможною порівняно з класичними системами машинного навчання, хоча, що важливо, з меншим набором навчальних даних і меншою кількістю функцій даних. Тривають дослідження, щоб продемонструвати підвищену чутливість сигналу за допомогою квантових обчислень, робота, яка зрештою може вказати шлях до відкриття нових екзотичних частинок у майбутніх експериментах.

• Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
• PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
• PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
• ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
• PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
• джерело: https://physicsworld.com/a/ihep-seeks-quantum-opportunities-to-fast-track-fundamental-science/