Investigadores de Caltech y la Universidad del Sur de California USC informan la primera aplicación de la computación cuántica a un problema de física. Mediante el empleo de técnicas de aprendizaje automático compatibles con la tecnología cuántica, desarrollaron un método para extraer una rara señal de bosón de Higgs de copiosos datos de ruidoHiggs es la partícula que se predijo que imbuiría partículas elementales con masa y se descubrió en el Gran Colisionador de Hadrones en 2012. Se descubrió que el nuevo método de aprendizaje automático cuántico funciona bien incluso con conjuntos de datos pequeños, a diferencia de las contrapartes estándar.
A pesar del papel central de la física en la computación cuántica, hasta ahora, ningún problema de interés para los investigadores de física ha sido resuelto mediante técnicas de computación cuántica. En este nuevo trabajo, los investigadores extrajeron con éxito información significativa sobre las partículas de Higgs mediante la programación de un recocido cuántico:- un tipo de computadora cuántica capaz de ejecutar solo tareas de optimización - para clasificar datos de medición de partículas llenas de errores. Maria Spiropulu de Caltech, profesora de física Shang-Yi Ch'en, concibió el proyecto y colaboró con Daniel Lidar, pionerode la metodología de aprendizaje automático cuántico y profesor de ingeniería de Viterbi en la USC, que también es un distinguido erudito de Moore en la división de física, matemáticas y astronomía de Caltech.
El programa cuántico busca patrones dentro de un conjunto de datos para distinguir datos significativos de la basura. Se espera que sea útil para problemas más allá de la física de alta energía. Los detalles del programa, así como las comparaciones con las técnicas existentes, se detallan en un artículo publicado en19 de octubre en el diario Naturaleza .
Una técnica de computación popular para clasificar datos es el método de red neuronal, conocido por su eficiencia en la extracción de patrones oscuros dentro de un conjunto de datos. Los patrones identificados por las redes neuronales son difíciles de interpretar, ya que el proceso de clasificación no revela cómo se descubrieron.Las técnicas que conducen a una mejor interpretación son a menudo más propensas a errores y menos eficientes.
"Algunas personas en física de alta energía se están adelantando sobre las redes neuronales, pero las redes neuronales no son fácilmente interpretables para un físico", dice el estudiante graduado de física de la USC Joshua Job, coautor del artículo y estudiante invitado enCaltech. El nuevo programa cuántico es "un modelo simple de aprendizaje automático que logra un resultado comparable a los modelos más complicados sin perder robustez o interpretabilidad", dice Job.
Con técnicas anteriores, la precisión de la clasificación depende en gran medida del tamaño y la calidad de un conjunto de entrenamiento, que es una parte del conjunto de datos clasificada manualmente. Esto es problemático para la investigación de física de alta energía, que gira en torno a eventos raros enterrados en grandescantidad de datos de ruido. "El Gran Colisionador de Hadrones genera una gran cantidad de eventos, y los físicos de partículas tienen que mirar pequeños paquetes de datos para descubrir cuáles son interesantes", dice Job. El nuevo programa cuántico "es más simple, toma muypocos datos de entrenamiento, e incluso podrían ser más rápidos. Lo obtuvimos al incluir los estados excitados ", dice Spiropulu.
Los estados excitados de un sistema cuántico tienen un exceso de energía que contribuye a errores en la salida. "Sorprendentemente, en realidad fue ventajoso utilizar los estados excitados, las soluciones subóptimas", dice Lidar.
"Por qué exactamente ese es el caso, solo podemos especular. Pero una razón podría ser que el verdadero problema que tenemos que resolver no es precisamente representable en el recocido cuántico. Por eso, las soluciones subóptimas podrían estar más cerca de la verdad".dice Lidar.
Modelar el problema de una manera que un analizador cuántico puede entender resultó ser un desafío sustancial que fue abordado con éxito por el ex alumno de posgrado de Spiropulu en Caltech, Alex Mott PhD '15, quien ahora está en DeepMind ". Programación de computadoras cuánticas".es fundamentalmente diferente de la programación de computadoras clásicas. Es como codificar bits directamente. Todo el problema tiene que codificarse a la vez, y luego se ejecuta solo una vez como está programado ", dice Mott.
A pesar de las mejoras, los investigadores no afirman que los recoctores cuánticos sean superiores. Los que están disponibles actualmente simplemente "no son lo suficientemente grandes como para codificar problemas físicos lo suficientemente difíciles como para demostrar alguna ventaja", dice Spiropulu.
"Es porque estamos comparando mil qubits, bits cuánticos de información, con mil millones de transistores", dice Jean-Roch Vlimant, un académico postdoctoral en física de alta energía en Caltech. "La complejidad del recocido simulado explotará".en algún momento, y esperamos que el recocido cuántico también ofrezca aceleración ", dice Vlimant.
Los investigadores están buscando activamente nuevas aplicaciones de la nueva técnica de clasificación de recocido cuántico. "Pudimos demostrar un resultado muy similar en un dominio de aplicación completamente diferente al aplicar la misma metodología a un problema en biología computacional", dice Lidar."Hay otro proyecto sobre mejoras en el seguimiento de partículas usando tales métodos, y estamos buscando nuevas formas de examinar las partículas cargadas", dice Vlimant.
"El resultado de este trabajo es un enfoque basado en la física del aprendizaje automático que podría beneficiar a un amplio espectro de la ciencia y otras aplicaciones", dice Spiropulu. "Hay mucho trabajo emocionante y descubrimientos por hacer en esta cruz emergente-disciplinar arena de ciencia y tecnología, concluye.
Fuente de la historia :
Materiales proporcionado por Instituto de Tecnología de California . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :