（图片来源：网络）
近日，欧洲核子研究中心宣布LHCb实验项目公布了一项新进展：首次展示了量子机器学习（QML）技术成功识别了LHC中b-夸克引发喷流的电荷。
该进展来自于由利物浦大学高级研究物理学家Eduardo Rodrigues领导的数据处理与分析（DPA）项目组，他们对离线分析框架进行了重大改革，高效地研究了因LHCb（大型强子对撞机）探测器升级后带来的巨量数据流。DPA团队的研究已发表在《Journal of High Energy Physics》上。
近年来，随着量子计算机和量子技术的快速发展，LHCb引入了量子计算以促进粒子物理的深入研究。在粒子物理学中，量子机器学习主要应用于解决事件分类和粒子轨迹重建问题，而LHCb是首次用它来执行强子射流电荷识别任务。
在模拟b-夸克射流中，该研究对两种方法进行了性能比较：基于两种不同量子电路的变分量子分类器，和先进强大的经典人工智能深度神经网络（DNN）。结果显示，经典DNN的性能虽略优于量子机器学习算法，但差异非常小（下图为具体参数）。
标记算法性能（标记功率 ϵtag）和喷流横向动量PT函数
DPA团队的研究表明，量子机器学习算法以更少的事件数达到了最优的性能，这将有助于减少资源的使用。尽管在大量特征任务中，DNN算法性能要优于量子机器学习算法，但随着量子硬件性能的提升，将改进这一差距。对于LHCb来说，量子机器学习算法能显著减少资源利用，这是未来几年该项目收集数据量时关键考虑的指标之一。
此外，该研究结果还显示，量子算法能可用于研究特征之间的相关性，因此物理学家们提取射流成分的相关信息将成为可能，并可以提升射流特性识别任务的性能。
Eduardo Rodrigues博士说：“我们首次证明了量子机器学习可以成功地用于LHCb数据分析。随着物理学家不断提高其在量子计算方面的研究经验，以及人们对量子计算的兴趣和投资加大，预计硬件和计算技术将出现重大发展。尽管在粒子物理实验中，量子机器学习的应用仍处于起步阶段，我们的研究为解决粒子物理实验中的分类问题开辟了新的路径。”
原文链接：
https://news.liverpool.ac.uk/2022/08/04/first-studies-with-quantum-machine-learning-at-lhcb/
文：利物浦大学
编译：卉可
编辑：慕一
注：本文编译自“利物浦大学”，不代表量子前哨观点。
