Maschinelles Lernen auf Quantencomputern verbessert Analyse in der Hochenergiephysik
Forscher am ETP haben gemeinsam mit Wissenschaftlern vom Imperial College London und der Durham University eine neue Methode namens 1P1Q entwickelt, mit der Daten aus der Hochenergiephysik (HEP) auf Quantencomputern kodiert werden können. Anders als klassische Verfahren, die auf Datenkompression setzen, kodiert 1P1Q die kinematischen Eigenschaften jedes einzelnen Teilchens direkt auf ein individuelles Zwei-Zustands-Quantensystem (ein sogenanntes Qubit). Dadurch können komplexe Kollisionsereignisse ohne Informationsverlust von Quantenalgorithmen verarbeitet werden. Die Methode wurde erfolgreich anhand zweier Anwendungen im Bereich des quantenbasierten maschinellen Lernens demonstriert: einem Quanten-Autoencoder (QAE) für unüberwachte Anomalieerkennung sowie einem Variations-Quantenklassifikator (VQC) für die überwachte Klassifizierung von Jets.
In Tests konnte der Quanten-Autoencoder Signaljets effektiv von QCD-Untergrundjets
unterscheiden und übertraf dabei klassische Autoencoder deutlich – und das bei erheblich weniger trainierbaren Parametern. Auch der Quantenklassifikator erreichte eine Leistung, die mit aktuellen klassischen Modellen vergleichbar ist, jedoch bei stark reduzierter Komplexität. Das Forscherteam validierte die Methode zudem anhand echter Kollisionsdaten, die im Jahr 2016 vom CMS-Detektor am LHC aufgenommen wurden, und bestätigte damit die Robustheit und Praxistauglichkeit quantenbasierter Verfahren in realistischen Situationen. Diese Ergebnisse zeigen deutlich das Potenzial von quantenbasierten Kodierungsmethoden wie 1P1Q, die Datenanalyse in Teilchenbeschleunigerexperimenten voranzutreiben und neue Wege zur
Integration von Quantencomputing und maschinellem Lernen in experimentelle Arbeitsabläufe der Physik zu eröffnen.
Die Studie wurde von der Forschungsgruppe um Prof. Dr. Markus Klute am KIT durchgeführt, insbesondere durch Doktorand Aritra Bal, in Zusammenarbeit mit Dr. Benedikt Maier, Melik Oughton und Eric Pezone vom Imperial College London sowie Prof. Michael Spannowsky von der Durham University.
Die Ergebnisse sind als Preprint verfügbar.
Kontakt: Prof. Dr. Markus Klute