一臺簡陋的量子計算機重新發現了希格斯玻色子。某種程度上是這樣。
物理學家一直在努力開發能夠利用量子力學技巧來加速計算的機器。但他們也希望這種量子計算機能夠反過來幫助他們發現新的自然規律。
現在，一個團隊已經證明，量子電路可以學習篩選來自原子撞擊實驗的大量資料，以尋找新的粒子。他們的原理驗證研究——使用量子計算公司 D-Wave 構建的機器，該公司致力於現在廣為人知的希格斯玻色子案例——尚未提供優於傳統技術的明顯優勢。但作者表示，當量子機器學習在未來的實驗中可能會發揮作用，屆時資料量將會更大。他們的研究於 10 月 18 日發表在《自然》雜誌上1。
支援科學新聞業
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞業 訂閱。透過購買訂閱，您正在幫助確保有關塑造我們當今世界的發現和想法的具有影響力的故事的未來。
紐約大學的物理學家 Kyle Cranmer 沒有參與這項工作，他說，看到量子機器應用於實際的物理問題令人耳目一新——而不是通常的數學問題，例如將整數分解為質數。“在此之前，人們意識到這可能在將來會變得相關，”他說。“這讓它看起來好像可能確實如此。”
最優解
2012 年，歐洲核子研究中心 (CERN) 的大型強子對撞機 (LHC) 的兩項實驗（歐洲高能物理實驗室，位於瑞士日內瓦附近）宣佈他們已經證明了希格斯玻色子的存在，這是粒子物理學標準模型中最後缺失的一塊。被稱為 CMS 和 ATLAS 的兩項實驗發現了玻色子的證據，該玻色子是在質子碰撞中產生的，其證據來自希格斯玻色子衰變成更常見的粒子（例如高能光子對）的方式。但是，每次 LHC 碰撞兩個質子時，都會產生數百個其他粒子，其中一些粒子在撞擊探測器時可能會被誤解為光子。
為了幫助加速他們對希格斯玻色子的搜尋，ATLAS 和 CMS 物理學家使用模擬資料來訓練機器學習演算法，以區分麥子和穀殼——光子和冒充者。
最近，粒子物理學家 Maria Spiropulu 曾幫助領導 CMS 的希格斯玻色子搜尋，她想知道量子計算機是否可以幫助提高訓練過程的效率，特別是透過減少訓練系統所需的模擬資料量。“我想看看它是否可以解決希格斯問題，因為我瞭解希格斯問題，”Spiropulu 說，她目前在帕薩迪納的加州理工學院工作。
她的合作者 Alex Mott 是一位物理學家，現在在倫敦的 DeepMind 工作，他將學習過程轉化為 D-Wave 構建的“量子退火”計算機可以計算的東西，D-Wave 總部位於加拿大本拿比。這種型別的機器透過允許編碼量子資訊的超導環路落入其最低能量狀態來找到某些問題的最優解。
其想法是讓量子機器找到最優標準，然後普通計算機可以使用這些標準在真實資料中尋找希格斯玻色子的光子特徵。為了測試他們的理論，該團隊獲得了在洛杉磯南加州大學的 D-Wave 機器的使用權。Spiropulu 說，實驗是成功的：“我們可以使用小資料集進行訓練並找到最優解。”
研究人員沒有使用這些標準來重新發現希格斯玻色子——因為他們不需要這樣做。資料分析專家 Cranmer 說，證明這是可能的才是他們工作中“最酷的部分”，他曾幫助領導 ATLAS 合作組織的希格斯玻色子搜尋。
超越物理學
不要指望物理學家會立即轉向量子計算機：到目前為止，該機器的效能尚未優於 Spiropolu 及其團隊在傳統計算機上執行的虛擬版本。Cranmer 說，要證明這些技術比某些現有的機器學習演算法更有效率，還有很長的路要走，這些演算法能夠在相對較小的資料集上進行訓練。Spiropulu 對此表示贊同，並補充說，有必要將各種方法相互測試，以檢視哪種方法是最佳的。
但結果可能會對物理學以外的領域產生影響。Davide Venturelli 是一位為非營利組織大學空間研究協會工作並在加利福尼亞州山景城的 NASA Ames 研究中心工作的物理學家，他管理著一個專案，該專案使世界各地的實驗者可以使用 Ames 的 D-Wave 機器（由谷歌和 NASA 聯合運營）。他說，從地球科學到生物資訊學等領域的研究人員對使用量子退火器感興趣，特別是對於機器學習應用。
“有趣的是，整個事情都奏效了，”Mott 說。
本文經許可轉載，並於2017 年 10 月 19 日首次發表。