bt365体育|平台

Particle Physics Turns to Quantum Computing for Big-Data Solutions

Internship Paves Path to Quantum-Computing Project at 伯克利 Lab

Wednesday, January 29, 2020

Giant-scale physics experiments are increasingly reliant on big data and complex algorithms fed into powerful computers, and managing this multiplying mass of data presents its own unique challenges.

To better prepare for this data deluge posed by next-generation upgrades and new experiments, physicists are turning to the fledgling field of quantum computing to find faster ways to analyze the incoming info.

在常规的计算机,存储器注意到一个大集合位的形式,并且每个比特仅具有两个值:一个或零,类似于一个开启或关闭位置。在一台量子计算机,同时,数据被存储在量子位,量子位或。一个量子位可以代表一个零,或混合的状态,其中它是一,并在同一时间都为零。

502 Bad Gateway- bt365体育|平台

高亮度大型强子对撞机(HL-LHC)项目,是世界上最大的粒子加速器在欧洲CERN实验室计划的升级,将上线2026年将产生每秒数十亿次粒子事件 - 五点七倍比目前的最大速率ITS更多的数据 - 欧洲核子研究中心,并新快速寻找和准确途径分析这些数据。

Tracking the creation and precise paths (called “tracks”) of these particles as they travel through layers of a particle detector – while excluding the unwanted mess, or “noise” produced in these events – is key in analyzing the collision data.

The data will be like a giant 3D connect-the-dots puzzle that contains many separate fragments, with little guidance on how to connect the dots.

To address this next-gen problem, a group of student researchers and other scientists at the U.S. Department of Energy’s Lawrence Berkeley National Laboratory (伯克利 Lab) have been exploring a wide range of new solutions.

502 Bad Gateway

粒子探测器通过探测能量沉积在检测器材料的不同层工作。在传感器数据的分析,研究人员工作以重构通过特定检测器阵列行进的颗粒的轨迹。计算机算法可通过图案识别处理有助于ESTA,和粒子的特性可通过连接的由检测器和单个粒子轨迹正确识别累计单个‘命中’的点进行详细说明。

麻灰, an experimental particle physicist at Berkeley Lab and a UC Berkeley physics professor, leads the 伯克利 Lab-based R&D effort – Quantum Pattern Recognition for High-Energy Physics (HEP.QPR) – that seeks to identify quantum technologies to rapidly perform this pattern-recognition process in very-high-volume collision data. This R&D effort is funded as part of the DOE’s QuantISED (Quantum Information Science Enabled Discovery for High Energy Physics) portfolio.

The HEP.QPR project is also part of a broader initiative to boost quantum information science research at 伯克利 Lab and across U.S. national laboratories.

该组的其他hep.qpr成员是:WAHID比姆基,保罗calafiura,WIM Lavrijsen,和前博士后Illya Shapoval,WHO探索量子算法关联存储器。比姆基是伯克利实验室的国家能源研究科学计算中心(NERSC)一个大数据架构师。 calafiura软件是CERN的超环面仪器的首席架构师和伯克利实验室的计算研究部门(CRD)的成员。 CRD和Lavrijsen是一名软件工程师是谁在欧洲核子研究中心的超环面仪器也参与其中。


nginx

此外灰calafiura参与CERN的赞助比赛,5月中旬推出2018,计算机科学家们面临的挑战是开发机器学习为基础的技术来重建粒子轨迹使用一组已知的数据HL-LHC作为trackml的准确模拟。机器学习是在哪一个人工智能算法形式能否成为通过循序渐进的训练过程更加高效和准确类似于人类的学习。在粒子轨道重建伯克利实验室的量子计算的努力还采用TO ESTA trackml设置模拟数据。

The series of articles listed below profile three student researchers who have participated in 伯克利 Lab-led efforts to apply quantum computing to the pattern-recognition problem in particle physics:

露西林德, 而作为在伯克利实验室的一名研究人员,开发了她的硕士论文 - 监督由伯克利实验室的科学家保罗·calafiura人员 - 约所谓的量子退火寻找粒子轨迹量子计算技术的潜在应用。她量子计算在d波系统公司远程访问机器。在加拿大和在洛斯阿拉莫斯国家实验室在新墨西哥州。

林德的做法是先格式模拟粒子轨迹数据的东西被称为QUBO(二次约束二进制优化)的问题,制定了问题作为方程二进制值:要么是0或1。此外ESTA QUBO格式化用量子退火分析,使用量子比特来帮助通过应用物理原理,描述了如何对象自然而然地寻求最低可能的能量状态,确定最佳的解决方案准备帮助数据。 阅读更多。

埃里克ROHM, 本科就读于伯克利实验室的合同为美国能源部科学本科实验室实习计划的一部分上工作,发展到在加州伯克利rigetti计算利用量子计算资源近似量子优化算法(qaoa)。我被麻灰伯克利实验室的物理学家监督。

ESTA方法中使用的常规和量子计算技术的共混物开发自定义算法。该算法,仍然在改进方案中,过气的rigetti量子虚拟机上进行测试,计算机模拟了常规即小量子计算机。最终的算法可以在rigetti配备有电流量子位量子处理单元进行测试。 阅读更多。

Amitabh Yadav, 自从11月在伯克利实验室的学生研究助理谁是灰色和伯克利实验室的软件工程师监督WIM Lavrijsen,正在申请称为霍夫的技术的公约的量子版本转换使用IBM的量子经验,一种形式的识别和重构粒子轨迹量子计算。

阅读更多。
编辑: 
Glenn Roberts Jr.
Research Area: 
Particle Physics