2012年，歐洲(zhou)大型(xing)強(qiang)子(zi)(zi)(zi)對撞機(LHC)團隊宣布，他(ta)們證(zheng)明了希格(ge)(ge)斯(si)玻色子(zi)(zi)(zi)的(de)存在，找到了粒子(zi)(zi)(zi)物理標準模型(xing)的(de)最(zui)后(hou)一塊拼圖。CMS(緊湊繆子(zi)(zi)(zi)線(xian)圈(quan))和ATLAS(超環面儀器)兩個實驗組都找到了質(zhi)子(zi)(zi)(zi)對撞中制造出(chu)希格(ge)(ge)斯(si)玻色子(zi)(zi)(zi)的(de)證(zheng)據。在這(zhe)種方式中，希格(ge)(ge)斯(si)玻色子(zi)(zi)(zi)會衰變成更(geng)常見的(de)玻色子(zi)(zi)(zi)，比如(ru)一對高能光子(zi)(zi)(zi)。

但(dan)每次LHC讓兩個質子發生對撞，都會產(chan)生數(shu)百個其他粒(li)子，當它們撞到(dao)探測器時，會被(bei)錯誤地解釋成光子。為了(le)幫(bang)助加快搜尋到(dao)希格斯玻色子，ATLAS和CMS的物理(li)學家(jia)用(yong)模擬數(shu)據訓(xun)練機器學習算法(fa)來(lai)“沙里淘金”——從假(jia)信號中“揪出”真光子。

最(zui)近，CMS搜(sou)索希(xi)格(ge)斯(si)(si)玻色(se)子(zi)負責人之一、美國(guo)加州理(li)(li)工學院物理(li)(li)學教授瑪利亞·斯(si)(si)皮(pi)羅(luo)普魯想要了解(jie)量子(zi)計(ji)算機能否讓上(shang)述訓練(lian)過程更高效，尤其是(shi)在減少(shao)訓練(lian)系統所(suo)需(xu)的模擬數據數量方(fang)面，她說：“我想看看它到(dao)底能不能解(jie)決希(xi)格(ge)斯(si)(si)問(wen)題。”

她的(de)(de)(de)合作者亞力(li)克斯·莫特(te)是倫敦“深度學習”項目的(de)(de)(de)物(wu)理(li)學家，他(ta)把學習過程轉換(huan)成了可用“量子(zi)退火”計算機(ji)(加拿大D-Wave系統(tong)公司開發(fa))計算的(de)(de)(de)問題。這類機(ji)器(qi)能(neng)(neng)通過使(shi)編碼(ma)量子(zi)信息的(de)(de)(de)超導(dao)線圈降為最低能(neng)(neng)態，從而發(fa)現某些問題的(de)(de)(de)最優解。

他們的想法是，讓量子計算(suan)機(ji)(ji)發現(xian)最佳標準，讓普通(tong)計算(suan)機(ji)(ji)接著使用(yong)這些標準在真實(shi)的數據中(zhong)尋找光子的信(xin)號。為(wei)了(le)檢驗(yan)(yan)這一理(li)論(lun)，團隊用(yong)了(le)位于南(nan)加州洛(luo)杉磯大(da)學(xue)的D-Wave公司機(ji)(ji)器。實(shi)驗(yan)(yan)非常成功，斯皮羅普魯說：“我們已經能(neng)夠(gou)用(yong)小數據集訓練來(lai)得出(chu)最優解。”

ATLAS希格斯玻色子(zi)(zi)搜尋(xun)行動(dong)負責人之一(yi)克萊(lai)默(mo)說，這(zhe)證(zheng)明(ming)是可行的(de)，這(zhe)才是這(zhe)項研究“最(zui)酷(ku)”的(de)一(yi)部分。而(er)且與(yu)傳統計算(suan)機相比，目(mu)前量子(zi)(zi)計算(suan)機并(bing)沒(mei)有明(ming)顯的(de)技術優勢，但在未來的(de)實驗中，數據量會更大，屆時量子(zi)(zi)機器學習將“大顯身手”。