量子科技中心_量科网

随着含噪声中等规模量子(NISQ)硬件在量子比特数量和门电路深度方面持续成熟，量子算法在喷注子结构分析中的应用正受到日益广泛的关注。喷注子结构对于应对LHC及未来对撞机中高要求且互补的挑战——特别是粒子分类与极化标记——仍具有不可替代的重要性。然而现有量子机器学习方法通常依赖的数据表征存在红外共线不安全性、对非微扰效应的敏感性或可扩展性差等问题。本研究提出“隆德平面到布洛赫球”(LP2B)编码方案，旨在将喷注运动学理论上干净且稳健的表征直接映射到量子比特态上。基于该编码，研究人员实现了一种天然嵌入隆德树层级结构的量子树拓扑网络(QTTN)。通过多基准测试验证，该网络在极化标记任务中达到了LundNet等大型经典深度学习架构的性能水平，同时在W玻色子和顶夸克标记中保持竞争性精度。相较于标准1P1Q编码，该架构在极化和W标记上均表现出更高灵敏度，与同等规模多层感知机和提升决策树相比推进了帕累托前沿。值得注意的是，QTTN所需参数比LundNet少三个数量级，为触发器系统中的低延迟FPGA实现提供了可能。此外在低数据量场景下，QTTN超越经典方法，使其特别适用于低产额的数据驱动分析。研究还发现，相较于经典深度学习方法，该量子模型不易过拟合特定生成器的部分子簇射和强子化模型，预示着潜在更小的系统不确定性。团队使用3量子比特SpinQ设备在真实量子硬件上验证了QTTN的性能。