量子科技中心_量科网

在未来几年，大型强子对撞机（LHC）实验将进行升级改造，以应对瞬时亮度的大幅提升。这将导致事件规模更大、密度更高，进而使带电粒子轨迹重建工作面临更复杂的挑战，从而推动新技术的尖端研究。量子机器学习模型正被探索作为高能物理（HEP）研究任务的潜在新方法。该研究团队针对模拟高亮度数据集，对用于带电粒子轨迹重建的量子图神经网络（QGNN）架构进行了特性分析与升级。该模型基于一组事件图运行——每个事件图由质子碰撞产生的粒子在追踪探测器各层中生成的命中点构成，可对相邻层间命中点可能的连接关系进行分类。在此方法中，量子图神经网络采用混合架构设计，将经典前馈网络与参数化量子电路交错结合。研究人员详细分析了经典组件与量子组件间的相互作用，报告了对原始设计的主要升级内容，并提供了训练行为改善的新证据，特别是在向最终训练配置收敛方面的表现。