EO_508

stici nel contesto della simulazione di sistemi di particelle, ad esempio oscillazioni di neutrini, collisioni di ioni pesan- ti, distribuzioni di partoni all’interno di protoni come la te- oria del campo efficace a bassa energia ed elettrodinamica quantistica. Tuttavia, una simulazione QFT completa gene- ralmente richiede risorse proibitive e quindi non può essere implementata a breve termine su computer quantistici. Un approccio alternativo per le applicazioni di calcolo quantistico QFT è quello di scomporre i processi di diffusio- ne delle particelle e sfruttare i calcoli quantistici nel caso in cui i calcoli classici convenzionali siano intrattabili. Nelle simulazioni di collisioni di adroni ad alta energia, i processi fisici sono trattati fattorizzando gli scattering che si verificano a brevi distanze e le evoluzioni dei partoni (o quark) che si verificano a lunghe distanze all’interno degli adroni. Questa proprietà di fattorizzazione consente di cal- colare indipendentemente i sottoprocessi a corto e a lungo raggio. Lo scattering tra i partoni crea un grande trasferi- mento di quantità di moto e produce una cascata di parto- ni in uscita chiamata “pioggia di partoni”. La simulazione della pioggia di partoni è un prototipo di simulazione nota come simulazione Monte Carlo e descrive l’evoluzione del sistema dall’interazione hard alla scala di adronizzazione. Questa tecnica è stata validata con successo confrontando la simulazioneMonte Carlo con i dati sperimentali, ma l’in- terferenza quantistica e gli effetti di correlazione sono tra- scurati. Anche se questi effetti sono piccoli rispetto all’at- tuale accuratezza sperimentale, tali limitazioni potrebbero diventare un collo di bottiglia quando la misurazione rag- giungerà una precisione senza precedenti nell’era HL-LHC. L’informatica quantistica applicata all’analisi delle traiettorie delle particelle cariche I dati grezzi registrati dai rilevatori degli acceleratori di particelle vengono elaborati da algoritmi di ricostruzione prima di poter essere utilizzati per analisi fisiche. Gli algo- ritmi di ricostruzione delle tracce utilizzati per ricostruire le traiettorie delle particelle cariche che passano attraverso i rilevatori di tracciamento sono in genere i più impegna- tivi dal punto di vista computazionale. Le risorse di calcolo richieste per tali algoritmi scalano approssimativamente quadraticamente con il numero di particelle cariche per evento, ovvero la quantità di accumulo, e quindi divente- ranno ancora più impegnative per i futuri collisori. Pertan- to, nuove idee e approcci per gli algoritmi di ricostruzione delle tracce sono attualmente un campo di ricerca estrema- mente attivo per garantire che le capacità fisiche dell’HL- LHC possano essere sfruttate appieno. Gli algoritmi di ricostruzione delle tracce possono essere caratterizzati in approcci globali e locali. Gli algoritmi glo- bali elaborano simultaneamente tutti i dati di un evento e restituiscono una serie di tracce. Gli algoritmi locali mirano a identificare l’insieme di dati corrispondenti ad una singola traccia e vengono eseguiti molte volte per identificare l’intero set di tracce. Sono stati esplorati diversi algoritmi di ricostruzione della traccia per i computer quantistici e, nellamaggior parte dei casi, è stato utilizzato il set di dati aperto prodotto per la sfida dell’ap- prendimento automatico del tracciamento, noto come trac- ciamento Machine Learning quantistico. L’apprendimento automatico quantistico I recenti sviluppi dell’architettura e degli algoritmi di calco- lo quantistico rendono l’apprendimento automatico quanti- stico (QuantumMachine Learning – QML) una promettente prima applicazione nell’era intermedia quantistica. Il QML include un’ampia gamma di argomenti di ricerca, ad esempio aspetti della teoria dell’informazione come la complessità dell’apprendimento quantistico, l’accuratezza e il comportamento asintotico in un regime di tolleranza ai guasti, nonché aspetti più a breve termine come la codifica dei dati, modelli di circuiti di apprendimento e architetture ibride con calcoli classici. Un aspetto importante del QML è l’efficacia con cui si può sfruttare l’apprendimento automa- TECH INSIGHT QUANTUM COMPUTING I recenti sviluppi dell’architettura e degli algoritmi di calcolo quantistico rendono l’apprendimento automatico quantistico (QuantumMachine Learning – QML) una promettente prima applicazione nell’era intermedia quantistica qubit (contrazione di quantum bit) è l’unità di informazione elementare della computazione quantistica. È omologo al bit della computazione classica, con la differenza che, accanto ai due stati tradizionali 0 e 1, ammette anche la sovrapposizione quantistica dei due stati. Un qubit può dunque contenere una quantità infinita di informazione ELETTRONICA OGGI 508 - MARZO 2023 28

RkJQdWJsaXNoZXIy Mzg4NjYz