Una máquina de D-Wave «redescubre» el bosón de Higgs

Partículas generadas en las colisiones de protones que lleva a cabo el LHC del CERN, en Ginebra. [CERN/CMS]

También te puede interesar

Fronteras de la física cuántica Fronteras de la física cuántica Oct/Dic 2016 Nº 86

Panorama contemporáneo de una teoría fundamentalLa mecánica cuántica nació hace 90 años para explicar las propiedades de los átomos y la luz. Hoy, sin embargo, la teoría es vista a menudo como un formalismo estrechamente ligado a un concepto mucho más abstracto y universal: el de información. Desde finales del siglo pasado, ese enfoque ha dado lugar a una avalancha de publicaciones sobre los fundamentos de la teoría, sus posibilidades computacionales, su relación con el mundo macroscópico y su encaje con la gravedad. De la mano de 17 expertos, este monográfico te ofrece una pincelada única del estado actual de estas líneas de investigación y te brinda un prisma moderno para entender una de las teorías físicas más profundas y fascinantes de todos los tiempos.

Más información

Hace tiempo que los físicos intentan aprovechar las leyes de la mecánica cuántica para construir ordenadores más veloces. Y, al mismo tiempo, esperan que tales máquinas les devuelvan el favor y les ayuden a descubrir nuevas leyes de la naturaleza.

Ahora, un trabajo ha demostrado que un circuito cuántico puede aprender a cribar las enormes cantidades de datos que se generan en los experimentos de física de altas energías. La prueba de principio ha usado una máquina de D-Wave, la compañía canadiense de computación cuántica, y la ha aplicado al problema de la búsqueda del bosón de Higgs. Aunque por el momento el método no supera a las técnicas ordinarias, los autores sostienen que el aprendizaje automático cuántico sí podría marcar una diferencia en los experimentos futuros, cuando las cantidades de datos sean aún mayores. Los resultados del trabajo se publican en Nature.

Kyle Cranmer, físico de la Universidad de Nueva York que no ha participado en la investigación, opina que es alentador ver cómo una máquina cuántica se usa para resolver un problema práctico de física, en lugar de las tareas matemáticas habituales del campo, como la factorización de números enteros. «Hasta ahora, la gente sabía que eso sería relevante algún día», indica. «Esto hace pensar que tal vez lo sea.»

Optimización cuántica

En 2012, dos experimentos del Gran Colisionador de Hadrones (LHC) del CERN anunciaron el hallazgo del bosón de Higgs, la última partícula que faltaba por descubrir del modelo estándar. Sin embargo, las colaboraciones ATLAS y CMS no observaron directamente el bosón de Higgs, sino las partículas ordinarias en las que este se desintegra, como fotones de alta energía. No obstante, cada vez que en el LHC colisionan dos protones se producen cientos de partículas similares. Por tanto, el reto del análisis consiste en separar el grano de la paja: identificar los verdaderos productos de la desintegración del bosón de Higgs en medio de un mar de partículas «impostoras». A tal fin, los físicos de ATLAS y CMS usaron algoritmos de aprendizaje automático a los que habían entrenado previamente con datos simulados.

Hace poco, Maria Spiropulu, física del Instituto de Tecnología de California que participó en la búsqueda del bosón de Higgs con el experimento CMS, se preguntó si una computadora cuántica podría acelerar dicho entrenamiento. Su colaborador Alex Mott, físico que ahora trabaja en DeepMind, compañía de inteligencia artificial con sede en Londres, tradujo el proceso de aprendizaje a uno que pudiese calcularse con una de las máquinas cuánticas de D-Wave. Estos dispositivos son capaces de resolver problemas de optimización haciendo que bucles superconductores, que codifican información cuántica, alcancen su estado de menor energía.

La idea era que la máquina cuántica encontrase los criterios de optimización necesarios para que, más tarde, una computadora ordinaria pudiese usarlos en una criba de datos reales e identificar los fotones generados por la desintegración del bosón de Higgs. Para poner a prueba su teoría, los investigadores usaron una máquina de D-Wave en la Universidad de California en Los Ángeles. Según Spiropulu, el experimento se saldó con éxito. «Podemos entrenar [a la máquina] con pequeños conjuntos de datos y encontrar la solución óptima», asegura la experta.

Los autores no usaron dichos criterios para redescubrir el bosón de Higgs, puesto que ese paso ya no era necesario. Cranmer, especialista en análisis de datos que participó la búsqueda del higgs con ATLAS, indica que el aspecto más fascinante del trabajo es haber demostrado que algo así es posible.

Más allá de la física

No es que los físicos vayan a empezar a usar ordenadores cuánticos a partir de mañana. Por ahora, la máquina de D-Wave no lo hace mejor que una versión virtual de sí misma que Spiropulu y sus colaboradores programaron en una computadora ordinaria. Además, añade Cranmer, aún queda un largo camino para demostrar que la nueva técnica es más eficiente que otros algoritmos de aprendizaje automático ya existentes. Spiropulu se muestra de acuerdo: según la investigadora, ahora será necesario comparar los distintos métodos para averiguar cuál de ellos funciona mejor.

Los resultados podrían hallar aplicaciones en otras disciplinas. Davide Venturelli, físico de la Asociación de Universidades de Investigación Espacial y del Centro Ames de la NASA, está a cargo de un programa que pone a disposición de experimentadores de todo el mundo la máquina de D-Wave del Centro Ames, la cual usan conjuntamente Google y la NASA. El experto sostiene que este tipo de algoritmos cuánticos interesan a investigadores de todos las áreas, desde ciencias de la Tierra hasta bioinformática, sobre todo en aplicaciones de aprendizaje automático. «Lo interesante es que todo esto funciona», concluye Mott.

Davide Castelvecchi/Nature News

Artículo traducido y adaptado por Investigación y Ciencia con permiso de Nature Research Group.

Referencia: «Solving a Higgs optimization problem with quantum annealing for machine learning», Alex Mott et al. en Nature, vol. 550, págs. 375–379, 19 de octubre de 2017.

Loading...