机构名称：
¥ 1.0
粒子物理学是科学的一个分支，旨在通过研究物质和力的最基本组成部分来了解自然的基本定律。这可以在具有粒子加速器的受控环境中完成，例如大型强子对撞机（LHC），也可以在不受控制的环境中，例如宇宙中的灾难性事件。粒子物理学的标准模型是数十年的理论工作和实验的成就。虽然它是一个非常成功的有效理论，但它不允许重力整合，并且已知存在局限性。粒子物理学的实验需要大而复杂的数据集，这在数据处理和分析中提出了特定的挑战。最近，机器学习在物理科学中发挥了重要作用。尤其是我们观察到越来越多的深度学习应用于粒子物理和天体物理学中的各种问题。除了典型的古典方法[1]（增强决策树（BDT），支持向量机（SVM），等），最先进的深度学习技术（卷积神经网络，经常性模型，几何深度学习等）已成功地用于各种任务[2，3]。雄心勃勃的高光度LHC（HL-LHC）在未来二十年及以后的计划中将需要巨大的计算资源。询问诸如量子机器学习之类的新技术是否可以帮助克服这一计算挑战，这很有趣。本评论的论文涉及如何在高能量物理学（HEP）中使用量子机学习。我们提供量子计算平台和模拟器的最新开发可用于公共实验，导致对量子算法和应用的研究一般加速。特别是，最近提出了量子算法来应对粒子物理数据处理和分析中面临的计算挑战。除了针对特定任务的明确编写量子算法[4-8]，量子机学习是一种学习量子算法以实现特定任务的方式，类似于经典的机器学习。首先在第2和3节中提供了量子计算和量子机学习领域的概述。我们在第5节中使用量子退火QA回顾了量子机学习算法在粒子物理中的应用。
高能量物理学中的量子机学习
主要关键词
相关文件推荐
