未来的对撞机,如HL-LHC和环形正负电子对撞机(CEPC),将把我们带入艾字节(exabyte,260字节,约等于1018字节)数据时代,而处理这些数据需要巨大的计算资源。在HL-LHC,预计年计算成本将比目前的LHC增加10到20倍,其中径迹重建是最消耗计算资源的计算任务,高能物理学家热切期待有新的数据处理方法来应对这一挑战。
在物理学中,退火是一种加热和逐渐冷却材料的过程,通过这种方法,可以让材料内部的原子排列得更加有序,从而降低其能量状态。同样,在计算中,我们可以使用一种叫做“模拟退火”的算法来解决优化问题。模拟退火通过模拟物理退火过程,使系统逐步趋向于能量最低的状态,从而找到解决问题的最佳方案。量子退火中的退火过程指从一个哈密顿系统演化到另一个哈密顿系统,根据量子绝热定理,如果这个过程进行地足够缓慢,则可保证系统所处的能级不改变。由此我们可以通过制备简单系统的基态来得到复杂系统的基态。量子退火启发算法是基于量子计算概念但“在经典硬件上实现”的算法,其中特别是模拟分叉(SB)算法,在短时间内解决组合优化问题方面表现出色,可以在不到一秒内解决包含上千个粒子规模的径迹重建问题,该问题转化为伊辛问题后的自旋数目高达十万。
SB算法对“比特数量”几乎没有限制,可以直接处理超大规模(比特数目可达上亿)的数据集。此外,与模拟退火不同,SB算法除了能够在CPU上运行,也可在GPU和FPGA实现并行加速;而模拟退火因其固有局限性,只能串行地更新自旋,不适合并行处理。弹道SB(bSB)算法是SB算法的变种,与模拟退火算法Neal(一个实现模拟退火的Python库)相比,在HL-LHC的最高径迹多重性条件(图1)下,其速度最高提升了约1万倍(图2),并提供了出色的重建效率和纯度。
这种新颖的量子启发方法是面向未来的新技术,不仅可以应用于目前正在运行的对撞机实验,如LHC和北京正负电子对撞机(BEPCII)的北京谱仪(BESIII)探测器, 也有望应用于未来更大规模的对撞机。
图1:研究中考虑的最高粒子多样性事例显示。绿色(红色)线表示正确(不正确)重建的径迹,而蓝色线表示未重建的。此显示是使用hepqpr-qallse框架生成的。