La fisica delle alte energie (HEP), studiata con il Large Hadron Collider presso il CERN di Ginevra, sta entrando nell’era High Luminosity (HL-LHC), in cui sia la scala che il combinatorio di un tipico evento di collisione pongono seri limiti alle prestazioni degli algoritmi classici di track reconstruction. In questo regime il numero di interazioni protone-protone per beam crossing è destinato ad aumentare di un fattore 3–5 negli esperimenti general purpose (in media da circa 50 a 140–200 interazioni primarie per collisione), motivando una ricerca di frontiera in nuove tecnologie come risposta al problema del tracking di particelle cariche nei futuri esperimenti. Il quantum computing e i metodi di machine learning si sono dimostrati essere due delle tecnologie informatiche emergenti più promettenti del nostro tempo. Questo lavoro si colloca all’intersezione di questi due campi. In questa tesi sviluppo metodi di Quantum Machine Learning (QML) per fisica delle alte energie lungo due linee di ricerca complementari: un algoritmo variazionale near-term per la classificazione di segmenti di traccia, e un algoritmo beyond-NISQ (Noisy Intermediate-Scale Quantum) che sfrutta la trasformata di Fourier quantisitca per gruppi finiti non-abeliani, applicata al gruppo Simmetrico
Sn, per modellare come distribuzione di probabilità su permutazioni il problema di identity management che si presenta in modo naturale nel tracking multi-oggetto. Il primo progetto presentato in questa tesi è una Quantum Graph Neural Network (QGNN) ibrida per problemi edge-level. In questo contesto le traiettorie delle particelle sono rappresentate come grafi e una quantum graph neural network viene addestrata per eseguire la classificazione dei segmenti di traccia candidati. Vengono presentati i risultati sulla caratterizzazione dell’architettura originale, con test di scalabilità per valori di pileup crescenti. Si discutono le prestazioni e le criticità di questo approccio, presentando infine un aggiornamento dell’architettura QGNN originale sia nella componente classica sia in quella quantistica. Si forniscono inoltre considerazioni su vari aspetti dello sviluppo del codice in diversi ecosistemi di programmazione quantisitca, sfruttando i moderni acceleratori come emulatori di risorse di quantum computing. Guardando oltre NISQ, viene sviluppato un nuovo approccio di QML per trattare assignment problem legati al tracking, come evoluzione di distribuzioni di probabilità su elementi del gruppo Simmetrico
Sn. Si sfrutta lo scaling polilogaritmico, ipotizzato per la trasformata quantistica di Fourier non-abeliana nella dimensione del gruppo, per progettare un algoritmo interamente quantistico in grado di risolvere problemi di identity management classicamente inefficienti. Si discute il framework di teoria dei gruppi derivato per il progetto, insieme al primo schema dell’algoritmo. In particolare, si riportano lo sviluppo e l'analisi di complessità della subroutine di diffusione, con una prospettiva sugli studi per lo step di update Bayesiano, attualmente in fase di sviluppo. Complessivamente, questa tesi contribuisce all’avanzamento del quantum machine learning per fisica delle alte energie sia dalla prospettiva empirica dell’era NISQ, con uno studio approfondito sulle architetture QGNN per il tracking ad alta luminosità, sia ponendo le basi per una nuova famiglia di algoritmi per fault tolerant quantum computing, radicata nelle proprietà della teoria dei gruppi non abeliani per
Sn applicate a problemi di identity management.