| Date: |
2026 |
| Abstract: |
Aquesta tesi explora la intersecció entre la computació quàntica, els enfocaments inspirats en la quàntica i l'aprenentatge automàtic (AA), amb un enfocament especial en aplicacions a la física d'altes energies (FAE). A mesura que l'AA s'integra en els fluxos de treball científics, s'investiguen tant els mètodes quàntics com els inspirats en la quàntica pel seu potencial per abordar tasques complexes basades en dades. Tanmateix, hi ha una bretxa significativa entre els avenços teòrics i el seu desplegament pràctic en dominis on les dades són d'alta dimensionalitat i estructurades, com ara la FAE, especialment sota les restriccions d'implementació presents al Gran Col·lisionador d'Hadrons (GCH) del CERN. Impulsada per tasques rellevants en aplicacions de física al GCH, aquesta tesi presenta diverses contribucions en tasques de detecció i classificació d'anomalies, particularment en el context de l'anàlisi de subestructures de jets. L'exploració d'enfocaments híbrids quàntic-clàssics demostra la utilitat pràctica dels components quàntics integrats en canalitzacions clàssiques. Tanmateix, les limitacions actuals del maquinari quàntic han motivat la investigació de l'ús pràctic de les Xarxes Tensorials (XT), que modelen estructures de tipus quàntic alhora que s'executen en maquinari clàssic, fet que les fa especialment adequades per a aplicacions al GCH. Un esforç central d'aquesta tesi és el desenvolupament de la biblioteca de codi obert tn4ml, dissenyada per a l'entrenament, la personalització i l'avaluació comparativa de models basats en XT dins de canalitzacions d'aprenentatge automàtic. Aquesta biblioteca dóna suport al desenvolupament d'aplicacions físiques reals, com ara un model probabilístic basat en XT que utilitza estats de producte matricial per detectar anomalies a l'espai latent d'esdeveniments del GCH, i un model de classificació XT per a l'etiquetatge de jets amb un possible desplegament al sistema de disparador en temps real del GCH. A més, s'estudia un mètode híbrid quàntic-clàssic per a la detecció d'anomalies en esdeveniments de col·lisió protó-protó. Aquestes aplicacions s'han desenvolupat i avaluat mitjançant una anàlisi sistemàtica del rendiment, incloent-hi mètriques específiques del problema, com ara el temps d'execució i la complexitat del model. Els resultats obtinguts suggereixen que els models híbrids i basats en XT poden oferir solucions competitives i escalables en entorns d'aprenentatge automàtic aplicats i específics de la FAE. Des d'una perspectiva més àmplia, aquest treball contribueix a reduir la bretxa entre els mètodes quàntics teòrics i els d'inspiració quàntica i la seva implementació pràctica, mostrant models específics de domini, proporcionant eines per a la seva adaptació en fluxos de treball d'aprenentatge automàtic i avaluant-ne la utilitat en escenaris realistes. |
| Abstract: |
Esta tesis explora la intersección entre la computación cuántica, los enfoques inspirados en la cuántica y el aprendizaje automático (AA), con un enfoque especial en las aplicaciones a la física de altas energías (FAE). A medida que el AA se integra en los flujos de trabajo científicos, se investigan tanto los métodos cuánticos como los inspirados en la cuántica por su potencial para abordar tareas complejas basadas en datos. Sin embargo, existe una brecha significativa entre los avances teóricos y su despliegue práctico en dominios donde los datos son de alta dimensionalidad y están estructurados, como en la FAE, especialmente bajo las restricciones de implementación presentes en el Gran Colisionador de Hadrones (GCH) del CERN. Impulsada por tareas relevantes en aplicaciones de física en el GCH, esta tesis presenta diversas contribuciones en tareas de detección y clasificación de anomalías, particularmente en el contexto del análisis de subestructuras de jets. La exploración de enfoques híbridos cuántico-clásicos demuestra la utilidad práctica de los componentes cuánticos integrados en canalizaciones clásicas. No obstante, las limitaciones actuales del hardware cuántico han motivado la investigación del uso práctico de las Redes Tensoriales (RT), que modelan estructuras de tipo cuántico y pueden ejecutarse en hardware clásico, lo que las hace especialmente adecuadas para aplicaciones en el GCH. Un esfuerzo central de esta tesis es el desarrollo de la biblioteca de código abierto \texttt{tn4ml}, diseñada para el entrenamiento, la personalización y la evaluación comparativa de modelos basados en RT dentro de canalizaciones de aprendizaje automático. Esta biblioteca apoya el desarrollo de aplicaciones físicas reales, como un modelo probabilístico basado en RT que utiliza estados de producto matricial para detectar anomalías en el espacio latente de eventos del GCH, y un modelo de clasificación RT para el etiquetado de jets con posible implementación en el sistema de disparo en tiempo real del GCH. Además, se estudia un método híbrido cuántico-clásico para la detección de anomalías en eventos de colisión protón-protón. Estas aplicaciones se desarrollan y evalúan mediante un análisis sistemático del rendimiento, incluyendo métricas específicas del problema, como el tiempo de ejecución y la complejidad del modelo. Los resultados obtenidos sugieren que los modelos híbridos y basados en RT pueden ofrecer soluciones competitivas y escalables en entornos de aprendizaje automático aplicados y específicos de la FAE. Desde una perspectiva más amplia, este trabajo contribuye a reducir la brecha entre los métodos cuánticos teóricos y los de inspiración cuántica y su implementación práctica, mostrando modelos específicos de dominio, proporcionando herramientas para su adaptación en flujos de trabajo de aprendizaje automático y evaluando su utilidad en escenarios realistas. |
| Abstract: |
This thesis explores the intersection of quantum computing, quantum-inspired approaches and machine learning (ML), focusing on applications in high-energy physics (HEP). As ML becomes embedded in scientific workflows, both quantum and quantum-inspired methods are being investigated for their potential to tackle complex, data-driven tasks. However, there exists a significant gap between theoretical advances and their practical deployment in domains where data is high-dimensional and structured, such as HEP, specifically under the implementation constraints present at the Large Hadron Collider (LHC) at CERN. Driven by relevant tasks in physics applications at the LHC, this work presents several contributions across anomaly detection and classification tasks, particularly in the context of jet substructure analysis. The exploration of hybrid quantum-classical approaches demonstrates the practical utility of quantum components integrated into classical pipelines. However, the current limitations of quantum hardware have inspired the investigation of practical usage of Tensor Networks (TN), which model quantum-like structures while being executable on classical hardware, and are thus suitable for LHC applications. A central effort of this thesis is the development of the open-source library tn4ml, designed for training, customization and benchmarking of TN-based models in ML pipelines. This library supports the development of real-life physics applications, including: a probabilistic TN-based model using Matrix Product States for detecting anomalies in the latent space of LHC events; and a TN classification model for jet tagging with potential deployment in the real-time trigger system at the LHC. On top of this, a hybrid quantum-classical method is studied for anomaly detection in proton-proton collision events. These applications are developed and evaluated through systematic performance analysis, including problem-specific metrics, such as execution time and model complexity. Our results suggest that hybrid and TN-based models can offer competitive and scalable solutions in HEP-specific and applied ML settings. From a broader perspective, this work contributes to bridging a gap between theoretical quantum and quantum-inspired methods and their practical implementation by showcasing domain-specific models, providing tools for their adaptation in ML workflows and evaluating their utility in realistic scenarios. |
| Abstract: |
Universitat Autònoma de Barcelona. Programa de Doctorat en Física. |
| Rights: |
Aquest material està protegit per drets d'autor i/o drets afins. Podeu utilitzar aquest material en funció del que permet la legislació de drets d'autor i drets afins d'aplicació al vostre cas. Per a d'altres usos heu d'obtenir permís del(s) titular(s) de drets.  |
| Language: |
Anglès |
| Series: |
Programa de Doctorat en Física |
| Document: |
Tesi doctoral ; Text ; Versió publicada |
| Subject: |
Inspirat quànticament ;
Quantum-inspired ;
Inspirado cuánticamente ;
Aprenentatge automàtic ;
Machine Learning ;
Aprendizaje automático ;
Física d'altes energies ;
High-energy physics ;
Física de altas energías ;
Tecnologies |
guest ::
dir.
