Ovaj prijedlog nalazi se na mostu između kvantnog računarstva (QC) i algoritama (QA) i strojnog učenja (ML, od engl. Machine Learning) s jedne strane i fizike čestica s druge strane. Cilj mu je primjena i razvoj QC/QA i ML za goleme izazove fizike čestica na Velikom hadronskom sudarivaču (LHC), kako za klasifikaciju događaja tako i za rekonstrukciju čestica iz signala detektora. Za klasifikaciju, referentni signal koji se želi odvajati od pozadinskih procesa je supersimetrični top kvark (stop), fenomenološki dobro motivirana čestica, koja se aktivno traži na LHC-u. Prijedlog se nadovezuje i nadilazi ranije objavljene rezultate voditelja projekta, koji su uveli korištenje klasičnih i kvantnih ML alata u potrazi za stop česticom. Napredna neuronska mreža bit će podešena kao klasični ML, dok će se kvantni potporni vektorski stroj i kvantni varijacijski klasifikator koristiti kao kvantni ML. Za rekonstrukciju, cilj nam je odgovoriti na izazove faze visokog luminoziteta (HL) LHC-a, gdje će jako veliki broj istovremeno proizvedenih nabijenih čestica u detektoru predstavljati veliki računalni izazov, dakle za rekonstrukciju događaja: rekonstrukcija tragova čestica je, s postojećim algoritmima, toliko spora da se neće moći nositi s brojem istovremenih proton proton sudara koji se očekuju u uvjetima HL-LHC, njih preko 200. Stoga je cilj razviti algoritme temeljene na QA/QC koji su brži od klasičnih, a da zadrže svoju učinkovitost za rekonstrukciju tragova čestica. Izazov rekonstrukcije putanja čestica na HL- LHC-u je toliko golem da će sigurno doprinijeti razvoju QA/QC poljia. Planiramo istražiti primjenu kvantnih algoritama kao što su kvantno žarenje i kvantni hod na izazovni problem prepoznavanja uzoraka u detektorima za mjerenje tragova nabijenih čestica. Očekuje se da će manja složenost takvih algoritama rezultirati manjim CPU vremenom potrebnim za rekonstrukciju putanja čestica.