Partikelfysikere får AI-hjælp med stråledynamik – Physics World

Partikelfysikere får AI-hjælp med stråledynamik – Physics World

Tidsstempel: 23. maj 2023 kl. 12

En grafisk fremstilling af en partikelstråle i en accelerator. Strålen fremstår som en stråle af klare blå prikker, der flyver gennem det sorte rum markeret med blå gitterlinjer
Formning: En ny maskinlæringsalgoritme hjælper fysikere med at rekonstruere formerne af partikelacceleratorstråler ud fra små mængder træningsdata. (Med høflighed: Greg Steward/SLAC National Accelerator Lab)

Forskere i USA har udviklet en maskinlæringsalgoritme, der nøjagtigt rekonstruerer formerne af partikelacceleratorstråler ud fra små mængder træningsdata. Den nye algoritme skulle gøre det lettere at forstå resultaterne af acceleratoreksperimenter og kunne føre til gennembrud i fortolkningen af ​​dem, ifølge teamleder Ryan Roussel af SLAC National Accelerator Laboratory.

Mange af de største opdagelser inden for partikelfysik er kommet fra at observere, hvad der sker, når stråler af partikler smadrer ind i deres mål tæt på lysets hastighed. Efterhånden som disse stråler bliver stadig mere energiske og komplekse, bliver det afgørende at bevare stram kontrol over deres dynamik for at holde resultaterne pålidelige.

For at opretholde dette kontrolniveau skal fysikere forudsige stråleformer og momenta så nøjagtigt som muligt. Men stråler kan indeholde milliarder af partikler, og det ville kræve enorme mængder computerkraft at beregne positionerne og momenta for hver partikel individuelt. I stedet beregner forsøgsledere forenklede fordelinger, der giver en groft ide om strålens overordnede form. Dette gør problemet beregningsmæssigt håndterbart, men det betyder også, at meget nyttig information indeholdt i strålen bliver smidt væk.

"For at udvikle acceleratorer, der kan styre stråler mere præcist end nuværende metoder, skal vi være i stand til at fortolke eksperimentelle målinger uden at ty til disse tilnærmelser," siger Roussel.

AI assistance

For teamet hos SLAC tilbød AI's forudsigelseskraft plus avancerede metoder til sporing af partikelbevægelser en lovende potentiel løsning. "Vores undersøgelse introducerede to nye teknikker til effektivt at fortolke detaljerede strålemålinger," forklarer Roussel. "Disse fysik-informerede maskinlæringsmodeller har brug for væsentligt færre data end konventionelle modeller for at lave præcise forudsigelser."

Den første teknik, fortsætter Roussel, involverer en maskinlæringsalgoritme, der inkorporerer videnskabsmænds nuværende forståelse af partikelstråledynamik. Denne algoritme gjorde det muligt for holdet at rekonstruere detaljerede oplysninger om fordelingen af ​​partikelpositioner og momenta langs alle tre akser parallelt og vinkelret på strålens bevægelsesretning, baseret på blot nogle få målinger. Den anden teknik er en smart matematisk tilgang, der gjorde det muligt for teamet at integrere strålesimuleringer i de modeller, der blev brugt til at træne maskinlæringsalgoritmen. Dette forbedrede nøjagtigheden af ​​algoritmens forudsigelser yderligere.

Roussel og kolleger testede disse teknikker ved hjælp af eksperimentelle data fra Argonne Wakefield Accelerator ved det amerikanske energiministeriums Argonne National Laboratory i Illinois. Deres mål var at rekonstruere positionen og momentumfordelingen af ​​energiske elektronstråler, efter at strålerne passerede gennem den lineære accelerator. "Vi fandt ud af, at vores rekonstruktionsmetode var i stand til at udtrække væsentligt mere detaljeret information om strålefordelingen fra simple acceleratorfysikmålinger end konventionelle metoder," siger Roussel.

Meget præcise forudsigelser

Efter at have trænet deres model med kun 10 prøver af data, fandt forskerne ud af, at de kunne forudsige elektronstrålernes dynamik i yderligere 10 prøver ekstremt nøjagtigt, baseret på simple sæt målinger. Med tidligere tilgange ville flere tusinde prøver have været nødvendige for at give samme kvalitet af resultater.

"Vores arbejde tager væsentlige skridt i retning af at nå accelerator- og strålefysiksamfundets mål om at udvikle teknikker til at kontrollere partikelstråler ned til niveauet af individuelle partikler," siger Roussel.

Forskerne, der rapporterer deres arbejde i Physical Review Letters, håber, at fleksibiliteten og detaljerne i den nye tilgang vil hjælpe fremtidige forsøgsledere med at udtrække den maksimale mængde nyttig information fra eksperimentelle data. Med tiden kunne en sådan stram kontrol endda bringe fysikere et skridt tættere på at besvare grundlæggende spørgsmål om stoffets og universets natur.

Tidsstempel:

Mere fra Fysik verden