Οι φυσικοί σωματιδίων λαμβάνουν βοήθεια με τεχνητή νοημοσύνη με τη δυναμική δέσμης – Physics World

Ερευνητές στις ΗΠΑ ανέπτυξαν έναν αλγόριθμο μηχανικής μάθησης που αναδομεί με ακρίβεια τα σχήματα των δεσμών επιταχυντών σωματιδίων από μικροσκοπικές ποσότητες δεδομένων εκπαίδευσης. Ο νέος αλγόριθμος θα πρέπει να διευκολύνει την κατανόηση των αποτελεσμάτων των πειραμάτων επιταχυντών και θα μπορούσε να οδηγήσει σε ανακαλύψεις στην ερμηνεία τους, σύμφωνα με τον επικεφαλής της ομάδας Ράιαν Ρουσέλ του Εθνικό εργαστήριο επιταχυντών SLAC.

Πολλές από τις μεγαλύτερες ανακαλύψεις στη σωματιδιακή φυσική προέρχονται από την παρατήρηση του τι συμβαίνει όταν δέσμες σωματιδίων χτυπούν τους στόχους τους με ταχύτητα κοντά στην ταχύτητα του φωτός. Καθώς αυτές οι δοκοί γίνονται όλο και πιο ενεργητικές και πολύπλοκες, η διατήρηση αυστηρού ελέγχου της δυναμικής τους καθίσταται ζωτικής σημασίας για τη διατήρηση των αποτελεσμάτων αξιόπιστα.

Για να διατηρήσουν αυτό το επίπεδο ελέγχου, οι φυσικοί πρέπει να προβλέπουν σχήματα δέσμης και ροπές όσο το δυνατόν ακριβέστερα. Αλλά οι δέσμες μπορεί να περιέχουν δισεκατομμύρια σωματίδια και θα χρειαζόταν τεράστια ποσά υπολογιστικής ισχύος για τον υπολογισμό των θέσεων και της ροπής κάθε σωματιδίου ξεχωριστά. Αντίθετα, οι πειραματιστές υπολογίζουν απλοποιημένες κατανομές που παρέχουν μια πρόχειρη ιδέα για το συνολικό σχήμα της δέσμης. Αυτό καθιστά το πρόβλημα υπολογιστικά αντιμετωπίσιμο, αλλά σημαίνει επίσης ότι πολλές χρήσιμες πληροφορίες που περιέχονται στη δέσμη απορρίπτονται.

«Για να αναπτύξουμε επιταχυντές που μπορούν να ελέγχουν τις δέσμες με μεγαλύτερη ακρίβεια από τις τρέχουσες μεθόδους, πρέπει να είμαστε σε θέση να ερμηνεύσουμε πειραματικές μετρήσεις χωρίς να καταφεύγουμε σε αυτές τις προσεγγίσεις», λέει ο Roussel.

Βοήθεια AI

Για την ομάδα της SLAC, η προγνωστική δύναμη της τεχνητής νοημοσύνης, καθώς και οι προηγμένες μέθοδοι παρακολούθησης των κινήσεων των σωματιδίων, πρόσφεραν μια πολλά υποσχόμενη πιθανή λύση. «Η μελέτη μας εισήγαγε δύο νέες τεχνικές για την αποτελεσματική ερμηνεία λεπτομερών μετρήσεων δέσμης», εξηγεί ο Roussel. «Αυτά τα μοντέλα μηχανικής μάθησης με πληροφόρηση για τη φυσική χρειάζονται σημαντικά λιγότερα δεδομένα από τα συμβατικά μοντέλα για να κάνουν ακριβείς προβλέψεις».

Η πρώτη τεχνική, συνεχίζει ο Roussel, περιλαμβάνει έναν αλγόριθμο μηχανικής μάθησης που ενσωματώνει την τρέχουσα κατανόηση των επιστημόνων για τη δυναμική της δέσμης σωματιδίων. Αυτός ο αλγόριθμος επέτρεψε στην ομάδα να ανακατασκευάσει λεπτομερείς πληροφορίες σχετικά με τις κατανομές των θέσεων των σωματιδίων και της ροπής κατά μήκος και των τριών αξόνων παράλληλων και κάθετων προς την κατεύθυνση της διαδρομής της δέσμης, με βάση λίγες μόνο μετρήσεις. Η δεύτερη τεχνική είναι μια έξυπνη μαθηματική προσέγγιση που επέτρεψε στην ομάδα να ενσωματώσει προσομοιώσεις δέσμης στα μοντέλα που χρησιμοποιούνται για την εκπαίδευση του αλγόριθμου μηχανικής μάθησης. Αυτό βελτίωσε ακόμη περισσότερο την ακρίβεια των προβλέψεων του αλγορίθμου.

Ο Roussel και οι συνεργάτες του δοκίμασαν αυτές τις τεχνικές χρησιμοποιώντας πειραματικά δεδομένα από το Επιταχυντής Argonne Wakefield στο Εθνικό Εργαστήριο Argonne του Υπουργείου Ενέργειας των ΗΠΑ στο Ιλινόις. Ο στόχος τους ήταν να ανακατασκευάσουν τη θέση και την κατανομή της ορμής των ενεργειακών δεσμών ηλεκτρονίων αφού οι δέσμες περάσουν από τον γραμμικό επιταχυντή. «Διαπιστώσαμε ότι η μέθοδος ανακατασκευής μας ήταν σε θέση να εξάγει σημαντικά πιο λεπτομερείς πληροφορίες σχετικά με την κατανομή της δέσμης από απλές μετρήσεις φυσικής επιταχυντών από τις συμβατικές μεθόδους», λέει ο Roussel.

Προβλέψεις υψηλής ακρίβειας

Αφού εκπαίδευσαν το μοντέλο τους με μόλις 10 δείγματα δεδομένων, οι ερευνητές διαπίστωσαν ότι μπορούσαν να προβλέψουν τη δυναμική των δεσμών ηλεκτρονίων σε άλλα 10 δείγματα με εξαιρετική ακρίβεια, με βάση απλά σύνολα μετρήσεων. Με προηγούμενες προσεγγίσεις, θα χρειάζονταν αρκετές χιλιάδες δείγματα για να αποδώσουν την ίδια ποιότητα αποτελεσμάτων.

AI και σωματιδιακή φυσική: μια ισχυρή συνεργασία

«Η δουλειά μας κάνει σημαντικά βήματα προς την επίτευξη των στόχων των κοινοτήτων της φυσικής επιταχυντών και δέσμης για την ανάπτυξη τεχνικών για τον έλεγχο των δεσμών σωματιδίων μέχρι το επίπεδο των μεμονωμένων σωματιδίων», λέει ο Roussel.

Οι ερευνητές, που αναφέρουν την εργασία τους στο Επιστολές Φυσικής Επισκόπησης, Ελπίζουμε ότι η ευελιξία και η λεπτομέρεια της νέας προσέγγισης θα βοηθήσουν τους μελλοντικούς πειραματιστές να εξάγουν τη μέγιστη ποσότητα χρήσιμων πληροφοριών από τα πειραματικά δεδομένα. Με τον καιρό, ένας τέτοιος αυστηρός έλεγχος θα μπορούσε ακόμη και να φέρει τους φυσικούς ένα βήμα πιο κοντά στην απάντηση σε θεμελιώδη ερωτήματα σχετικά με τη φύση της ύλης και του σύμπαντος.

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoAiStream. Web3 Data Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• Minting the Future με την Adryenn Ashley. Πρόσβαση εδώ.
• Αγορά και πώληση μετοχών σε εταιρείες PRE-IPO με το PREIPO®. Πρόσβαση εδώ.
• πηγή: https://physicsworld.com/a/particle-physicists-get-ai-help-with-beam-dynamics/