Osakeste füüsikud saavad tehisintellekti abi kiirdünaamika osas – Physics World

USA teadlased on välja töötanud masinõppe algoritmi, mis rekonstrueerib täpselt osakeste kiirendikiirte kujud pisikeste treeningandmete põhjal. Meeskonnajuhi sõnul peaks uus algoritm hõlbustama kiirendikatsete tulemuste mõistmist ja võib viia läbimurdeni nende tõlgendamisel Ryan Roussel Euroopa SLACi riiklik kiirendilabor.

Paljud osakestefüüsika suurimad avastused on tulnud jälgides, mis juhtub siis, kui osakeste kiired valguse kiirusel lähedasel sihtmärgil pihta löövad. Kuna need talad muutuvad üha energilisemaks ja keerukamaks, muutub nende dünaamika üle range kontrolli säilitamine tulemuste usaldusväärseks hoidmiseks ülioluliseks.

Selle kontrollitaseme säilitamiseks peavad füüsikud võimalikult täpselt ennustama kiire kuju ja momenti. Kuid talad võivad sisaldada miljardeid osakesi ja iga osakese asukoha ja momendi eraldi arvutamiseks kuluks tohutult palju arvutusvõimsust. Selle asemel arvutavad katsetajad lihtsustatud jaotusi, mis annavad ligikaudse ettekujutuse tala üldisest kujust. See muudab probleemi arvutuslikult jälgitavaks, kuid tähendab ka seda, et palju kiires sisalduvat kasulikku teavet visatakse minema.

"Selleks, et töötada välja kiirendid, mis suudavad kiireid juhtida täpsemini kui praegused meetodid, peame suutma tõlgendada eksperimentaalseid mõõtmisi ilma neid lähendusi kasutamata, " ütleb Roussel.

AI abi

SLAC-i meeskonna jaoks pakkus AI ennustav jõud ja täiustatud meetodid osakeste liikumise jälgimiseks paljutõotavat potentsiaalset lahendust. "Meie uuring tutvustas kahte uut tehnikat üksikasjalike kiirmõõtmiste tõhusaks tõlgendamiseks, " selgitab Roussel. "Need füüsikapõhised masinõppemudelid vajavad täpsete prognooside tegemiseks oluliselt vähem andmeid kui tavalised mudelid."

Esimene tehnika, jätkab Roussel, hõlmab masinõppe algoritmi, mis hõlmab teadlaste praegust arusaama osakeste kiirte dünaamikast. See algoritm võimaldas meeskonnal vaid mõne mõõtmise põhjal rekonstrueerida üksikasjalikku teavet osakeste positsioonide ja momentide jaotuse kohta kõigi kolme telje kohta, mis on paralleelsed ja risti tala liikumissuunaga. Teine meetod on nutikas matemaatiline lähenemine, mis võimaldas meeskonnal integreerida kiirsimulatsioonid masinõppe algoritmi koolitamiseks kasutatavatesse mudelitesse. See parandas algoritmi ennustuste täpsust veelgi.

Roussel ja tema kolleegid katsetasid neid tehnikaid, kasutades eksperimentaalseid andmeid Argonne Wakefieldi kiirendi USA energeetikaministeeriumi Argonne'i riiklikus laboris Illinoisis. Nende eesmärk oli rekonstrueerida energeetiliste elektronkiirte asukoht ja impulsi jaotus pärast seda, kui kiired läbivad lineaarkiirendit. "Leidsime, et meie rekonstrueerimismeetod suutis lihtsatest kiirendi füüsikalistest mõõtmistest saada palju üksikasjalikumat teavet kiire jaotuse kohta kui tavalised meetodid, " ütleb Roussel.

Väga täpsed ennustused

Pärast oma mudeli koolitamist vaid 10 andmeprooviga leidsid teadlased, et nad suudavad lihtsate mõõtmiskomplektide põhjal ülitäpselt ennustada elektronkiirte dünaamikat veel 10 proovis. Varasemate lähenemisviiside korral oleks sama kvaliteediga tulemuste saamiseks vaja olnud mitu tuhat proovi.

AI ja osakeste füüsika: võimas partnerlus

"Meie töö astub olulisi samme kiirendi ja valgusvihu füüsika kogukondade eesmärkide saavutamiseks, arendades tehnikaid osakeste kiirte juhtimiseks kuni üksikute osakeste tasemeni, " ütleb Roussel.

Teadlased, kes teatavad oma tööst aastal Physical Review Letters, loodan, et uue lähenemisviisi paindlikkus ja üksikasjalikkus aitavad tulevastel katsetajatel katseandmetest saada maksimaalselt kasulikku teavet. Aja jooksul võib selline range kontroll viia füüsikud isegi sammu lähemale aine ja universumi olemust puudutavatele põhiküsimustele vastamisele.

• SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
• PlatoAiStream. Web3 andmete luure. Täiustatud teadmised. Juurdepääs siia.
• Tuleviku rahapaja Adryenn Ashley. Juurdepääs siia.
• Ostke ja müüge IPO-eelsete ettevõtete aktsiaid koos PREIPO®-ga. Juurdepääs siia.
• Allikas: https://physicsworld.com/a/particle-physicists-get-ai-help-with-beam-dynamics/