فیزیکدانان ذرات از هوش مصنوعی برای دینامیک پرتو - دنیای فیزیک کمک می گیرند

فیزیکدانان ذرات از هوش مصنوعی برای دینامیک پرتو - دنیای فیزیک کمک می گیرند

تمبر زمان: 23 مه 2023 ساعت 12:00 بعد از ظهر

یک نمایش گرافیکی از پرتو ذرات در یک شتاب دهنده. پرتو به عنوان یک جت از نقاط آبی روشن در حال پرواز در فضای سیاه که با خطوط شبکه آبی مشخص شده است ظاهر می شود.
شکل‌دهی: یک الگوریتم جدید یادگیری ماشین به فیزیکدانان کمک می‌کند تا اشکال پرتوهای شتاب‌دهنده ذرات را از مقادیر ناچیزی داده‌های آموزشی بازسازی کنند. (تقدیم: Greg Steward/SLAC National Accelerator Lab)

محققان در ایالات متحده یک الگوریتم یادگیری ماشینی توسعه داده‌اند که با دقت شکل پرتوهای شتاب‌دهنده ذرات را از مقادیر بسیار کمی از داده‌های آموزشی بازسازی می‌کند. به گفته رهبر تیم، الگوریتم جدید باید درک نتایج آزمایش‌های شتاب‌دهنده را آسان‌تر کند و می‌تواند منجر به پیشرفت‌هایی در تفسیر آنها شود. رایان راسل از آزمایشگاه شتاب دهنده ملی SLAC.

بسیاری از بزرگترین اکتشافات در فیزیک ذرات از مشاهده آنچه اتفاق می افتد هنگامی که پرتوهای ذرات با سرعت نزدیک به نور به اهداف خود برخورد می کنند، حاصل شده است. از آنجایی که این پرتوها پرانرژی و پیچیده تر می شوند، حفظ کنترل دقیق روی دینامیک آنها برای قابل اعتماد نگه داشتن نتایج بسیار مهم می شود.

برای حفظ این سطح از کنترل، فیزیکدانان باید شکل پرتوها و لحظه‌ای را تا حد امکان دقیق پیش‌بینی کنند. اما پرتوها ممکن است حاوی میلیاردها ذره باشند، و برای محاسبه موقعیت و لحظه لحظه هر ذره به صورت جداگانه، به مقادیر زیادی قدرت محاسباتی نیاز است. در عوض، آزمایش‌کنندگان توزیع‌های ساده‌شده‌ای را محاسبه می‌کنند که ایده‌ای تقریبی از شکل کلی پرتو ارائه می‌کند. این مسئله را از نظر محاسباتی قابل حل می کند، اما همچنین به این معنی است که بسیاری از اطلاعات مفید موجود در پرتو دور ریخته می شود.

راسل می‌گوید: «برای توسعه شتاب‌دهنده‌هایی که می‌توانند پرتوها را دقیق‌تر از روش‌های فعلی کنترل کنند، باید بتوانیم اندازه‌گیری‌های تجربی را بدون استفاده از این تقریب‌ها تفسیر کنیم.

کمک هوش مصنوعی

برای تیم SLAC، قدرت پیش‌بینی هوش مصنوعی، به‌علاوه روش‌های پیشرفته برای ردیابی حرکات ذرات، راه‌حل بالقوه امیدوارکننده‌ای را ارائه کرد. روسل توضیح می‌دهد: «مطالعه ما دو تکنیک جدید را برای تفسیر مؤثر اندازه‌گیری‌های پرتو معرفی کرد. این مدل‌های یادگیری ماشینی مبتنی بر فیزیک به داده‌های بسیار کمتری نسبت به مدل‌های معمولی برای پیش‌بینی دقیق نیاز دارند.»

راسل ادامه می‌دهد که اولین تکنیک شامل یک الگوریتم یادگیری ماشینی است که درک کنونی دانشمندان از دینامیک پرتو ذرات را در بر می‌گیرد. این الگوریتم به تیم اجازه داد تا بر اساس چند اندازه گیری، اطلاعات دقیقی در مورد توزیع موقعیت ذرات و لحظه در امتداد هر سه محور موازی و عمود بر جهت حرکت پرتو بازسازی کنند. تکنیک دوم یک رویکرد ریاضی هوشمندانه است که تیم را قادر می سازد شبیه سازی پرتو را در مدل های مورد استفاده برای آموزش الگوریتم یادگیری ماشین ادغام کند. این امر دقت پیش بینی های الگوریتم را حتی بیشتر بهبود بخشید.

راسل و همکارانش این تکنیک‌ها را با استفاده از داده‌های تجربی آزمایش کردند شتاب دهنده Argonne Wakefield در آزمایشگاه ملی آرگون وزارت انرژی ایالات متحده در ایلینوی. هدف آنها بازسازی موقعیت و توزیع تکانه پرتوهای الکترونی پرانرژی پس از عبور پرتوها از شتاب دهنده خطی بود. راسل می‌گوید: «ما دریافتیم که روش بازسازی ما قادر است اطلاعات بسیار دقیق‌تری در مورد توزیع پرتو از اندازه‌گیری‌های فیزیک شتاب‌دهنده ساده نسبت به روش‌های معمولی استخراج کند.

پیش بینی های بسیار دقیق

پس از آموزش مدل خود با تنها 10 نمونه داده، محققان دریافتند که می توانند دینامیک پرتوهای الکترونی را در 10 نمونه دیگر با دقت بسیار بالا و بر اساس مجموعه های ساده اندازه گیری پیش بینی کنند. با رویکردهای قبلی، چندین هزار نمونه برای به دست آوردن همان کیفیت نتایج مورد نیاز بود.

راسل می‌گوید: «کار ما گام‌های مهمی در جهت دستیابی به اهداف انجمن‌های فیزیک شتاب‌دهنده و پرتو برای توسعه تکنیک‌هایی برای کنترل پرتوهای ذرات تا سطح ذرات جداگانه برداشته است.

محققانی که کار خود را در Physical Review Letters به, امیدواریم انعطاف‌پذیری و جزئیات رویکرد جدید به آزمایش‌کنندگان آینده کمک کند تا حداکثر اطلاعات مفید را از داده‌های تجربی استخراج کنند. با گذشت زمان، چنین کنترل شدیدی حتی می‌تواند فیزیکدانان را یک قدم به پاسخگویی به سؤالات اساسی در مورد ماهیت ماده و جهان نزدیک‌تر کند.

تمبر زمان:

بیشتر از دنیای فیزیک