Hiukkasfyysikot saavat tekoälyapua säteen dynamiikkaan – Physics World

Yhdysvaltalaiset tutkijat ovat kehittäneet koneoppimisalgoritmin, joka rekonstruoi tarkasti hiukkaskiihdytinsäteiden muodot pienistä koulutusdatamääristä. Tiiminjohtajan mukaan uuden algoritmin pitäisi helpottaa kiihdytinkokeiden tulosten ymmärtämistä ja johtaa läpimurtoihin niiden tulkinnassa Ryan Roussel että SLAC: n kansallinen kiihdytinlaboratorio.

Monet hiukkasfysiikan suurimmista löydöistä ovat tulleet havainnoimalla, mitä tapahtuu, kun hiukkassäteet törmäävät kohteisiinsa lähellä valonnopeutta. Kun näistä säteistä tulee yhä energisempiä ja monimutkaisempia, niiden dynamiikan tiukka hallinta tulee ratkaisevan tärkeäksi tulosten luotettavuuden kannalta.

Tämän hallinnan tason ylläpitämiseksi fyysikkojen on ennustettava säteen muodot ja momentit mahdollisimman tarkasti. Mutta säteet voivat sisältää miljardeja hiukkasia, ja jokaisen hiukkasen sijainnin ja momentin laskeminen erikseen vaatisi valtavia määriä laskentatehoa. Sen sijaan kokeilijat laskevat yksinkertaistettuja jakaumia, jotka antavat karkean kuvan säteen yleisestä muodosta. Tämä tekee ongelmasta laskennallisesti selvitettävissä, mutta se tarkoittaa myös sitä, että paljon palkin sisältämää hyödyllistä tietoa heitetään pois.

"Jotta voimme kehittää kiihdyttimiä, jotka pystyvät ohjaamaan säteitä nykymenetelmiä tarkemmin, meidän on kyettävä tulkitsemaan kokeellisia mittauksia turvautumatta näihin likiarvoihin", Roussel sanoo.

AI apu

SLAC:n tiimille tekoälyn ennustevoima sekä kehittyneet menetelmät hiukkasten liikkeiden seurantaan tarjosivat lupaavan mahdollisen ratkaisun. "Tutkimuksemme esitteli kaksi uutta tekniikkaa yksityiskohtaisten sädemittausten tehokkaaseen tulkitsemiseen", Roussel selittää. "Nämä fysiikkatietoiset koneoppimismallit tarvitsevat huomattavasti vähemmän dataa kuin perinteiset mallit tarkkojen ennusteiden tekemiseen."

Ensimmäinen tekniikka, Roussel jatkaa, sisältää koneoppimisalgoritmin, joka sisältää tutkijoiden nykyisen ymmärryksen hiukkassäteen dynamiikasta. Tämä algoritmi antoi ryhmälle mahdollisuuden rekonstruoida yksityiskohtaisia ​​tietoja hiukkasten paikkojen ja momenttien jakaumista kaikilla kolmella akselilla, jotka ovat yhdensuuntaisia ​​ja kohtisuorassa säteen kulkusuuntaan nähden, perustuen vain muutamaan mittaukseen. Toinen tekniikka on älykäs matemaattinen lähestymistapa, jonka avulla tiimi pystyi integroimaan palkkisimulaatioita koneoppimisalgoritmin kouluttamiseen käytettyihin malleihin. Tämä paransi algoritmin ennusteiden tarkkuutta entisestään.

Roussel ja kollegat testasivat näitä tekniikoita käyttämällä kokeellisia tietoja Argonne Wakefield Accelerator Yhdysvaltain energiaministeriön Argonnen kansallisessa laboratoriossa Illinoisissa. Heidän tavoitteenaan oli rekonstruoida energisten elektronisuihkujen sijainti- ja liikemääräjakaumat sen jälkeen, kun säteet ovat kulkeneet lineaarikiihdytin. "Huomasimme, että rekonstruktiomenetelmämme pystyi poimimaan huomattavasti yksityiskohtaisempaa tietoa säteen jakautumisesta yksinkertaisista kiihdyttimen fysiikan mittauksista kuin perinteiset menetelmät", Roussel sanoo.

Erittäin tarkkoja ennusteita

Koulutettuaan malliaan vain 10 datanäytteellä, tutkijat havaitsivat, että he pystyivät ennustamaan elektronisuihkun dynamiikan vielä 10 näytteessä erittäin tarkasti yksinkertaisten mittaussarjojen perusteella. Aikaisemmilla lähestymistavoilla olisi tarvittu useita tuhansia näytteitä samanlaatuisten tulosten saamiseksi.

Tekoäly ja hiukkasfysiikka: tehokas kumppanuus

"Työmme vie merkittäviä askeleita kohti kiihdytin- ja sädefysiikkayhteisöjen tavoitteita kehittää tekniikoita hiukkassuihkujen hallitsemiseksi yksittäisten hiukkasten tasolle asti", Roussel sanoo.

Tutkijat, jotka raportoivat työstään Fyysisen tarkastelun kirjaimet, toivon, että uuden lähestymistavan joustavuus ja yksityiskohdat auttavat tulevia kokeilijoita poimimaan mahdollisimman paljon hyödyllistä tietoa kokeellisista tiedoista. Ajan mittaan tällainen tiukka valvonta voisi jopa viedä fyysikot askeleen lähemmäksi aineen ja maailmankaikkeuden luonteen peruskysymyksiin vastaamista.

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• PlatoAiStream. Web3 Data Intelligence. Tietoa laajennettu. Pääsy tästä.
• Tulevaisuuden lyöminen Adryenn Ashley. Pääsy tästä.
• Osta ja myy osakkeita PRE-IPO-yhtiöissä PREIPO®:lla. Pääsy tästä.
• Lähde: https://physicsworld.com/a/particle-physicists-get-ai-help-with-beam-dynamics/