Les physiciens des particules bénéficient de l'aide de l'IA pour la dynamique des faisceaux – Physics World

Des chercheurs aux États-Unis ont développé un algorithme d'apprentissage automatique qui reconstruit avec précision les formes des faisceaux d'accélérateurs de particules à partir d'infimes quantités de données d'entraînement. Le nouvel algorithme devrait faciliter la compréhension des résultats des expériences sur les accélérateurs et pourrait conduire à des percées dans leur interprétation, selon le chef d'équipe Ryan Roussel des Laboratoire national des accélérateurs du SLAC.

Bon nombre des plus grandes découvertes en physique des particules sont venues de l'observation de ce qui se passe lorsque des faisceaux de particules s'écrasent sur leurs cibles à une vitesse proche de la lumière. Ces faisceaux devenant de plus en plus énergétiques et complexes, le maintien d'un contrôle étroit de leur dynamique devient crucial pour la fiabilité des résultats.

Pour maintenir ce niveau de contrôle, les physiciens doivent prédire les formes et les impulsions des faisceaux aussi précisément que possible. Mais les faisceaux peuvent contenir des milliards de particules, et il faudrait une grande puissance de calcul pour calculer les positions et les impulsions de chaque particule individuellement. Au lieu de cela, les expérimentateurs calculent des distributions simplifiées qui donnent une idée approximative de la forme globale du faisceau. Cela rend le problème calculable, mais cela signifie également que de nombreuses informations utiles contenues dans le faisceau sont perdues.

"Afin de développer des accélérateurs capables de contrôler les faisceaux avec plus de précision que les méthodes actuelles, nous devons être capables d'interpréter les mesures expérimentales sans recourir à ces approximations", explique Roussel.

Assistance IA

Pour l'équipe du SLAC, la puissance prédictive de l'IA, ainsi que des méthodes avancées de suivi des mouvements de particules, offraient une solution potentielle prometteuse. « Notre étude a introduit deux nouvelles techniques pour interpréter efficacement les mesures détaillées du faisceau », explique Roussel. "Ces modèles d'apprentissage automatique basés sur la physique ont besoin de beaucoup moins de données que les modèles conventionnels pour faire des prédictions précises."

La première technique, poursuit Roussel, implique un algorithme d'apprentissage automatique qui intègre la compréhension actuelle des scientifiques de la dynamique des faisceaux de particules. Cet algorithme a permis à l'équipe de reconstruire des informations détaillées sur les distributions des positions et des impulsions des particules le long des trois axes parallèles et perpendiculaires à la direction de déplacement du faisceau, sur la base de quelques mesures seulement. La deuxième technique est une approche mathématique intelligente qui a permis à l'équipe d'intégrer des simulations de faisceaux dans les modèles utilisés pour former l'algorithme d'apprentissage automatique. Cela a encore amélioré la précision des prédictions de l'algorithme.

Roussel et ses collègues ont testé ces techniques en utilisant des données expérimentales de la Accélérateur Argonne Wakefield au laboratoire national d'Argonne du Département américain de l'énergie dans l'Illinois. Leur objectif était de reconstruire les distributions de position et d'impulsion des faisceaux d'électrons énergétiques après que les faisceaux aient traversé l'accélérateur linéaire. "Nous avons constaté que notre méthode de reconstruction était capable d'extraire des informations beaucoup plus détaillées sur la distribution du faisceau à partir de simples mesures physiques de l'accélérateur que les méthodes conventionnelles", a déclaré Roussel.

Des prédictions très précises

Après avoir formé leur modèle avec seulement 10 échantillons de données, les chercheurs ont découvert qu'ils pouvaient prédire la dynamique des faisceaux d'électrons dans 10 autres échantillons de manière extrêmement précise, sur la base de simples ensembles de mesures. Avec les approches précédentes, plusieurs milliers d'échantillons auraient été nécessaires pour obtenir la même qualité de résultats.

IA et physique des particules : un partenariat puissant

«Notre travail franchit des étapes importantes vers la réalisation des objectifs des communautés de la physique des accélérateurs et des faisceaux de développer des techniques pour contrôler les faisceaux de particules jusqu'au niveau des particules individuelles», déclare Roussel.

Les chercheurs, qui rapportent leurs travaux Physical Review Letters, espérons que la flexibilité et les détails de la nouvelle approche aideront les futurs expérimentateurs à extraire le maximum d'informations utiles à partir des données expérimentales. Avec le temps, un contrôle aussi strict pourrait même rapprocher les physiciens de la réponse à des questions fondamentales sur la nature de la matière et de l'univers.

• Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
• PlatoAiStream. Intelligence des données Web3. Connaissance Amplifiée. Accéder ici.
• Frapper l'avenir avec Adryenn Ashley. Accéder ici.
• Achetez et vendez des actions de sociétés PRE-IPO avec PREIPO®. Accéder ici.
• La source: https://physicsworld.com/a/particle-physicists-get-ai-help-with-beam-dynamics/