A részecskefizikusok mesterséges intelligencia segítséget kapnak a nyalábdinamikához – Physics World

Amerikai kutatók olyan gépi tanulási algoritmust fejlesztettek ki, amely kis mennyiségű tanítási adatból pontosan rekonstruálja a részecskegyorsító nyalábok alakját. A csoportvezető szerint az új algoritmus megkönnyíti a gyorsítókísérletek eredményeinek megértését, és áttörést jelenthet azok értelmezésében. Ryan Roussel az SLAC Nemzeti Gyorsító Laboratórium.

A részecskefizika számos legnagyobb felfedezése annak megfigyeléséből származik, hogy mi történik, amikor a részecskesugarak közel fénysebességgel ütköznek a célpontjukba. Ahogy ezek a gerendák egyre energikusabbá és összetettebbé válnak, a dinamika feletti szigorú ellenőrzés döntő fontosságú az eredmények megbízhatóságának megőrzéséhez.

Az ellenőrzés ezen szintjének fenntartásához a fizikusoknak a lehető legpontosabban meg kell jósolniuk a nyaláb alakját és momentumát. De a nyalábok több milliárd részecskét tartalmazhatnak, és hatalmas számítási teljesítményre lenne szükség az egyes részecskék helyzetének és nyomatékának egyenkénti kiszámításához. Ehelyett a kísérletezők egyszerűsített eloszlásokat számítanak ki, amelyek hozzávetőleges képet adnak a nyaláb általános alakjáról. Ez számításilag kezelhetővé teszi a problémát, ugyanakkor azt is jelenti, hogy a sugárban található sok hasznos információ kidobásra kerül.

„Ahhoz, hogy olyan gyorsítókat fejlesszünk ki, amelyek a jelenlegi módszereknél pontosabban tudják irányítani a nyalábokat, képesnek kell lennünk a kísérleti mérések értelmezésére anélkül, hogy ezekhez a közelítésekhez folyamodnánk” – mondja Roussel.

AI segítség

A SLAC csapata számára az AI előrejelző ereje, valamint a részecskék mozgásának követésére szolgáló fejlett módszerek ígéretes lehetséges megoldást kínáltak. „Tanulmányunk két új technikát vezetett be a részletes sugármérések hatékony értelmezésére” – magyarázza Roussel. „Ezeknek a fizikán alapuló gépi tanulási modelleknek lényegesen kevesebb adatra van szükségük, mint a hagyományos modelleknek a pontos előrejelzések készítéséhez.”

Az első technika – folytatja Roussel – egy gépi tanulási algoritmust foglal magában, amely magában foglalja a tudósok részecskenyaláb-dinamikával kapcsolatos jelenlegi ismereteit. Ez az algoritmus lehetővé tette a csapat számára, hogy néhány mérés alapján rekonstruáljon részletes információkat a részecskék pozícióinak és nyomatékainak eloszlásáról mindhárom tengely mentén, párhuzamosan és merőlegesen a nyaláb haladási irányával. A második technika egy okos matematikai megközelítés, amely lehetővé tette a csapat számára, hogy sugárszimulációkat integráljon a gépi tanulási algoritmus betanításához használt modellekbe. Ez még tovább javította az algoritmus előrejelzéseinek pontosságát.

Roussel és munkatársai ezeket a technikákat tesztelték a Argonne Wakefield gyorsító az Egyesült Államok Energiaügyi Minisztériumának Illinois állambeli Argonne Nemzeti Laboratóriumában. Céljuk az volt, hogy rekonstruálják az energetikai elektronsugarak helyzetét és impulzus-eloszlását, miután a nyaláb áthaladt a lineáris gyorsítón. „Úgy találtuk, hogy a rekonstrukciós módszerünk lényegesen részletesebb információt tudott kinyerni a nyalábeloszlásról egyszerű gyorsítófizikai mérésekből, mint a hagyományos módszerek” – mondja Roussel.

Rendkívül pontos előrejelzések

Miután modelljüket mindössze 10 adatmintával betanították, a kutatók azt találták, hogy egyszerű mérési sorozatok alapján további 10 mintában rendkívül pontosan meg tudják jósolni az elektronsugarak dinamikáját. A korábbi megközelítésekkel több ezer mintára lett volna szükség az azonos minőségű eredmények eléréséhez.

AI és részecskefizika: erőteljes partnerség

„Munkánk jelentős lépéseket tesz a gyorsító és sugárfizikai közösségek azon céljainak elérése felé, hogy olyan technikákat fejlesszünk ki, amelyek a részecskenyalábokat egészen az egyes részecskék szintjéig szabályozzák” – mondja Roussel.

A kutatók, akik beszámolnak munkájukról Fizikai áttekintés betűk, remélem, az új megközelítés rugalmassága és részletessége segíteni fog a jövőbeni kísérletezőknek abban, hogy a lehető legtöbb hasznos információt kinyerjék a kísérleti adatokból. Idővel egy ilyen szigorú ellenőrzés még egy lépéssel közelebb hozhatja a fizikusokat az anyag és az univerzum természetére vonatkozó alapvető kérdések megválaszolásához.

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoAiStream. Web3 adatintelligencia. Felerősített tudás. Hozzáférés itt.
• A jövő pénzverése – Adryenn Ashley. Hozzáférés itt.
• Részvények vásárlása és eladása PRE-IPO társaságokban a PREIPO® segítségével. Hozzáférés itt.
• Forrás: https://physicsworld.com/a/particle-physicists-get-ai-help-with-beam-dynamics/