Fisikawan partikel mendapatkan bantuan AI dengan dinamika balok – Dunia Fisika

Para peneliti di AS telah mengembangkan algoritme pembelajaran mesin yang secara akurat merekonstruksi bentuk sinar akselerator partikel dari sejumlah kecil data pelatihan. Algoritme baru harus mempermudah untuk memahami hasil eksperimen akselerator dan dapat mengarah pada terobosan dalam menafsirkannya, menurut pemimpin tim Ryan Russel dari Laboratorium Akselerator Nasional SLAC.

Banyak penemuan terbesar dalam fisika partikel datang dari mengamati apa yang terjadi ketika sinar partikel menabrak target mereka mendekati kecepatan cahaya. Karena sinar ini menjadi semakin energik dan kompleks, menjaga kontrol yang ketat atas dinamikanya menjadi sangat penting untuk menjaga agar hasil tetap andal.

Untuk mempertahankan tingkat kontrol ini, fisikawan perlu memprediksi bentuk dan momentum sinar seakurat mungkin. Tapi sinar mungkin mengandung miliaran partikel, dan akan membutuhkan daya komputasi yang sangat besar untuk menghitung posisi dan momentum setiap partikel secara individual. Sebaliknya, peneliti menghitung distribusi yang disederhanakan yang memberikan gambaran kasar tentang bentuk keseluruhan balok. Hal ini membuat masalah dapat diselesaikan secara komputasi, tetapi ini juga berarti bahwa banyak informasi berguna yang terkandung dalam balok dibuang.

“Untuk mengembangkan akselerator yang dapat mengontrol sinar lebih tepat daripada metode saat ini, kita harus dapat menginterpretasikan pengukuran eksperimental tanpa menggunakan perkiraan ini,” kata Roussel.

bantuan AI

Bagi tim di SLAC, kekuatan prediksi AI, ditambah metode canggih untuk melacak gerakan partikel, menawarkan solusi potensial yang menjanjikan. “Penelitian kami memperkenalkan dua teknik baru untuk secara efisien menginterpretasikan pengukuran berkas cahaya yang terperinci,” jelas Roussel. “Model pembelajaran mesin berbasis fisika ini membutuhkan data yang jauh lebih sedikit daripada model konvensional untuk membuat prediksi yang akurat.”

Teknik pertama, lanjut Roussel, melibatkan algoritme pembelajaran mesin yang menggabungkan pemahaman para ilmuwan saat ini tentang dinamika berkas partikel. Algoritme ini memungkinkan tim untuk merekonstruksi informasi terperinci tentang distribusi posisi partikel dan momentum sepanjang ketiga sumbu sejajar dan tegak lurus terhadap arah perjalanan sinar, hanya berdasarkan beberapa pengukuran. Teknik kedua adalah pendekatan matematis cerdas yang memungkinkan tim untuk mengintegrasikan simulasi balok ke dalam model yang digunakan untuk melatih algoritme pembelajaran mesin. Ini semakin meningkatkan akurasi prediksi algoritme.

Roussel dan rekannya menguji teknik ini menggunakan data eksperimen dari Akselerator Argonne Wakefield di Laboratorium Nasional Argonne Departemen Energi AS di Illinois. Tujuan mereka adalah untuk merekonstruksi distribusi posisi dan momentum berkas elektron energik setelah berkas melewati akselerator linier. “Kami menemukan bahwa metode rekonstruksi kami mampu mengekstraksi informasi yang jauh lebih detail tentang distribusi pancaran dari pengukuran fisika akselerator sederhana daripada metode konvensional,” kata Roussel.

Prediksi yang sangat akurat

Setelah melatih model mereka hanya dengan 10 sampel data, para peneliti menemukan bahwa mereka dapat memprediksi dinamika berkas elektron dalam 10 sampel berikutnya dengan sangat akurat, berdasarkan rangkaian pengukuran sederhana. Dengan pendekatan sebelumnya, beberapa ribu sampel diperlukan untuk menghasilkan kualitas hasil yang sama.

AI dan fisika partikel: kemitraan yang kuat

“Pekerjaan kami mengambil langkah-langkah signifikan untuk mencapai sasaran akselerator dan komunitas fisika balok dalam mengembangkan teknik untuk mengontrol pancaran partikel hingga ke tingkat partikel individual,” kata Roussel.

Para peneliti, yang melaporkan pekerjaan mereka di Physical Review Letters, berharap fleksibilitas dan detail dari pendekatan baru ini akan membantu peneliti di masa depan untuk mengekstrak informasi berguna dalam jumlah maksimal dari data eksperimen. Belakangan, kontrol ketat semacam itu bahkan dapat membawa fisikawan selangkah lebih dekat untuk menjawab pertanyaan mendasar tentang sifat materi dan alam semesta.

• Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
• PlatoAiStream. Kecerdasan Data Web3. Pengetahuan Diperkuat. Akses Di Sini.
• Mencetak Masa Depan bersama Adryenn Ashley. Akses Di Sini.
• Beli dan Jual Saham di Perusahaan PRE-IPO dengan PREIPO®. Akses Di Sini.
• Sumber: https://physicsworld.com/a/particle-physicists-get-ai-help-with-beam-dynamics/