I ricercatori negli Stati Uniti hanno sviluppato un algoritmo di apprendimento automatico che ricostruisce accuratamente le forme dei fasci di acceleratori di particelle da minuscole quantità di dati di addestramento. Il nuovo algoritmo dovrebbe facilitare la comprensione dei risultati degli esperimenti con l'acceleratore e potrebbe portare a scoperte nella loro interpretazione, secondo il leader del team Ryan Roussell della SLAC National Accelerator Laboratory.
Molte delle più grandi scoperte nella fisica delle particelle derivano dall'osservazione di ciò che accade quando fasci di particelle si schiantano contro i loro bersagli a una velocità prossima a quella della luce. Man mano che questi fasci diventano sempre più energetici e complessi, mantenere uno stretto controllo sulla loro dinamica diventa cruciale per mantenere i risultati affidabili.
Per mantenere questo livello di controllo, i fisici devono prevedere le forme e la quantità di moto del raggio nel modo più accurato possibile. Ma i raggi possono contenere miliardi di particelle e ci vorrebbe una grande quantità di potenza di calcolo per calcolare le posizioni e i momenti di ciascuna particella individualmente. Invece, gli sperimentatori calcolano distribuzioni semplificate che forniscono un'idea approssimativa della forma complessiva del raggio. Ciò rende il problema trattabile dal punto di vista computazionale, ma significa anche che molte informazioni utili contenute nel raggio vengono eliminate.
"Per sviluppare acceleratori in grado di controllare i raggi in modo più preciso rispetto ai metodi attuali, dobbiamo essere in grado di interpretare le misurazioni sperimentali senza ricorrere a queste approssimazioni", afferma Roussel.
Assistenza AI
Per il team di SLAC, il potere predittivo dell'intelligenza artificiale, oltre a metodi avanzati per tracciare i movimenti delle particelle, ha offerto una promettente soluzione potenziale. «Il nostro studio ha introdotto due nuove tecniche per interpretare in modo efficiente le misurazioni dettagliate del raggio», spiega Roussel. "Questi modelli di apprendimento automatico basati sulla fisica richiedono una quantità di dati notevolmente inferiore rispetto ai modelli convenzionali per fare previsioni accurate".
La prima tecnica, continua Roussel, prevede un algoritmo di apprendimento automatico che incorpora l'attuale comprensione degli scienziati sulla dinamica dei fasci di particelle. Questo algoritmo ha permesso al team di ricostruire informazioni dettagliate sulle distribuzioni delle posizioni e dei momenti delle particelle lungo tutti e tre gli assi paralleli e perpendicolari alla direzione di spostamento del raggio, sulla base di poche misurazioni. La seconda tecnica è un approccio matematico intelligente che ha consentito al team di integrare le simulazioni del raggio nei modelli utilizzati per addestrare l'algoritmo di apprendimento automatico. Ciò ha migliorato ulteriormente l'accuratezza delle previsioni dell'algoritmo.
Roussel e colleghi hanno testato queste tecniche utilizzando i dati sperimentali del Acceleratore Argonne Wakefield presso l'Argonne National Laboratory del Dipartimento dell'Energia degli Stati Uniti in Illinois. Il loro obiettivo era ricostruire la posizione e le distribuzioni di quantità di moto dei fasci di elettroni energetici dopo che i fasci sono passati attraverso l'acceleratore lineare. «Abbiamo scoperto che il nostro metodo di ricostruzione è stato in grado di estrarre informazioni significativamente più dettagliate sulla distribuzione del raggio da semplici misurazioni fisiche dell'acceleratore rispetto ai metodi convenzionali», afferma Roussel.
Previsioni altamente accurate
Dopo aver addestrato il loro modello con soli 10 campioni di dati, i ricercatori hanno scoperto di poter prevedere la dinamica dei fasci di elettroni in altri 10 campioni in modo estremamente accurato, sulla base di semplici serie di misurazioni. Con gli approcci precedenti, sarebbero state necessarie diverse migliaia di campioni per ottenere la stessa qualità di risultati.
IA e fisica delle particelle: una potente partnership
"Il nostro lavoro compie passi significativi verso il raggiungimento degli obiettivi delle comunità di fisica degli acceleratori e dei fasci di sviluppare tecniche per controllare i fasci di particelle fino al livello delle singole particelle", afferma Roussel.
I ricercatori, che riportano il loro lavoro in Physical Review Letters, Spero che la flessibilità e i dettagli del nuovo approccio aiutino i futuri sperimentatori a estrarre la massima quantità di informazioni utili dai dati sperimentali. Col tempo, un controllo così stretto potrebbe persino avvicinare i fisici alla risposta a domande fondamentali sulla natura della materia e dell'universo.
- Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
- PlatoAiStream. Intelligenza dei dati Web3. Conoscenza amplificata. Accedi qui.
- Coniare il futuro con Adryenn Ashley. Accedi qui.
- Acquista e vendi azioni in società PRE-IPO con PREIPO®. Accedi qui.
- Fonte: https://physicsworld.com/a/particle-physicists-get-ai-help-with-beam-dynamics/
- :È
- $ SU
- 10
- a
- capace
- Chi siamo
- acceleratore
- acceleratori
- Secondo
- precisione
- preciso
- con precisione
- il raggiungimento
- Avanzate
- Dopo shavasana, sedersi in silenzio; saluti;
- AI
- algoritmo
- Tutti
- lungo
- anche
- quantità
- importi
- an
- ed
- appare
- approccio
- approcci
- Argonne National Laboratory
- AS
- At
- lontano
- ASSI
- basato
- BE
- Larghezza
- diventare
- diventa
- stato
- Maggiore
- Miliardo
- miliardi
- Nero
- Blu
- innovazioni
- Brillants
- portare
- ma
- calcolare
- Materiale
- Chiudi
- più vicino
- colleghi
- Venire
- complesso
- informatica
- potenza di calcolo
- contenere
- contenute
- continua
- di controllo
- convenzionale
- potuto
- cruciale
- Corrente
- dati
- Shirts Department
- dettaglio
- dettagliati
- sviluppare
- sviluppato
- in via di sviluppo
- direzione
- distribuzione
- distribuzioni
- giù
- dinamica
- ogni
- più facile
- in modo efficiente
- abilitato
- errore
- Anche
- EVER
- esperimenti
- Spiega
- estratto
- estremamente
- pochi
- Nome
- Flessibilità
- volante
- Nel
- essere trovato
- da
- fondamentale
- ulteriormente
- futuro
- ottenere
- Obiettivi
- Grafico
- Griglia
- accade
- Avere
- Aiuto
- aiuta
- speranza
- HTTPS
- idea
- Illinois
- Immagine
- migliorata
- in
- individuale
- Individualmente
- informazioni
- invece
- integrare
- ai miglioramenti
- introdotto
- problema
- IT
- jpg
- ad appena
- conservazione
- laboratorio
- di laboratorio
- portare
- leader
- apprendimento
- meno
- Livello
- leggera
- Linee
- macchina
- machine learning
- mantenere
- Mantenere
- make
- FA
- segnato
- matematico
- Importanza
- max-width
- massimo
- importo massimo
- Maggio..
- si intende
- misurazioni
- metodo
- metodi
- modello
- modelli
- Impulso
- Scopri di più
- movimenti
- molti
- devono obbligatoriamente:
- il
- Natura
- Bisogno
- di applicazione
- New
- obiettivo
- of
- offerto
- on
- minimo
- nostro
- ancora
- complessivo
- Parallel
- parte
- passare
- Fisica
- Mondo della fisica
- Platone
- Platone Data Intelligence
- PlatoneDati
- più
- posizione
- posizioni
- possibile
- potenziale
- energia
- potente
- precisamente
- predire
- Previsioni
- presenti
- precedente
- Problema
- promettente
- fornire
- qualità
- Domande
- affidabile
- rapporto
- rappresentazione
- ricercatori
- Risultati
- recensioni
- stesso
- dice
- Secondo
- Set
- alcuni
- Forma
- forme
- dovrebbero
- significativa
- significativamente
- Un'espansione
- semplificata
- Smash
- soluzione
- lo spazio
- velocità
- stanford
- step
- Passi
- Studio
- tale
- Fai
- prende
- obiettivi
- team
- tecniche
- di
- che
- I
- loro
- Li
- Strumenti Bowman per analizzare le seguenti finiture:
- di
- questo
- tre
- Attraverso
- miniature
- tempo
- a
- verso
- Tracking
- Treni
- Training
- viaggiare
- vero
- seconda
- capire
- e una comprensione reciproca
- Universo
- us
- utilizzato
- utilizzando
- Fisso
- Prima
- we
- Che
- quando
- OMS
- volere
- con
- senza
- Lavora
- mondo
- sarebbe
- dare la precedenza
- zefiro