פיזיקאים של חלקיקים מקבלים עזרה בינה מלאכותית עם דינמיקת אלומה - עולם הפיזיקה

חוקרים בארה"ב פיתחו אלגוריתם למידת מכונה המשחזר במדויק את צורות קרני מאיץ החלקיקים מכמויות זעירות של נתוני אימון. האלגוריתם החדש אמור להקל על הבנת התוצאות של ניסויי מאיץ ועלול להוביל לפריצות דרך בפרשנותם, לדברי ראש הצוות ריאן רוסל של המעבדה הלאומית לאיצטדיון SLAC.

רבים מהתגליות הגדולות ביותר בפיזיקה של החלקיקים הגיעו מהתבוננות במה שקורה כאשר אלומות של חלקיקים מתנפצות אל מטרותיהן קרוב למהירות האור. ככל שהקורות הללו הופכות לאנרגטיות ומורכבות יותר ויותר, שמירה על שליטה הדוקה על הדינמיקה שלהן הופכת חיונית לשמירה על אמינות התוצאות.

כדי לשמור על רמת שליטה זו, פיזיקאים צריכים לחזות צורות ואלומות מומנטים בצורה מדויקת ככל האפשר. אבל אלומות עשויות להכיל מיליארדי חלקיקים, וידרשו כמויות אדירות של כוח מחשוב כדי לחשב את המיקומים והמומנטים של כל חלקיק בנפרד. במקום זאת, הנסיינים מחשבים התפלגויות מפושטות המספקות מושג גס על צורתה הכוללת של הקורה. זה הופך את הבעיה לניתנת לפתרון חישובי, אבל זה גם אומר שהרבה מידע שימושי הכלול בקורה נזרק.

"כדי לפתח מאיצים שיכולים לשלוט באלומות בצורה מדויקת יותר מהשיטות הנוכחיות, עלינו להיות מסוגלים לפרש מדידות ניסיוניות מבלי להזדקק לקירוב הזה", אומר רוסל.

סיוע בינה מלאכותית

עבור הצוות ב-SLAC, כוח הניבוי של AI, בתוספת שיטות מתקדמות למעקב אחר תנועות חלקיקים, הציעו פתרון פוטנציאלי מבטיח. "המחקר שלנו הציג שתי טכניקות חדשות לפרש ביעילות מדידות אלומה מפורטות", מסביר רוסל. "מודלים של למידת מכונה המבוססים על פיזיקה זקוקים לפחות נתונים משמעותית ממודלים קונבנציונליים כדי ליצור תחזיות מדויקות."

הטכניקה הראשונה, ממשיך רוסל, כוללת אלגוריתם למידת מכונה המשלב את ההבנה הנוכחית של המדענים לגבי דינמיקת אלומת החלקיקים. אלגוריתם זה אפשר לצוות לשחזר מידע מפורט על ההתפלגות של מיקומי החלקיקים והמומנטים לאורך כל שלושת הצירים מקבילים ומאונכים לכיוון הנסיעה של האלומה, בהתבסס על מספר מדידות בלבד. הטכניקה השנייה היא גישה מתמטית חכמה שאפשרה לצוות לשלב הדמיות אלומה במודלים המשמשים לאימון אלגוריתם למידת מכונה. זה שיפר את הדיוק של תחזיות האלגוריתם עוד יותר.

רוסל ועמיתיו בדקו את הטכניקות הללו תוך שימוש בנתונים ניסיוניים מה- מאיץ ארגון ווייקפילד במעבדה הלאומית Argonne של משרד האנרגיה האמריקאי באילינוי. מטרתם הייתה לשחזר את התפלגות המיקום והתנע של קרני אלקטרונים אנרגטיים לאחר שהקרנים עוברים דרך המאיץ הליניארי. "מצאנו ששיטת השחזור שלנו הצליחה לחלץ מידע מפורט יותר באופן משמעותי על התפלגות האלומה ממדידות פיזיקה פשוטות של מאיץ מאשר שיטות קונבנציונליות", אומר רוסל.

תחזיות מדויקות ביותר

לאחר אימון המודל שלהם עם רק 10 דגימות של נתונים, החוקרים גילו שהם יכולים לחזות את הדינמיקה של קרני האלקטרונים בעוד 10 דגימות בצורה מדויקת ביותר, בהתבסס על סטים פשוטים של מדידות. עם גישות קודמות, היה צורך בכמה אלפי דגימות כדי להניב את אותה איכות תוצאות.

בינה מלאכותית ופיזיקה של חלקיקים: שותפות רבת עוצמה

"העבודה שלנו לוקחת צעדים משמעותיים לקראת השגת יעדי הקהילות של המאיץ והפיסיקה של אלומה של פיתוח טכניקות לשליטה בקרני חלקיקים עד לרמה של חלקיקים בודדים", אומר רוסל.

החוקרים המדווחים על עבודתם ב מכתבי סקירה פיזית, מקווה שהגמישות והפירוט של הגישה החדשה יעזרו לנסיינים עתידיים לחלץ את הכמות המקסימלית של מידע שימושי מנתוני ניסוי. עם הזמן, שליטה כה הדוקה יכולה אפילו לקרב את הפיזיקאים צעד אחד יותר למתן מענה לשאלות יסוד על טבע החומר והיקום.

• הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
• PlatoAiStream. Web3 Data Intelligence. הידע מוגבר. גישה כאן.
• הטבעת העתיד עם אדריאן אשלי. גישה כאן.
• קנה ומכירה של מניות בחברות PRE-IPO עם PREIPO®. גישה כאן.
• מקור: https://physicsworld.com/a/particle-physicists-get-ai-help-with-beam-dynamics/