Partikkelfysikere får AI-hjelp med stråledynamikk – Physics World

Forskere i USA har utviklet en maskinlæringsalgoritme som nøyaktig rekonstruerer formene til partikkelakseleratorstråler fra små mengder treningsdata. Den nye algoritmen skal gjøre det lettere å forstå resultatene av akseleratoreksperimenter og kan føre til gjennombrudd i tolkningen av dem, ifølge teamleder Ryan Roussel av SLAC National Accelerator Laboratory.

Mange av de største oppdagelsene innen partikkelfysikk har kommet fra å observere hva som skjer når stråler av partikler knuses inn i målene deres med nær lysets hastighet. Ettersom disse strålene blir stadig mer energiske og komplekse, blir det avgjørende å opprettholde tett kontroll over dynamikken deres for å holde resultatene pålitelige.

For å opprettholde dette nivået av kontroll, må fysikere forutsi stråleformer og momenta så nøyaktig som mulig. Men stråler kan inneholde milliarder av partikler, og det vil kreve enorme mengder datakraft for å beregne posisjonene og momenta til hver partikkel individuelt. I stedet beregner eksperimentatorer forenklede fordelinger som gir en grov ide om strålens generelle form. Dette gjør problemet beregningsmessig håndterbart, men det betyr også at mye nyttig informasjon i strålen blir kastet.

"For å utvikle akseleratorer som kan kontrollere stråler mer presist enn dagens metoder, må vi være i stand til å tolke eksperimentelle målinger uten å ty til disse tilnærmingene," sier Roussel.

AI-hjelp

For teamet på SLAC ga prediksjonskraften til AI, pluss avanserte metoder for å spore partikkelbevegelser, en lovende potensiell løsning. "Vår studie introduserte to nye teknikker for å effektivt tolke detaljerte strålemålinger," forklarer Roussel. "Disse fysikkinformerte maskinlæringsmodellene trenger betydelig mindre data enn konvensjonelle modeller for å lage nøyaktige spådommer."

Den første teknikken, fortsetter Roussel, involverer en maskinlæringsalgoritme som inkorporerer forskernes nåværende forståelse av partikkelstråledynamikk. Denne algoritmen tillot teamet å rekonstruere detaljert informasjon om fordelingen av partikkelposisjoner og momenta langs alle tre aksene parallelt og vinkelrett på strålens reiseretning, basert på bare noen få målinger. Den andre teknikken er en smart matematisk tilnærming som gjorde det mulig for teamet å integrere strålesimuleringer i modellene som ble brukt til å trene maskinlæringsalgoritmen. Dette forbedret nøyaktigheten av algoritmens spådommer ytterligere.

Roussel og kolleger testet disse teknikkene ved å bruke eksperimentelle data fra Argonne Wakefield Accelerator ved det amerikanske energidepartementets Argonne National Laboratory i Illinois. Målet deres var å rekonstruere posisjons- og momentumfordelingen til energiske elektronstråler etter at strålene passerer gjennom den lineære akseleratoren. "Vi fant at vår rekonstruksjonsmetode var i stand til å trekke ut betydelig mer detaljert informasjon om strålefordelingen fra enkle akseleratorfysikkmålinger enn konvensjonelle metoder," sier Roussel.

Svært nøyaktige spådommer

Etter å ha trent modellen med bare 10 dataprøver, fant forskerne at de kunne forutsi elektronstrålenes dynamikk i ytterligere 10 prøver ekstremt nøyaktig, basert på enkle sett med målinger. Med tidligere tilnærminger ville flere tusen prøver vært nødvendig for å gi samme kvalitet på resultatene.

AI og partikkelfysikk: et kraftig partnerskap

"Vårt arbeid tar betydelige skritt mot å nå akselerator- og strålefysikksamfunnenes mål om å utvikle teknikker for å kontrollere partikkelstråler ned til nivået av individuelle partikler," sier Roussel.

Forskerne, som rapporterer om sitt arbeid i Physical Review Letters, håper fleksibiliteten og detaljene i den nye tilnærmingen vil hjelpe fremtidige eksperimentatorer til å trekke ut den maksimale mengden nyttig informasjon fra eksperimentelle data. Med tiden kan en slik tett kontroll til og med bringe fysikere et skritt nærmere å svare på grunnleggende spørsmål om materiens og universets natur.

• SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
• PlatoAiStream. Web3 Data Intelligence. Kunnskap forsterket. Tilgang her.
• Minting the Future med Adryenn Ashley. Tilgang her.
• Kjøp og selg aksjer i PRE-IPO-selskaper med PREIPO®. Tilgang her.
• kilde: https://physicsworld.com/a/particle-physicists-get-ai-help-with-beam-dynamics/