Fizycy cząstek otrzymują pomoc sztucznej inteligencji w zakresie dynamiki wiązki – Physics World

Naukowcy z USA opracowali algorytm uczenia maszynowego, który dokładnie rekonstruuje kształty wiązek akceleratorów cząstek na podstawie niewielkich ilości danych treningowych. Według lidera zespołu nowy algorytm powinien ułatwić zrozumienie wyników eksperymentów z akceleratorem i może doprowadzić do przełomu w ich interpretacji Ryana Roussela ukończenia SLAC National Accelerator Laboratory.

Wiele z największych odkryć w fizyce cząstek elementarnych pochodzi z obserwacji tego, co dzieje się, gdy wiązki cząstek uderzają w cele z prędkością bliską prędkości światła. Ponieważ wiązki te stają się coraz bardziej energetyczne i złożone, utrzymanie ścisłej kontroli nad ich dynamiką staje się kluczowe dla zapewnienia wiarygodności wyników.

Aby utrzymać ten poziom kontroli, fizycy muszą jak najdokładniej przewidywać kształty i pędy wiązek. Ale wiązki mogą zawierać miliardy cząstek, a obliczenie pozycji i pędu każdej cząstki z osobna wymagałoby ogromnych ilości mocy obliczeniowej. Zamiast tego eksperymentatorzy obliczają uproszczone rozkłady, które dają przybliżony obraz ogólnego kształtu wiązki. To sprawia, że ​​problem można rozwiązać obliczeniowo, ale oznacza to również, że wiele przydatnych informacji zawartych w wiązce jest odrzucanych.

„Aby opracować akceleratory, które mogą kontrolować wiązki dokładniej niż obecne metody, musimy być w stanie interpretować pomiary eksperymentalne bez uciekania się do tych przybliżeń” – mówi Roussel.

Pomoc AI

Dla zespołu z SLAC moc predykcyjna sztucznej inteligencji oraz zaawansowane metody śledzenia ruchu cząstek stanowiły obiecujące potencjalne rozwiązanie. „Nasze badanie wprowadziło dwie nowe techniki wydajnej interpretacji szczegółowych pomiarów wiązki”, wyjaśnia Roussel. „Te oparte na fizyce modele uczenia maszynowego potrzebują znacznie mniej danych niż modele konwencjonalne, aby dokonać dokładnych prognoz”.

Pierwsza technika, kontynuuje Roussel, obejmuje algorytm uczenia maszynowego, który uwzględnia obecną wiedzę naukowców na temat dynamiki wiązki cząstek. Algorytm ten pozwolił zespołowi zrekonstruować szczegółowe informacje o rozkładzie pozycji i pędów cząstek wzdłuż wszystkich trzech osi równoległych i prostopadłych do kierunku przemieszczania się wiązki, w oparciu o zaledwie kilka pomiarów. Druga technika to sprytne podejście matematyczne, które umożliwiło zespołowi zintegrowanie symulacji wiązki z modelami używanymi do trenowania algorytmu uczenia maszynowego. To jeszcze bardziej poprawiło dokładność przewidywań algorytmu.

Roussel i współpracownicy przetestowali te techniki, korzystając z danych eksperymentalnych z Akcelerator Argonne Wakefield w Narodowym Laboratorium Argonne Departamentu Energii Stanów Zjednoczonych w Illinois. Ich celem była rekonstrukcja rozkładu położenia i pędu wiązek elektronów energetycznych po przejściu wiązek przez akcelerator liniowy. „Odkryliśmy, że nasza metoda rekonstrukcji była w stanie wydobyć znacznie bardziej szczegółowe informacje o rozkładzie wiązki z prostych pomiarów fizyki akceleratora niż metody konwencjonalne” – mówi Roussel.

Bardzo dokładne prognozy

Po przeszkoleniu swojego modelu za pomocą zaledwie 10 próbek danych, naukowcy odkryli, że mogą bardzo dokładnie przewidzieć dynamikę wiązek elektronów w kolejnych 10 próbkach, w oparciu o proste zestawy pomiarów. Przy poprzednich podejściach potrzebnych byłoby kilka tysięcy próbek, aby uzyskać taką samą jakość wyników.

Sztuczna inteligencja i fizyka cząstek elementarnych: potężne partnerstwo

„Nasza praca stanowi znaczący krok w kierunku osiągnięcia celów społeczności fizyków zajmujących się akceleratorami i wiązkami, polegających na opracowaniu technik kontrolowania wiązek cząstek aż do poziomu pojedynczych cząstek” — mówi Roussel.

Badacze, którzy zgłaszają swoją pracę w: Physical Review Letters, nadzieję, że elastyczność i szczegółowość nowego podejścia pomoże przyszłym eksperymentatorom wydobyć maksymalną ilość użytecznych informacji z danych eksperymentalnych. Z czasem taka ścisła kontrola może nawet zbliżyć fizyków do odpowiedzi na fundamentalne pytania dotyczące natury materii i wszechświata.

• Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
• PlatoAiStream. Analiza danych Web3. Wiedza wzmocniona. Dostęp tutaj.
• Wybijanie przyszłości w Adryenn Ashley. Dostęp tutaj.
• Kupuj i sprzedawaj akcje spółek PRE-IPO z PREIPO®. Dostęp tutaj.
• Źródło: https://physicsworld.com/a/particle-physicists-get-ai-help-with-beam-dynamics/