Pesquisadores nos EUA desenvolveram um algoritmo de aprendizado de máquina que reconstrói com precisão as formas dos feixes do acelerador de partículas a partir de pequenas quantidades de dados de treinamento. O novo algoritmo deve facilitar a compreensão dos resultados dos experimentos do acelerador e pode levar a avanços na interpretação deles, de acordo com o líder da equipe Ryan Roussel da Laboratório Nacional de Aceleradores SLAC.
Muitas das maiores descobertas na física de partículas vieram da observação do que acontece quando feixes de partículas se chocam contra seus alvos próximo à velocidade da luz. À medida que esses feixes se tornam cada vez mais enérgicos e complexos, manter um controle rígido sobre sua dinâmica torna-se crucial para manter os resultados confiáveis.
Para manter esse nível de controle, os físicos precisam prever as formas e os momentos dos feixes com a maior precisão possível. Mas os feixes podem conter bilhões de partículas, e seria necessário muito poder computacional para calcular as posições e os momentos de cada partícula individualmente. Em vez disso, os experimentadores calculam distribuições simplificadas que fornecem uma ideia aproximada da forma geral do feixe. Isso torna o problema tratável computacionalmente, mas também significa que muitas informações úteis contidas no feixe são descartadas.
“Para desenvolver aceleradores que possam controlar feixes com mais precisão do que os métodos atuais, devemos ser capazes de interpretar medições experimentais sem recorrer a essas aproximações”, diz Roussel.
Assistência de IA
Para a equipe do SLAC, o poder preditivo da IA, além de métodos avançados para rastrear movimentos de partículas, ofereceu uma solução potencial promissora. “Nosso estudo introduziu duas novas técnicas para interpretar com eficiência medições detalhadas de feixes”, explica Roussel. “Esses modelos de aprendizado de máquina baseados em física precisam de muito menos dados do que os modelos convencionais para fazer previsões precisas.”
A primeira técnica, continua Roussel, envolve um algoritmo de aprendizado de máquina que incorpora a compreensão atual dos cientistas sobre a dinâmica do feixe de partículas. Esse algoritmo permitiu que a equipe reconstruísse informações detalhadas sobre as distribuições das posições e dos momentos das partículas ao longo dos três eixos paralelos e perpendiculares à direção de deslocamento do feixe, com base em apenas algumas medições. A segunda técnica é uma abordagem matemática inteligente que permitiu à equipe integrar simulações de feixe nos modelos usados para treinar o algoritmo de aprendizado de máquina. Isso melhorou ainda mais a precisão das previsões do algoritmo.
Roussel e seus colegas testaram essas técnicas usando dados experimentais do Acelerador Argonne Wakefield no Laboratório Nacional Argonne do Departamento de Energia dos Estados Unidos, em Illinois. Seu objetivo era reconstruir as distribuições de posição e momento de feixes de elétrons energéticos após os feixes passarem pelo acelerador linear. “Descobrimos que nosso método de reconstrução foi capaz de extrair informações significativamente mais detalhadas sobre a distribuição do feixe de medições físicas simples do acelerador do que os métodos convencionais”, diz Roussel.
Previsões altamente precisas
Depois de treinar seu modelo com apenas 10 amostras de dados, os pesquisadores descobriram que podiam prever a dinâmica dos feixes de elétrons em mais 10 amostras com extrema precisão, com base em conjuntos simples de medições. Com abordagens anteriores, vários milhares de amostras seriam necessárias para produzir a mesma qualidade de resultados.
IA e física de partículas: uma parceria poderosa
“Nosso trabalho dá passos significativos para atingir os objetivos das comunidades de física de feixe e acelerador de desenvolver técnicas para controlar feixes de partículas até o nível de partículas individuais”, diz Roussel.
Os pesquisadores, que relatam seu trabalho em Physical Review Letters, esperamos que a flexibilidade e os detalhes da nova abordagem ajudem os futuros experimentadores a extrair o máximo de informações úteis dos dados experimentais. Com o tempo, esse controle rígido pode até aproximar os físicos de responder a perguntas fundamentais sobre a natureza da matéria e do universo.
- Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
- PlatoAiStream. Inteligência de Dados Web3. Conhecimento Amplificado. Acesse aqui.
- Cunhando o Futuro com Adryenn Ashley. Acesse aqui.
- Compre e venda ações em empresas PRE-IPO com PREIPO®. Acesse aqui.
- Fonte: https://physicsworld.com/a/particle-physicists-get-ai-help-with-beam-dynamics/
- :é
- $UP
- 10
- a
- Capaz
- Sobre
- acelerador
- aceleradores
- Segundo
- precisão
- preciso
- exatamente
- alcançar
- avançado
- Depois de
- AI
- algoritmo
- Todos os Produtos
- juntamente
- tb
- quantidade
- quantidades
- an
- e
- aparece
- abordagem
- se aproxima
- Argonne National Laboratory
- AS
- At
- longe
- MACHADOS
- baseado
- BE
- viga
- tornam-se
- torna-se
- sido
- O maior
- bilhão
- bilhões
- Preto
- Azul
- avanços
- Brilhante
- trazer
- mas a
- calcular
- CAN
- Fechar
- mais próximo
- colegas
- como
- integrações
- computação
- poder de computação
- não contenho
- contida
- continua
- ao controle
- convencional
- poderia
- crucial
- Atual
- dados,
- Departamento
- detalhe
- detalhado
- desenvolver
- desenvolvido
- em desenvolvimento
- direção
- distribuição
- distribuições
- down
- dinâmica
- cada
- mais fácil
- eficientemente
- habilitado
- erro
- Mesmo
- SEMPRE
- experimentos
- Explica
- extrato
- extremamente
- poucos
- Primeiro nome
- Flexibilidade
- Vôo
- Escolha
- encontrado
- da
- fundamental
- mais distante
- futuro
- ter
- Objetivos
- Designer
- Grade
- acontece
- Ter
- ajudar
- ajuda
- esperança
- HTTPS
- idéia
- Illinois
- imagem
- melhorado
- in
- Individual
- Individualmente
- INFORMAÇÕES
- em vez disso
- integrar
- para dentro
- introduzido
- emitem
- IT
- jpg
- apenas por
- manutenção
- laboratório
- laboratório
- conduzir
- líder
- aprendizagem
- menos
- Nível
- leve
- linhas
- máquina
- aprendizado de máquina
- a manter
- Manter
- fazer
- FAZ
- marcado
- matemático
- Importância
- max-width
- máximo
- Quantia máxima
- Posso..
- significa
- medições
- método
- métodos
- modelo
- modelos
- Ímpeto
- mais
- Moções
- muito
- devo
- Nacional
- Natureza
- você merece...
- necessário
- Novo
- objetivo
- of
- oferecido
- on
- ordem
- A Nossa
- Acima de
- global
- Paralelo
- parte
- passar
- Física
- Mundo da física
- platão
- Inteligência de Dados Platão
- PlatãoData
- mais
- posição
- abertas
- possível
- potencial
- poder
- poderoso
- justamente
- predizer
- Previsões
- presente
- anterior
- Problema
- promissor
- fornecer
- qualidade
- Frequentes
- confiável
- Denunciar
- representação
- pesquisadores
- Resultados
- rever
- mesmo
- diz
- Segundo
- Conjuntos
- vários
- Shape
- formas
- rede de apoio social
- periodo
- de forma considerável
- simples
- simplificada
- Quebra
- solução
- Espaço
- velocidade
- Stanford
- Passo
- Passos
- Estudo
- tal
- Tire
- toma
- tem como alvo
- Profissionais
- técnicas
- do que
- que
- A
- deles
- Eles
- Este
- deles
- isto
- três
- Através da
- miniaturas
- tempo
- para
- para
- Rastreamento
- Trem
- Training
- viagens
- verdadeiro
- dois
- compreender
- compreensão
- Universo
- us
- usava
- utilização
- Grande
- foi
- we
- O Quê
- quando
- QUEM
- precisarão
- de
- sem
- Atividades:
- mundo
- seria
- Produção
- zefirnet