Partikelfysiker får AI-hjälp med stråldynamik – Physics World

Forskare i USA har utvecklat en maskininlärningsalgoritm som exakt rekonstruerar formerna på partikelacceleratorstrålar från små mängder träningsdata. Den nya algoritmen ska göra det lättare att förstå resultaten av acceleratorexperiment och kan leda till genombrott i tolkningen av dem, enligt teamledaren Ryan Roussel av SLAC National Accelerator Laboratory.

Många av de största upptäckterna inom partikelfysik har kommit från att observera vad som händer när strålar av partiklar slår in i deras mål med nära ljusets hastighet. I takt med att dessa strålar blir allt mer energiska och komplexa, blir det avgörande att hålla kontrollen över deras dynamik för att hålla resultaten tillförlitliga.

För att upprätthålla denna nivå av kontroll måste fysiker förutsäga strålformer och momenta så exakt som möjligt. Men strålar kan innehålla miljarder partiklar, och det skulle krävas enorma mängder datorkraft för att beräkna positionerna och momenten för varje partikel individuellt. Istället beräknar experimentörer förenklade fördelningar som ger en grov uppfattning om strålens övergripande form. Detta gör problemet beräkningsmässigt löst, men det betyder också att mycket användbar information som finns i strålen kastas bort.

"För att utveckla acceleratorer som kan styra strålar mer exakt än nuvarande metoder måste vi kunna tolka experimentella mätningar utan att tillgripa dessa approximationer," säger Roussel.

AI-hjälp

För teamet på SLAC erbjöd den förutsägande kraften hos AI, plus avancerade metoder för att spåra partikelrörelser, en lovande potentiell lösning. "Vår studie introducerade två nya tekniker för att effektivt tolka detaljerade strålmätningar," förklarar Roussel. "Dessa fysikinformerade maskininlärningsmodeller behöver betydligt mindre data än konventionella modeller för att göra korrekta förutsägelser."

Den första tekniken, fortsätter Roussel, involverar en maskininlärningsalgoritm som inkluderar forskarnas nuvarande förståelse av partikelstråledynamik. Denna algoritm gjorde det möjligt för teamet att rekonstruera detaljerad information om fördelningarna av partikelpositioner och momenta längs alla tre axlarna parallella och vinkelräta mot strålens färdriktning, baserat på bara några få mätningar. Den andra tekniken är en smart matematisk metod som gjorde det möjligt för teamet att integrera strålsimuleringar i modellerna som används för att träna maskininlärningsalgoritmen. Detta förbättrade noggrannheten i algoritmens förutsägelser ytterligare.

Roussel och kollegor testade dessa tekniker med hjälp av experimentella data från Argonne Wakefield Accelerator vid det amerikanska energidepartementets Argonne National Laboratory i Illinois. Deras mål var att rekonstruera positions- och momentumfördelningarna för energiska elektronstrålar efter att strålarna passerat genom linjäracceleratorn. "Vi fann att vår rekonstruktionsmetod kunde extrahera betydligt mer detaljerad information om strålfördelningen från enkla acceleratorfysikmätningar än konventionella metoder," säger Roussel.

Mycket exakta förutsägelser

Efter att ha tränat sin modell med bara 10 dataprover fann forskarna att de kunde förutsäga elektronstrålarnas dynamik i ytterligare 10 prover extremt noggrant, baserat på enkla uppsättningar mätningar. Med tidigare tillvägagångssätt skulle flera tusen prover ha behövts för att ge samma kvalitet på resultaten.

AI och partikelfysik: ett kraftfullt partnerskap

"Vårt arbete tar betydande steg mot att uppnå accelerator- och strålfysikgemenskapernas mål att utveckla tekniker för att kontrollera partikelstrålar ner till nivån för enskilda partiklar," säger Roussel.

Forskarna, som rapporterar sitt arbete i Fysiska granskningsbrev, hoppas att flexibiliteten och detaljerna i det nya tillvägagångssättet kommer att hjälpa framtida experimentörer att extrahera den maximala mängden användbar information från experimentella data. Med tiden skulle en sådan strikt kontroll till och med kunna föra fysiker ett steg närmare att svara på grundläggande frågor om materiens och universums natur.

• SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
• PlatoAiStream. Web3 Data Intelligence. Kunskap förstärkt. Tillgång här.
• Minting the Future med Adryenn Ashley. Tillgång här.
• Köp och sälj aktier i PRE-IPO-företag med PREIPO®. Tillgång här.
• Källa: https://physicsworld.com/a/particle-physicists-get-ai-help-with-beam-dynamics/