Фізики елементарних частинок отримують допомогу ШІ з динамікою пучка – Physics World

Дослідники в США розробили алгоритм машинного навчання, який точно реконструює форми пучків прискорювача частинок на основі крихітних обсягів навчальних даних. За словами керівника групи, новий алгоритм має полегшити розуміння результатів експериментів на прискорювачі та може призвести до прориву в їх інтерпретації. Райан Руссель в Національна лабораторія прискорень SLAC.

Багато найбільших відкриттів у фізиці елементарних частинок були зроблені завдяки спостереженню за тим, що відбувається, коли пучки частинок врізаються у свої цілі зі швидкістю, близькою до світла. Оскільки ці промені стають все більш енергійними та складними, суворий контроль над їх динамікою стає вирішальним для збереження надійності результатів.

Щоб підтримувати цей рівень контролю, фізикам необхідно якомога точніше прогнозувати форми та імпульси променя. Але пучки можуть містити мільярди частинок, і для обчислення позицій і імпульсів кожної частинки окремо знадобиться величезна кількість обчислювальних ресурсів. Натомість експериментатори обчислюють спрощені розподіли, які дають приблизне уявлення про загальну форму променя. Це робить проблему обчислювальною, але це також означає, що багато корисної інформації, що міститься в промені, викидається.

«Щоб розробити прискорювачі, які можуть контролювати пучки точніше, ніж сучасні методи, ми повинні мати можливість інтерпретувати експериментальні вимірювання, не вдаючись до цих наближень», — говорить Руссель.

Допомога AI

Для команди SLAC прогностична здатність штучного інтелекту разом із передовими методами відстеження рухів частинок запропонувала багатообіцяюче потенційне рішення. «Наше дослідження представило дві нові техніки для ефективної інтерпретації детальних вимірювань променя», — пояснює Руссель. «Ці моделі машинного навчання на основі фізики потребують значно менше даних, ніж звичайні моделі, щоб робити точні прогнози».

Перша методика, продовжує Руссель, передбачає алгоритм машинного навчання, який включає в себе поточне розуміння вченими динаміки пучка частинок. Цей алгоритм дозволив команді реконструювати детальну інформацію про розподіл положень і імпульсів частинок уздовж усіх трьох осей, паралельних і перпендикулярних напрямку руху променя, на основі лише кількох вимірювань. Друга техніка — це розумний математичний підхід, який дозволив команді інтегрувати моделювання променя в моделі, що використовуються для навчання алгоритму машинного навчання. Це ще більше підвищило точність прогнозів алгоритму.

Руссель і його колеги перевірили ці методи, використовуючи експериментальні дані Аргонський прискорювач Вейкфілд в Аргоннській національній лабораторії Міністерства енергетики США в Іллінойсі. Їхня мета полягала в реконструкції положення та розподілу імпульсу енергійних електронних пучків після того, як пучки пройшли через лінійний прискорювач. «Ми виявили, що наш метод реконструкції зміг витягнути значно більш детальну інформацію про розподіл пучка з простих фізичних вимірювань прискорювача, ніж звичайні методи», — говорить Руссель.

Дуже точні прогнози

Після навчання своєї моделі лише з 10 зразками даних дослідники виявили, що вони можуть надзвичайно точно передбачити динаміку електронних пучків у наступних 10 зразках на основі простих наборів вимірювань. За попередніх підходів для отримання результатів такої ж якості було б потрібно кілька тисяч зразків.

ШІ та фізика елементарних частинок: потужне партнерство

«Наша робота робить значні кроки в напрямку досягнення цілей спільнот прискорювачів і фізики пучка щодо розробки методів керування пучками частинок аж до рівня окремих частинок», — говорить Руссель.

Дослідники, які звітують про свою роботу в Physical Review Letters,, сподіваємося, що гнучкість і деталізація нового підходу допоможуть майбутнім експериментаторам витягти максимальну кількість корисної інформації з експериментальних даних. Згодом такий суворий контроль міг би навіть наблизити фізиків до відповідей на фундаментальні питання про природу матерії та Всесвіту.

• Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
• PlatoAiStream. Web3 Data Intelligence. Розширення знань. Доступ тут.
• Карбування майбутнього з Адріенн Ешлі. Доступ тут.
• Купуйте та продавайте акції компаній, які вийшли на IPO, за допомогою PREIPO®. Доступ тут.
• джерело: https://physicsworld.com/a/particle-physicists-get-ai-help-with-beam-dynamics/