Các nhà vật lý hạt nhận được sự trợ giúp của AI với động lực học chùm tia – Physics World

Các nhà nghiên cứu ở Mỹ đã phát triển một thuật toán máy học giúp tái tạo chính xác hình dạng của các chùm máy gia tốc hạt từ một lượng nhỏ dữ liệu huấn luyện. Theo trưởng nhóm, thuật toán mới sẽ giúp hiểu kết quả của các thí nghiệm máy gia tốc dễ dàng hơn và có thể dẫn đến những đột phá trong việc diễn giải chúng. Ryan Roussel của Phòng thí nghiệm máy gia tốc quốc gia SLAC.

Nhiều khám phá lớn nhất trong vật lý hạt cơ bản đến từ việc quan sát điều gì xảy ra khi các chùm hạt đập vào mục tiêu của chúng ở tốc độ gần bằng tốc độ ánh sáng. Khi các chùm tia này trở nên mạnh mẽ và phức tạp hơn bao giờ hết, việc duy trì kiểm soát chặt chẽ động lực học của chúng trở nên quan trọng để giữ kết quả đáng tin cậy.

Để duy trì mức độ kiểm soát này, các nhà vật lý cần dự đoán hình dạng và xung lượng của chùm tia càng chính xác càng tốt. Nhưng các chùm có thể chứa hàng tỷ hạt và sẽ cần một lượng lớn sức mạnh tính toán để tính toán vị trí và động lượng của từng hạt riêng lẻ. Thay vào đó, các nhà thí nghiệm tính toán các phân bố đơn giản hóa để cung cấp ý tưởng sơ bộ về hình dạng tổng thể của chùm tia. Điều này làm cho vấn đề trở nên dễ xử lý về mặt tính toán, nhưng nó cũng có nghĩa là nhiều thông tin hữu ích chứa trong chùm tia bị loại bỏ.

Roussel nói: “Để phát triển các máy gia tốc có thể điều khiển các chùm tia chính xác hơn các phương pháp hiện tại, chúng ta phải có khả năng giải thích các phép đo thực nghiệm mà không cần dùng đến các phép tính gần đúng này.

Hỗ trợ AI

Đối với nhóm tại SLAC, khả năng dự đoán của AI, cộng với các phương pháp tiên tiến để theo dõi chuyển động của hạt, đã mang đến một giải pháp tiềm năng đầy hứa hẹn. Roussel giải thích: “Nghiên cứu của chúng tôi đã giới thiệu hai kỹ thuật mới để giải thích hiệu quả các phép đo chùm tia chi tiết. “Những mô hình máy học dựa trên vật lý này cần ít dữ liệu hơn đáng kể so với các mô hình thông thường để đưa ra dự đoán chính xác.”

Kỹ thuật đầu tiên, Roussel tiếp tục, bao gồm một thuật toán học máy kết hợp sự hiểu biết hiện tại của các nhà khoa học về động lực học chùm hạt. Thuật toán này cho phép nhóm xây dựng lại thông tin chi tiết về sự phân bố vị trí và xung lượng của hạt dọc theo cả ba trục song song và vuông góc với hướng di chuyển của chùm tia, chỉ dựa trên một vài phép đo. Kỹ thuật thứ hai là một cách tiếp cận toán học thông minh cho phép nhóm tích hợp các mô phỏng chùm tia vào các mô hình được sử dụng để huấn luyện thuật toán máy học. Điều này đã cải thiện độ chính xác của các dự đoán của thuật toán hơn nữa.

Roussel và các đồng nghiệp đã thử nghiệm những kỹ thuật này bằng cách sử dụng dữ liệu thực nghiệm từ Máy gia tốc Argonne Wakefield tại Phòng thí nghiệm Quốc gia Argonne của Bộ Năng lượng Hoa Kỳ ở Illinois. Mục tiêu của họ là tái tạo lại vị trí và sự phân bố động lượng của các chùm electron năng lượng sau khi các chùm này đi qua máy gia tốc tuyến tính. Roussel nói: “Chúng tôi thấy rằng phương pháp tái tạo của chúng tôi có thể trích xuất thông tin chi tiết hơn đáng kể về sự phân bố chùm tia từ các phép đo vật lý máy gia tốc đơn giản so với các phương pháp thông thường.

Dự đoán chính xác cao

Sau khi đào tạo mô hình của họ chỉ với 10 mẫu dữ liệu, các nhà nghiên cứu nhận thấy rằng họ có thể dự đoán động lực học của chùm electron trong 10 mẫu nữa cực kỳ chính xác, dựa trên các bộ phép đo đơn giản. Với các phương pháp trước đây, sẽ cần vài nghìn mẫu để mang lại chất lượng kết quả như nhau.

AI và vật lý hạt: mối quan hệ hợp tác mạnh mẽ

Roussel nói: “Công việc của chúng tôi thực hiện những bước quan trọng hướng tới việc đạt được các mục tiêu của cộng đồng vật lý chùm tia và máy gia tốc là phát triển các kỹ thuật để điều khiển các chùm hạt xuống cấp độ của các hạt riêng lẻ.

Các nhà nghiên cứu, những người báo cáo công việc của họ trong Physical Review Letters, hy vọng tính linh hoạt và chi tiết của phương pháp mới sẽ giúp các nhà thử nghiệm trong tương lai trích xuất lượng thông tin hữu ích tối đa từ dữ liệu thử nghiệm. Theo thời gian, sự kiểm soát chặt chẽ như vậy thậm chí có thể đưa các nhà vật lý tiến gần hơn đến việc trả lời các câu hỏi cơ bản về bản chất của vật chất và vũ trụ.

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• PlatoAiStream. Thông minh dữ liệu Web3. Kiến thức khuếch đại. Truy cập Tại đây.
• Đúc kết tương lai với Adryenn Ashley. Truy cập Tại đây.
• Mua và bán cổ phần trong các công ty PRE-IPO với PREIPO®. Truy cập Tại đây.
• nguồn: https://physicsworld.com/a/particle-physicists-get-ai-help-with-beam-dynamics/