粒子物理学家在光束动力学方面获得 AI 帮助 – Physics World

美国的研究人员开发了一种机器学习算法，可以从少量训练数据中准确地重建粒子加速器光束的形状。 团队负责人表示，新算法应该会让加速器实验的结果更容易理解，并可能在解释这些结果方面取得突破 瑞安鲁塞尔 的 SLAC国家加速器实验室.

粒子物理学中的许多重大发现都来自观察粒子束以接近光速撞击目标时发生的情况。 随着这些光束变得越来越有活力和复杂，保持对其动力学的严格控制对于保持结果的可靠性变得至关重要。

为了保持这种控制水平，物理学家需要尽可能准确地预测光束形状和动量。 但是光束可能包含数十亿个粒子，并且需要大量的计算能力来单独计算每个粒子的位置和动量。 相反，实验者计算简化的分布，提供光束整体形状的粗略概念。 这使得问题在计算上易于处理，但这也意味着束中包含的许多有用信息被丢弃了。

“为了开发能够比当前方法更精确地控制光束的加速器，我们必须能够在不求助于这些近似值的情况下解释实验测量结果，”Roussel 说。

人工智能辅助

对于 SLAC 的团队来说，人工智能的预测能力以及跟踪粒子运动的先进方法提供了一个很有前途的潜在解决方案。 “我们的研究引入了两种新技术来有效解释详细的光束测量结果，”Roussel 解释说。 “这些以物理为基础的机器学习模型需要比传统模型少得多的数据来做出准确的预测。”

Roussel 继续说道，第一种技术涉及一种机器学习算法，该算法结合了科学家目前对粒子束动力学的理解。 该算法使团队能够基于少量测量重建有关粒子位置和动量沿平行和垂直于光束行进方向的所有三个轴分布的详细信息。 第二种技术是一种巧妙的数学方法，使团队能够将波束模拟集成到用于训练机器学习算法的模型中。 这进一步提高了算法预测的准确性。

Roussel 及其同事使用来自 阿贡韦克菲尔德加速器 在美国能源部位于伊利诺伊州的阿贡国家实验室。 他们的目标是重建高能电子束通过直线加速器后的位置和动量分布。 “我们发现，我们的重建方法能够从简单的加速器物理测量中提取比传统方法更详细的光束分布信息，”Roussel 说。

高度准确的预测

在仅使用 10 个数据样本训练他们的模型后，研究人员发现他们可以根据简单的测量集非常准确地预测另外 10 个样本中的电子束动力学。 使用以前的方法，需要数千个样本才能产生相同质量的结果。

人工智能和粒子物理学：强大的伙伴关系

Roussel 说：“我们的工作朝着实现加速器和束物理社区的目标迈出了重要的一步，即开发将粒子束控制到单个粒子水平的技术。”

研究人员，他们在 “物理评论快报”, 希望新方法的灵活性和细节将帮助未来的实验者从实验数据中提取最大量的有用信息。 假以时日，如此严密的控制甚至可以让物理学家离回答关于物质和宇宙的本质的基本问题更近一步。

• SEO 支持的内容和 PR 分发。 今天得到放大。
• 柏拉图爱流。 Web3 数据智能。 知识放大。 访问这里。
• 与 Adryenn Ashley 一起铸造未来。 访问这里。
• 使用 PREIPO® 买卖 PRE-IPO 公司的股票。 访问这里。
• Sumber: https://physicsworld.com/a/particle-physicists-get-ai-help-with-beam-dynamics/