AI lærer fysik at optimere ydeevnen for partikelacceleratorer

Maskinelæring, en form for kunstig intelligens, fremskynder i høj grad beregningsopgaver og muliggør ny teknologi inden for områder lige så bredt som tale- og billedgenkendelse, selvkørende biler, børshandel og medicinsk diagnose.

Inden du går i gang med en given opgave, maskinlæringsalgoritmer skal typisk trænes i eksisterende data, så de kan lære at lave hurtige og præcise forudsigelser om fremtidsscenarier på egen hånd. Men hvad nu hvis jobbet er et helt nyt, uden tilgængelige data til træning?

Nu, forskere ved Department of Energy's SLAC National Accelerator Laboratory har demonstreret, at de kan bruge maskinlæring til at optimere ydeevnen for partikelacceleratorer ved at lære algoritmerne de grundlæggende fysiske principper bag acceleratoroperationer - ingen forudgående data er nødvendige.

"Injicering af fysik i maskinlæring er et virkelig varmt emne på mange forskningsområder - inden for materialevidenskab, Miljøvidenskab, batteri forskning, partikelfysik og mere, "sagde Adi Hanuka, en tidligere SLAC -forsker, der ledede en undersøgelse offentliggjort i Fysisk gennemgangsaccelerator og bjælker . Dette er et af de første eksempler på brug af fysikinformeret maskinlæring i acceleratorfysikfællesskabet.

Uddannelse af AI med fysik

Acceleratorer er kraftfulde maskiner, der giver strøm til elektroner eller andre partikler til brug i en lang række applikationer, herunder grundlæggende fysiske eksperimenter, molekylær billeddannelse og strålebehandling for kræft. For at opnå den bedste stråle til en given applikation, operatører skal indstille speederen for maksimal ydeevne.

Når det kommer til store partikelacceleratorer kan dette være meget udfordrende, fordi der er så mange komponenter, der skal justeres. Hvad der yderligere komplicerer tingene er, at ikke alle komponenter er uafhængige, hvilket betyder, at hvis du justerer en, det kan påvirke indstillingerne for en anden.

Nylige undersøgelser på SLAC har vist, at maskinlæring i høj grad kan støtte menneskelige operatører ved at fremskynde optimeringsprocessen og finde nyttige acceleratorindstillinger, som ingen har tænkt på før. Maskinlæring kan også hjælpe med at diagnosticere kvaliteten af ​​partikelstråler uden at forstyrre dem, som andre teknikker normalt gør.

For at disse procedurer fungerer, forskere skulle først træne maskinlæringsalgoritmerne med data fra tidligere acceleratoroperationer, computersimuleringer, der gør antagelser om acceleratorens ydeevne, eller begge. Imidlertid, de fandt også ud af, at brug af oplysninger fra fysikmodeller kombineret med tilgængelige eksperimentelle data dramatisk kunne reducere mængden af ​​nye data, der kræves.

Den nye undersøgelse viser, at tidligere data er, faktisk, ikke nødvendigt, hvis du ved nok om den fysik, der beskriver, hvordan en accelerator fungerer.

Holdet brugte denne tilgang til at indstille SLACs SPEAR3 -accelerator, som driver laboratoriets Stanford Synchrotron Radiation Lightsource (SSRL). Ved at bruge oplysninger indhentet direkte fra fysikbaserede modeller, de fik resultater, der var lige så gode, hvis ikke bedre, som dem, der opnås ved at træne algoritmen med faktiske arkivdata, sagde forskerne.

"Vores resultater er det seneste højdepunkt i et progressivt skub på SLAC for at udvikle maskinlæringsværktøjer til tuning af acceleratorer, "sagde SLAC -videnskabsmand Joe Duris, undersøgelsens hovedforsker.

Forudsiger det ukendte

Det er ikke at sige, at eksisterende data ikke er nyttige. De kommer stadig til nytte, selvom du har din fysik nede. I SPEAR3 -sagen, forskerne var i stand til yderligere at forbedre den fysikinformerede maskinlæringsmodel ved at parre den med faktiske data fra acceleratoren. Teamet anvender også metoden til forbedring af tuning af SLACs Linac Coherent Light Source (LCLS) røntgenlaser, en af ​​de mest kraftfulde røntgenkilder på planeten, for hvilke arkivdata er tilgængelige fra tidligere eksperimentelle kørsler.

Det fulde potentiale i den nye metode vil sandsynligvis blive tydeligt, når SLAC-besætninger tænder LCLS-II næste år. Denne superledende opgradering til LCLS har en helt ny accelerator, og dens bedste indstillinger skal bestemmes fra bunden. Dens operatører kan finde det praktisk at have AI ved deres side, der allerede har lært nogle grundlæggende elementer i acceleratorfysik.