machinaal leren, een vorm van kunstmatige intelligentie, versnelt rekentaken enorm en maakt nieuwe technologie mogelijk op gebieden die zo breed zijn als spraak- en beeldherkenning, zelfrijdende auto's, beurshandel en medische diagnose.

Voordat u aan een bepaalde taak gaat werken, algoritmen voor machine learning moeten doorgaans worden getraind op reeds bestaande gegevens, zodat ze zelf kunnen leren snelle en nauwkeurige voorspellingen te doen over toekomstige scenario's. Maar wat als de baan een geheel nieuwe is, zonder gegevens voor training?

Nutsvoorzieningen, onderzoekers van het SLAC National Accelerator Laboratory van het Department of Energy hebben aangetoond dat ze machinaal leren kunnen gebruiken om de prestaties van deeltjesversnellers te optimaliseren door de algoritmen de fundamentele natuurkundige principes achter de werking van de versneller aan te leren - geen voorafgaande gegevens nodig.

"Het injecteren van natuurkunde in machinaal leren is een hot topic in veel onderzoeksgebieden - in materiaalkunde, Milieuwetenschappen, batterij onderzoek, deeltjesfysica en meer, " zei Adi Hanuka, een voormalig SLAC-onderzoeksmedewerker die een studie leidde die werd gepubliceerd in Fysieke beoordelingsversneller en balken . Dit is een van de eerste voorbeelden van het gebruik van fysica-geïnformeerde machine learning in de acceleratorfysica-gemeenschap.

AI onderwijzen met natuurkunde

Versnellers zijn krachtige machines die elektronenbundels of andere deeltjes van energie voorzien voor gebruik in een breed scala aan toepassingen, inclusief fundamentele natuurkundige experimenten, moleculaire beeldvorming en bestralingstherapie voor kanker. Om de beste bundel voor een bepaalde toepassing te verkrijgen, operators moeten het gaspedaal afstemmen voor topprestaties.

Als het gaat om grote deeltjesversnellers kan dit een hele uitdaging zijn omdat er zoveel componenten zijn die moeten worden aangepast. Wat de zaken nog ingewikkelder maakt, is dat niet alle componenten onafhankelijk zijn, wat betekent dat als je er een aanpast, het kan de instellingen voor een ander beïnvloeden.

Recente onderzoeken bij SLAC hebben aangetoond dat machine learning menselijke operators enorm kan ondersteunen door het optimalisatieproces te versnellen en nuttige acceleratorinstellingen te vinden waar niemand eerder aan heeft gedacht. Machine learning kan ook helpen bij het diagnosticeren van de kwaliteit van deeltjesbundels zonder deze te verstoren, zoals andere technieken gewoonlijk doen.

Om deze procedures te laten werken, onderzoekers moesten eerst de machine learning-algoritmen trainen met gegevens van eerdere accelerator-operaties, computersimulaties die aannames doen over de prestaties van het gaspedaal, of allebei. Echter, ze ontdekten ook dat het gebruik van informatie uit natuurkundige modellen in combinatie met beschikbare experimentele gegevens de benodigde hoeveelheid nieuwe gegevens drastisch zou kunnen verminderen.

De nieuwe studie toont aan dat eerdere gegevens, in feite, niet nodig als je genoeg weet over de fysica die beschrijft hoe een versneller werkt.

Het team gebruikte deze aanpak om de SPEAR3-versneller van SLAC af te stemmen, die de Stanford Synchrotron Radiation Lightsource (SSRL) van het laboratorium aandrijft. Door gebruik te maken van informatie die rechtstreeks is verkregen uit op fysica gebaseerde modellen, ze kregen resultaten die net zo goed waren, zo niet beter, zoals die worden bereikt door het algoritme te trainen met actuele archiefgegevens, aldus de onderzoekers.

"Onze resultaten zijn het nieuwste hoogtepunt van een progressieve push bij SLAC om machine learning-tools te ontwikkelen voor het afstemmen van versnellers, " zei SLAC-stafwetenschapper Joe Duris, hoofdonderzoeker van het onderzoek.

Het onbekende voorspellen

Dat wil niet zeggen dat reeds bestaande gegevens niet nuttig zijn. Ze komen nog steeds van pas, zelfs als je fysica niet goed is. In het geval van SPEAR3, de onderzoekers waren in staat om het fysica-geïnformeerde machine learning-model verder te verbeteren door het te koppelen aan actuele gegevens van de versneller. Het team past de methode ook toe om de afstemming van de Linac Coherent Light Source (LCLS)-röntgenlaser van SLAC te verbeteren. een van de krachtigste röntgenbronnen ter wereld, waarvoor archiefgegevens beschikbaar zijn van eerdere experimentele runs.

Het volledige potentieel van de nieuwe methode zal waarschijnlijk duidelijk worden wanneer SLAC-crews volgend jaar LCLS-II inschakelen. Deze supergeleidende upgrade naar LCLS heeft een gloednieuwe versneller, en de beste instellingen moeten helemaal opnieuw worden bepaald. De operators vinden het misschien handig om AI aan hun zijde te hebben die al enkele basisprincipes van versnellerfysica heeft geleerd.