Физики элементарных частиц получают помощь ИИ в динамике пучка

Исследователи из США разработали алгоритм машинного обучения, который точно восстанавливает форму пучков ускорителей частиц на основе небольших объемов обучающих данных. По словам руководителя группы Райана Русселя из Национальной ускорительной лаборатории SLAC, новый алгоритм должен облегчить понимание результатов экспериментов на ускорителях и может привести к прорывам в их интерпретации.

Многие из крупнейших открытий в физике элементарных частиц были сделаны в результате наблюдения за тем, что происходит, когда пучки частиц врезаются в свои цели на скорости, близкой к скорости света. Поскольку эти лучи становятся все более энергичными и сложными, поддержание жесткого контроля над их динамикой становится критически важным для обеспечения надежности результатов.

Чтобы поддерживать этот уровень контроля, физикам необходимо как можно точнее предсказывать форму и импульс пучков. Но пучки могут содержать миллиарды частиц, и для расчета положения и импульса каждой частицы в отдельности потребуется огромная вычислительная мощность. Вместо этого экспериментаторы рассчитывают упрощенные распределения, которые дают приблизительное представление об общей форме луча. Это делает проблему вычислительно разрешимой, но это также означает, что много полезной информации, содержащейся в луче, выбрасывается.

«Чтобы разработать ускорители, которые смогут управлять лучами более точно, чем существующие методы, мы должны иметь возможность интерпретировать экспериментальные измерения, не прибегая к этим приближениям», — говорит Руссель.

Для команды SLAC предсказательная сила искусственного интеллекта, а также передовые методы отслеживания движения частиц предложили многообещающее потенциальное решение. «Наше исследование представило два новых метода для эффективной интерпретации детальных измерений луча», — объясняет Руссель. «Этим моделям машинного обучения, основанным на физике, требуется значительно меньше данных, чем обычным моделям, чтобы делать точные прогнозы».

Первый метод, продолжает Руссель, включает в себя алгоритм машинного обучения, который учитывает нынешнее понимание учеными динамики пучка частиц. Этот алгоритм позволил команде восстановить подробную информацию о распределении положений и импульсов частиц вдоль всех трех осей, параллельных и перпендикулярных направлению движения луча, на основе всего лишь нескольких измерений. Второй метод — это умный математический подход, который позволил команде интегрировать моделирование лучей в модели, используемые для обучения алгоритма машинного обучения. Это еще больше повысило точность прогнозов алгоритма.

Руссель и его коллеги протестировали эти методы, используя экспериментальные данные Аргоннского ускорителя Уэйкфилда в Аргоннской национальной лаборатории Министерства энергетики США в Иллинойсе. Их целью было восстановить распределение положения и импульса энергичных электронных пучков после того, как лучи прошли через линейный ускоритель. «Мы обнаружили, что наш метод реконструкции способен извлечь значительно более подробную информацию о распределении пучка из простых физических измерений ускорителя, чем традиционные методы», — говорит Руссель.

Обучив свою модель всего на 10 образцах данных, исследователи обнаружили, что они могут чрезвычайно точно предсказать динамику электронных лучей еще в 10 образцах на основе простых наборов измерений. При использовании предыдущих подходов для получения результатов того же качества требовалось несколько тысяч образцов.

Искусственный интеллект и физика элементарных частиц: мощное партнерство

«Наша работа делает значительные шаги к достижению целей сообществ ускорителей и физиков пучков по разработке методов управления пучками частиц вплоть до уровня отдельных частиц», — говорит Руссель.

Исследователи, которые сообщают о своей работе в Physical Review Letters, надеются, что гибкость и детальность нового подхода помогут будущим экспериментаторам извлечь максимальное количество полезной информации из экспериментальных данных. Со временем такой жесткий контроль может даже приблизить физиков на шаг к ответу на фундаментальные вопросы о природе материи и Вселенной.