Aprendizaje automático, una forma de inteligencia artificial, acelera enormemente las tareas computacionales y habilita nuevas tecnologías en áreas tan amplias como el reconocimiento de voz e imágenes, coches autónomos, negociación bursátil y diagnóstico médico.

Antes de empezar a trabajar en una tarea determinada, Los algoritmos de aprendizaje automático generalmente deben capacitarse en datos preexistentes para que puedan aprender a hacer predicciones rápidas y precisas sobre escenarios futuros por sí mismos. Pero, ¿y si el trabajo es completamente nuevo? sin datos disponibles para la formación?

Ahora, Los investigadores del Laboratorio Nacional de Aceleradores SLAC del Departamento de Energía han demostrado que pueden utilizar el aprendizaje automático para optimizar el rendimiento de los aceleradores de partículas al enseñar a los algoritmos los principios básicos de la física detrás de las operaciones del acelerador, sin necesidad de datos previos.

"Inyectar física en el aprendizaje automático es un tema muy candente en muchas áreas de investigación, en ciencia de materiales, ciencia medioambiental, investigación de baterías, física de partículas y más, "dijo Adi Hanuka, ex investigador asociado de SLAC que dirigió un estudio publicado en Acelerador de revisión física y vigas . Este es uno de los primeros ejemplos de uso del aprendizaje automático basado en la física en la comunidad de física de aceleradores.

Educar la IA con la física

Los aceleradores son máquinas poderosas que energizan haces de electrones u otras partículas para su uso en una amplia gama de aplicaciones. incluyendo experimentos de física fundamental, imagenología molecular y radioterapia para el cáncer. Para obtener la mejor viga para una aplicación determinada, Los operadores deben ajustar el acelerador para obtener el máximo rendimiento.

Cuando se trata de aceleradores de partículas grandes, esto puede ser un gran desafío porque hay muchos componentes que deben ajustarse. Lo que complica aún más las cosas es que no todos los componentes son independientes, lo que significa que si ajusta uno, puede afectar la configuración de otro.

Estudios recientes en SLAC han demostrado que el aprendizaje automático puede ayudar en gran medida a los operadores humanos al acelerar el proceso de optimización y encontrar configuraciones útiles del acelerador en las que nadie había pensado antes. El aprendizaje automático también puede ayudar a diagnosticar la calidad de los haces de partículas sin interferir con ellos. como suelen hacer otras técnicas.

Para que estos procedimientos funcionen, Los investigadores primero tuvieron que entrenar los algoritmos de aprendizaje automático con datos de operaciones previas del acelerador, Simulaciones por computadora que hacen suposiciones sobre el desempeño del acelerador, o ambos. Sin embargo, También encontraron que el uso de información de modelos físicos combinada con datos experimentales disponibles podría disminuir drásticamente la cantidad de nuevos datos requeridos.

El nuevo estudio demuestra que los datos anteriores son, De hecho, no es necesario si sabe lo suficiente sobre la física que describe cómo funciona un acelerador.

El equipo utilizó este enfoque para ajustar el acelerador SPEAR3 de SLAC, que alimenta la fuente de luz de radiación de sincrotrón de Stanford (SSRL) del laboratorio. Al utilizar información obtenida directamente de modelos basados ​​en la física, obtuvieron resultados que fueron igual de buenos, si no mejor, como los logrados al entrenar el algoritmo con datos de archivo reales, dijeron los investigadores.

"Nuestros resultados son el último punto destacado de un impulso progresivo en SLAC para desarrollar herramientas de aprendizaje automático para ajustar aceleradores, "dijo el científico del personal de SLAC Joe Duris, investigador principal del estudio.

Predecir lo desconocido

Eso no quiere decir que los datos preexistentes no sean útiles. Siguen siendo útiles incluso si tienes conocimientos de física. En el caso de SPEAR3, Los investigadores pudieron mejorar aún más el modelo de aprendizaje automático basado en la física al emparejarlo con datos reales del acelerador. El equipo también está aplicando el método para mejorar la sintonización del láser de rayos X de fuente de luz coherente Linac (LCLS) de SLAC, una de las fuentes de rayos X más poderosas del planeta, para los cuales se dispone de datos de archivo de ejecuciones experimentales anteriores.

El potencial total del nuevo método probablemente se hará evidente cuando las cuadrillas de SLAC enciendan el LCLS-II el próximo año. Esta actualización superconductora a LCLS tiene un acelerador completamente nuevo, y su mejor configuración debe determinarse desde cero. Sus operadores pueden encontrar conveniente tener a su lado una IA que ya ha aprendido algunos conceptos básicos de la física del acelerador.