Los científicos han desarrollado una nueva plataforma de aprendizaje automático que hace que los algoritmos que controlan los rayos de partículas y los láseres sean más inteligentes que nunca. Su trabajo podría contribuir al desarrollo de aceleradores de partículas nuevos y mejorados que ayudarán a los científicos a descubrir los secretos del mundo subatómico.

Daniele Filippetto y sus colegas del Laboratorio Nacional Lawrence Berkeley del Departamento de Energía (Berkeley Lab) desarrollaron la configuración para compensar automáticamente los cambios en tiempo real en los haces del acelerador y otros componentes, como los imanes. Su enfoque de aprendizaje automático también es mejor que los sistemas de control de haz contemporáneos tanto para comprender por qué fallan las cosas como para usar la física para formular una respuesta. Un artículo que describe la investigación se publicó a finales del año pasado en Nature Scientific Reports .

"Estamos tratando de enseñar física a un chip, mientras que al mismo tiempo le brindamos la sabiduría y la experiencia de un científico senior que opera la máquina", dijo Filippetto, científico del personal de la División de Tecnología de Aceleradores y Física Aplicada (ATAP) en Berkeley Lab y subdirector del programa del Programa de Control e Instrumentación del Acelerador de Berkeley (BACI).

Su investigación también tiene el potencial de impactar múltiples campos aplicados de aceleradores de partículas, que van desde operaciones autónomas en entornos industriales y médicos hasta una mayor precisión en aplicaciones científicas, como colisionadores lineales y láseres ultrarrápidos de electrones libres.

La nueva técnica se demostró en el acelerador del Aparato de dispersión de electrones de alta tasa de repetición (HiRES) en Berkeley Lab en colaboración con investigadores del Laboratorio Nacional de Los Alamos y UCLA. La aplicación principal de la línea de luz HiRES es realizar experimentos de dinámica estructural en nuevos materiales cuánticos. El instrumento ha contribuido a numerosos descubrimientos científicos, como la realización de los primeros estudios de difracción de electrones ultrarrápidos de fusión óptica de ditellurida de tantalio, un material con propiedades interesantes y potencialmente útiles. Ahora, esta novedosa máquina está demostrando su utilidad para desarrollar nuevos métodos para controlar amplias clases de aceleradores.

Los aceleradores de partículas producen y aceleran haces de partículas cargadas, como electrones, protones e iones, de tamaño atómico y subatómico. A medida que las máquinas se vuelven más poderosas y complejas, el control y la optimización de la partícula o el rayo láser se vuelven más importantes para satisfacer las necesidades de las aplicaciones científicas, médicas e industriales.

Filippetto y sus colegas del programa BACI lideran el desarrollo global de herramientas de aprendizaje automático. Estas herramientas proporcionan una plataforma para desarrollar algoritmos inteligentes que reaccionan con rapidez y precisión ante perturbaciones imprevistas, aprenden de sus errores y adoptan la mejor estrategia para alcanzar o mantener el punto de ajuste del haz objetivo.

Las herramientas que están desarrollando tienen la ventaja adicional de proporcionar un modelo preciso del comportamiento general de un sistema acelerador de partículas, sin importar la complejidad. Los controladores pueden usar estas capacidades nuevas y mejoradas para tomar decisiones más efectivas en tiempo real.

El enfoque actual del trabajo de Filippetto es utilizar el poder y la predicción de las herramientas de aprendizaje automático para aumentar la estabilidad general de los haces de partículas.

"Si puede predecir las propiedades del haz con una precisión que supera sus fluctuaciones, puede usar la predicción para aumentar el rendimiento del acelerador", dijo. "El conocimiento en tiempo real de los parámetros clave del haz tendría un enorme impacto en la precisión final de los experimentos".

Al principio, podría parecer poco probable que un enfoque de este tipo produzca resultados precisos, similares a los desafíos con la predicción del comportamiento del mercado de valores, pero los primeros resultados del grupo son prometedores. De hecho, el algoritmo utilizado, que se basa en modelos de redes neuronales, muestra un aumento de diez veces en la precisión de los parámetros del haz predicho en comparación con el análisis estadístico típico. En un trabajo relacionado, un premio Halbach reciente fue para Simon Leemann, científico del personal del Grupo de Física del Acelerador en ATAP, y colaboradores por desarrollar métodos de control de aprendizaje automático que mejoran el rendimiento de la fuente de luz avanzada al estabilizar el haz de electrones altamente relativista en el nivel experimental. puntos de origen en aproximadamente un orden de magnitud, un nivel sin precedentes.

En una investigación relacionada publicada en Optics Express , Dan Wang, científica investigadora del grupo BACI que comenzó su carrera en Berkeley Lab hace tres años como investigadora postdoctoral, está utilizando herramientas de aprendizaje automático para avanzar en la tecnología de control en sistemas láser complejos. En el caso de Wang, el objetivo final es poder combinar con precisión cientos de pulsos de láser ultraintensos en un haz potente y coherente del tamaño de un cabello humano. En un haz coherente, la fase de cada láser de entrada debe controlarse con unos pocos grados de error, lo cual es un gran desafío. La energía del láser se puede combinar de diferentes maneras, pero en todos los casos es imperativo que la coherencia de la matriz de haces se estabilice frente a las perturbaciones ambientales, como la deriva térmica, las fluctuaciones del aire o incluso el movimiento de la mesa de soporte.

Para hacer esto, Wang y sus colegas desarrollaron un modelo de red neuronal que es 10 veces más rápido para corregir errores del sistema en la matriz láser combinada que otros métodos convencionales. El modelo que desarrollaron también es capaz de enseñar al sistema a reconocer errores de fase y cambios de parámetros en los láseres y autocorregir las perturbaciones cuando ocurren.

El método de los investigadores funciona tanto en simulaciones como en experimentos con láseres, donde se logró un rendimiento de control sin precedentes. El próximo paso en la investigación es implementar modelos de aprendizaje automático en computadoras perimetrales, como matrices de puertas programables en campo (FPGA) para una respuesta más rápida, y también demostrar la generalización de este método de control basado en el aprendizaje automático en sistemas más complejos donde hay mucho. más variables para tener en cuenta.

"Vengo de una experiencia en aceleradores, pero durante mi posdoctorado, mis colegas realmente me ayudaron a aprovechar el poder del aprendizaje automático", dijo Wang. "Lo que aprendí es que el aprendizaje automático es una herramienta poderosa para resolver muchos problemas diferentes, pero siempre tienes que usar tu física para guiarte en cómo lo usas y lo aplicas".

"To meet the needs of new science, this work exemplifies active feedback and machine learning methods that are crucial enablers for the next generation of accelerator and laser performance to power new photon sources and future particle colliders," said Cameron Geddes, director of the Accelerator Technology &Applied Physics Division. + Explora más

New machine learning tool diagnoses electron beams in an efficient, non-invasive way