Un imán en un banco de pruebas dentro del Laboratorio Nacional de Aceleradores SLAC. Los investigadores han creado un modelo de aprendizaje automático que ayudará a predecir el rendimiento de los imanes durante los experimentos con haces, entre otras aplicaciones. Crédito:Scott Anderson, Laboratorio Nacional de Aceleradores de SLAC
Después de un largo día de trabajo, es posible que se sienta cansado o animado. De cualquier manera, te afecta lo que te sucedió en el pasado.
Los imanes aceleradores no son diferentes. Lo que atravesaron, o lo que pasó a través de ellos, como una corriente eléctrica, afecta cómo se desempeñarán en el futuro.
Sin comprender el pasado de un imán, es posible que los investigadores deban restablecerlo por completo antes de comenzar un nuevo experimento, un proceso que puede demorar entre 10 y 15 minutos. Algunos aceleradores tienen cientos de imanes y el proceso puede volverse lento y costoso rápidamente.
Ahora, un equipo de investigadores del Laboratorio Nacional de Aceleradores SLAC del Departamento de Energía y otras instituciones ha desarrollado una poderosa técnica matemática que utiliza conceptos del aprendizaje automático para modelar los estados anteriores de un imán y hacer predicciones sobre estados futuros. Este nuevo enfoque elimina la necesidad de restablecer los imanes y da como resultado mejoras en el rendimiento del acelerador de inmediato.
"Nuestra técnica cambia fundamentalmente la forma en que predecimos los campos magnéticos dentro de los aceleradores, lo que podría mejorar el rendimiento de los aceleradores en todo el mundo", dijo el científico asociado de SLAC, Ryan Roussel. "Si no se conoce bien la historia de un imán, será difícil tomar decisiones de control en el futuro para crear el haz específico que necesita para un experimento".
El modelo del equipo analiza una propiedad importante de los imanes conocida como histéresis, que se puede considerar como magnetismo residual (o sobrante). La histéresis es como el agua caliente sobrante en las tuberías de la ducha después de haber cerrado el agua caliente. Su ducha no se enfriará inmediatamente:el agua caliente que queda en las tuberías debe salir del cabezal de la ducha antes de que solo quede agua fría.
"La histéresis hace que sintonizar imanes sea un desafío", dijo Auralee Edelen, científica asociada de SLAC. "La misma configuración en un imán que resultó en un tamaño de haz ayer podría resultar en un tamaño de haz diferente hoy debido al efecto de la histéresis".
El nuevo modelo del equipo elimina la necesidad de restablecer los imanes con tanta frecuencia y puede permitir que tanto los operadores de máquinas como los algoritmos de ajuste automatizados vean rápidamente su estado actual, haciendo visible lo que antes era invisible, dijo Edelen.
Hace diez años, muchos aceleradores no necesitaban considerar la sensibilidad a los errores de histéresis, pero con la puesta en marcha de instalaciones más precisas como el LCLS-II de SLAC, predecir el magnetismo residual es más crítico que nunca, dijo Roussel.
El modelo de histéresis también podría ayudar a las instalaciones de aceleradores más pequeños, que podrían no tener tantos investigadores e ingenieros para restablecer los imanes, a realizar experimentos de mayor precisión. El equipo espera implementar el método en un conjunto completo de imanes en una instalación de aceleradores y demostrar una mejora en la precisión predictiva en un acelerador operativo. Un nuevo método de aprendizaje automático agiliza las operaciones del acelerador de partículas