KI sagt uns, wie Teilchenbeschleunigerstrahlen aussehen

Es wurde ein Algorithmus für künstliche Intelligenz entwickelt, um die Verteilung der Partikel in einem Partikelstrahl innerhalb eines Beschleunigers genauer vorherzusagen. Dies zeigt, dass Benutzer aus „erstaunlich kleinen Datenmengen“ auf sehr komplizierte hochdimensionale Strahlformen schließen können.

Teilchenbeschleuniger gehören zu den wichtigsten (und größten) experimentellen Werkzeugen der modernen Physik. Teilchenstrahlen werden mit nahezu Lichtgeschwindigkeit durch Metallrohre geschossen, um das atomare Verhalten von Molekülen und kleinsten subatomaren Teilchen zu untersuchen.

Um die wissenschaftlich nutzbaren Informationen zu maximieren, ist es wichtig zu wissen, wie sich ein Teilchenstrahl in einem bestimmten Experiment verhält. Dies ist besonders wichtig, da Beschleuniger mit immer höheren Energien arbeiten und komplexere Strahlprofile erzeugen.

Aber das Verhalten von Partikeln zu identifizieren ist keine leichte Aufgabe.

Da es sich bei Teilchenstrahlen häufig um Milliarden von Teilchen handelt, geht es nicht nur darum, vorherzusagen, wo jedes einzelne Teilchen landen wird.

Jetzt haben Forscher am SLAC (Stanford Linear Accelerator Center) des US-Energieministeriums in Kalifornien und an der Universität von Chicago einen Algorithmus für maschinelles Lernen entwickelt, um ein genaueres Bild davon zu liefern, wie Partikel in einem beschleunigten Strahl verteilt sind.

„Wir haben viele verschiedene Möglichkeiten, Teilchenstrahlen in Beschleunigern zu manipulieren, aber wir haben keine wirklich genaue Möglichkeit, die Form und den Impuls eines Strahls zu beschreiben“, sagt der SLAC-Beschleunigerwissenschaftler Ryan Roussel. „Unser Algorithmus berücksichtigt Informationen über einen Strahl, die normalerweise verworfen werden, und nutzt diese Informationen, um ein detaillierteres Bild des Strahls zu zeichnen.“

Forscher verwenden normalerweise einen statistischen Ansatz, um die Geschwindigkeit und Position von Partikeln zu beschreiben und so eine grobe Form des Gesamtstrahls zu erhalten. Aber potenziell nützliche Informationen könnten dabei ignoriert werden.

Erhalten Sie aktuelle Wissenschaftsgeschichten direkt in Ihren Posteingang.

Alternativ können Wissenschaftler beurteilen, wie ein Strahl unter verschiedenen experimentellen Bedingungen aussehen würde, indem sie viele Messungen am Strahl selbst vornehmen. Solche Methoden nutzen teilweise bereits maschinelles Lernen, erfordern jedoch große Datenmengen und Rechenleistung.

In der neuesten Studie hat das Team ein Modell für maschinelles Lernen erstellt, das im Wesentlichen die besten Elemente beider Methoden nutzt.

Ihr Algorithmus nutzt unser Wissen über die Strahldynamik, um die sogenannte „Phasenraumverteilung“ von Teilchengeschwindigkeiten und -positionen vorherzusagen.

„Die meisten Modelle für maschinelles Lernen berücksichtigen nicht direkt die Dynamik von Teilchenstrahlen, um das Lernen zu beschleunigen und die erforderliche Datenmenge zu reduzieren“, sagt Auralee Edelen, Beschleunigerwissenschaftlerin am SLAC. „Wir haben gezeigt, dass wir aus erstaunlich kleinen Datenmengen auf sehr komplizierte hochdimensionale Strahlformen schließen können.“

Das Team testete sein Modell am Argonne Wakefield Accelerator im Argonne National Laboratory des DOE in der Nähe von Chicago, Illinois. Sie waren in der Lage, experimentelle Daten mithilfe der Teilchenstrahlphysik mit nur 10 Datenpunkten zu interpretieren – für ein maschinelles Lernmodell, das nicht auf Teilchenstrahldynamik trainiert war, hätte die Aufgabe bis zu 10.000 Datenpunkte in Anspruch genommen.

Das Modell kann derzeit einen Teilchenstrahl in einem 4D-Strahlphasenraum rekonstruieren – entlang der Auf-Ab- und Links-Rechts-Achse. Die Forscher arbeiten an einer vollständigen 6D-Phasenraumverteilung, die die Teilchengeschwindigkeiten entlang der Strahlrichtung selbst berücksichtigt.

Die Forschung wird in Physical Review Letters veröffentlicht.

Ursprünglich von Cosmos als KI-Algorithmus veröffentlicht, sagt er uns, wie Teilchenbeschleunigerstrahlen aussehen

Evrim Yazgin hat einen Bachelor of Science mit Schwerpunkt Mathematische Physik und einen Master of Science in Physik, beide von der University of Melbourne.

Es gab noch nie einen wichtigeren Zeitpunkt, um Fakten zu erklären, evidenzbasiertes Wissen zu schätzen und die neuesten wissenschaftlichen, technologischen und technischen Durchbrüche vorzustellen. Cosmos wird von der Royal Institution of Australia herausgegeben, einer Wohltätigkeitsorganisation, die es sich zum Ziel gesetzt hat, Menschen mit der Welt der Wissenschaft zu verbinden. Finanzielle Beiträge, egal wie groß oder klein, helfen uns, den Zugang zu vertrauenswürdigen wissenschaftlichen Informationen zu ermöglichen, und zwar zu einer Zeit, in der die Welt sie am meisten benötigt. Bitte unterstützen Sie uns noch heute mit einer Spende oder dem Erwerb eines Abonnements.