Teilchenphysiker erhalten KI-Hilfe bei der Strahldynamik

Forscher in den USA haben einen Algorithmus für maschinelles Lernen entwickelt, der die Formen von Teilchenbeschleunigerstrahlen aus winzigen Mengen an Trainingsdaten genau rekonstruiert. Der neue Algorithmus soll das Verständnis der Ergebnisse von Beschleunigerexperimenten erleichtern und könnte zu Durchbrüchen bei deren Interpretation führen, so Teamleiter Ryan Roussel vom SLAC National Accelerator Laboratory.

Viele der größten Entdeckungen in der Teilchenphysik stammen aus der Beobachtung dessen, was passiert, wenn Teilchenstrahlen mit nahezu Lichtgeschwindigkeit auf ihre Ziele prallen. Da diese Strahlen immer energiereicher und komplexer werden, ist die genaue Kontrolle ihrer Dynamik von entscheidender Bedeutung für die Zuverlässigkeit der Ergebnisse.

Um dieses Maß an Kontrolle aufrechtzuerhalten, müssen Physiker die Strahlformen und -impulse so genau wie möglich vorhersagen. Aber Strahlen können Milliarden von Teilchen enthalten, und es würde enorme Rechenleistung erfordern, um die Positionen und Impulse jedes einzelnen Teilchens einzeln zu berechnen. Stattdessen berechnen die Experimentatoren vereinfachte Verteilungen, die eine ungefähre Vorstellung von der Gesamtform des Strahls liefern. Dies macht das Problem rechnerisch beherrschbar, bedeutet aber auch, dass viele nützliche Informationen, die im Strahl enthalten sind, verworfen werden.

„Um Beschleuniger zu entwickeln, die Strahlen präziser steuern können als aktuelle Methoden, müssen wir in der Lage sein, experimentelle Messungen zu interpretieren, ohne auf diese Näherungen zurückzugreifen“, sagt Roussel.

Für das Team am SLAC boten die Vorhersagekraft der KI sowie fortschrittliche Methoden zur Verfolgung von Partikelbewegungen eine vielversprechende potenzielle Lösung. „Unsere Studie führte zwei neue Techniken ein, um detaillierte Strahlmessungen effizient zu interpretieren“, erklärt Roussel. „Diese physikinformierten Modelle des maschinellen Lernens benötigen deutlich weniger Daten als herkömmliche Modelle, um genaue Vorhersagen zu treffen.“

Die erste Technik, fährt Roussel fort, beinhaltet einen Algorithmus für maschinelles Lernen, der das derzeitige Verständnis der Wissenschaftler über die Dynamik von Teilchenstrahlen berücksichtigt. Dieser Algorithmus ermöglichte es dem Team, anhand weniger Messungen detaillierte Informationen über die Verteilungen der Teilchenpositionen und -impulse entlang aller drei Achsen parallel und senkrecht zur Bewegungsrichtung des Strahls zu rekonstruieren. Bei der zweiten Technik handelt es sich um einen cleveren mathematischen Ansatz, der es dem Team ermöglichte, Strahlsimulationen in die Modelle zu integrieren, die zum Trainieren des Algorithmus für maschinelles Lernen verwendet wurden. Dadurch wurde die Genauigkeit der Vorhersagen des Algorithmus noch weiter verbessert.

Roussel und Kollegen testeten diese Techniken anhand experimenteller Daten des Argonne Wakefield Accelerator im Argonne National Laboratory des US-Energieministeriums in Illinois. Ihr Ziel war es, die Position und Impulsverteilung energiereicher Elektronenstrahlen nach ihrem Durchgang durch den Linearbeschleuniger zu rekonstruieren. „Wir haben herausgefunden, dass unsere Rekonstruktionsmethode in der Lage war, aus einfachen Messungen der Beschleunigerphysik deutlich detailliertere Informationen über die Strahlverteilung zu extrahieren als herkömmliche Methoden“, sagt Roussel.

Nachdem sie ihr Modell mit nur zehn Datenproben trainiert hatten, stellten die Forscher fest, dass sie die Dynamik der Elektronenstrahlen in weiteren zehn Proben auf der Grundlage einfacher Messreihen äußerst genau vorhersagen konnten. Bei bisherigen Ansätzen wären mehrere tausend Proben nötig gewesen, um die gleiche Ergebnisqualität zu erzielen.

KI und Teilchenphysik: eine starke Partnerschaft

„Unsere Arbeit ist ein wichtiger Schritt zur Erreichung der Ziele der Beschleuniger- und Strahlphysik-Gemeinschaften, nämlich Techniken zur Steuerung von Teilchenstrahlen bis auf die Ebene einzelner Teilchen zu entwickeln“, sagt Roussel.

Die Forscher, die in „Physical Review Letters“ über ihre Arbeit berichten, hoffen, dass die Flexibilität und Detailliertheit des neuen Ansatzes künftigen Experimentatoren dabei helfen wird, das Maximum an nützlichen Informationen aus experimentellen Daten zu extrahieren. Mit der Zeit könnte eine derart strenge Kontrolle die Physiker der Beantwortung grundlegender Fragen über die Natur der Materie und des Universums sogar einen Schritt näher bringen.