Teilchenstrahl-Durchbruch erreicht mit Hilfe von maschinellem Lernen einen „großen Paradigmenwechsel“.

Forscher des Department of Energy (DOE) und der University of Chicago haben einen Algorithmus entwickelt, der genauere Vorhersagen der Positionen und Geschwindigkeiten der Partikelverteilung eines Strahls beim Durchgang durch einen Beschleuniger ermöglicht.

Der Linearbeschleuniger im SLAC National Accelerator Laboratory des DOE bewegt sich nahezu mit Lichtgeschwindigkeit und feuert Schüsse von fast einer Milliarde Elektronen durch lange Metallrohre, um seinen Teilchenstrahl zu erzeugen. Die im kalifornischen Menlo Park gelegene Anlage, die ursprünglich Stanford Linear Accelerator Center hieß, nutzt ihren 3,2 Kilometer langen Beschleuniger seit seiner Errichtung im Jahr 1962, um Elektronen auf Energien von bis zu 50 Gigaelektronenvolt (GeV) zu treiben.

Der leistungsstarke Teilchenstrahl, der vom Linearbeschleuniger des SLAC erzeugt wird, wird für die Erforschung verschiedenster Dinge verwendet, von innovativen Materialien bis hin zum Verhalten von Molekülen auf atomarer Ebene, auch wenn der Strahl selbst etwas rätselhaft bleibt, da es für Forscher schwierig ist, sein Aussehen beim Durchgang zu beurteilen ein Beschleuniger.

In der Vergangenheit hat die einzigartige Herausforderung, die das unsichere Aussehen des Strahls mit sich bringt, dazu geführt, dass Wissenschaftler abschätzen mussten, wie er sich bei der Durchführung von Experimenten in der SLAC-Anlage verhalten wird. Dieses Problem war die Grundlage für die jüngste Arbeit des DOE- und University of Chicago-Teams zur Entwicklung eines Algorithmus zur Unterstützung bei der Berechnung des Strahlverhaltens.

Ryan Roussel, ein SLAC-Beschleunigerwissenschaftler und auch Hauptautor einer kürzlich erschienenen Arbeit über diese Leistung, sagt, dass es mehrere Möglichkeiten gibt, Teilchenstrahlen innerhalb von Beschleunigern zu manipulieren, dass es jedoch schwieriger ist, ihre Form und ihren Impuls mit einem hohen Maß an Genauigkeit zu beschreiben .

„Unser Algorithmus berücksichtigt Informationen über einen Strahl, die normalerweise verworfen werden“, sagte Roussel in einer Erklärung, „und nutzt diese Informationen, um ein detaillierteres Bild des Strahls zu zeichnen.“

In den meisten Fällen verlassen sich Wissenschaftler auf Statistiken, um die Form von Teilchenstrahlen zu bestimmen. Obwohl dieser Ansatz praktisch ist, liefert er nicht die genauesten und detailliertesten Informationen darüber, wie sich die Form des Strahls manifestieren wird.

Ein anderer von Forschern verwendeter Ansatz besteht darin, Messungen des Strahls zu verwenden, um zu berechnen, wie der Strahl unter verschiedenen Bedingungen aussehen und sich verhalten wird. Dabei hat sich gezeigt, dass die Entwicklung des maschinellen Lernens in den letzten Jahren hilfreich ist, auch wenn er umständlich sein kann es erfordert große Mengen an Rechenleistung.

In der jüngsten Studie des Teams beschlossen Roussel und seine Forscherkollegen, maschinelles Lernen auf eine etwas andere Art und Weise zu nutzen, indem sie ein Modell entwickelten, das auf vorhandenem Wissen über die Strahldynamik aufbaut, um dabei zu helfen, die Positionen von Partikeln sowie Faktoren, die ihre Verteilung einschließen, vorherzusagen und Geschwindigkeit, die alle die sogenannte Phasenraumverteilung des Strahls bilden. Das Modell wurde dann verwendet, um die Interpretation der am Argonne Wakefield Accelerator im Argonne National Laboratory des DOE gesammelten Daten zu unterstützen.

Durch die Implementierung des Modells auf diese Weise konnten Forscher feine Details des Strahls mit nur zehn Datenpunkten genau rekonstruieren. Im Gegensatz dazu würden frühere Modelle des maschinellen Lernens wahrscheinlich bis zu 10.000 Datenpunkte benötigen, um ähnliche Ergebnisse zu erzielen.

Roussel und das Team sagen, dass die detaillierteren Informationen, die ihr Algorithmus liefert, Wissenschaftlern helfen werden, bei der Durchführung von Experimenten mit Teilchenstrahlen eine höhere Genauigkeit zu erreichen. Solche Fähigkeiten könnten in Zukunft von entscheidender Bedeutung sein, da bei der Herstellung komplexerer Strahlprofile immer mehr Energie eingesetzt wird.

Auralee Edelen, eine der Mitautorinnen des Papiers und SLAC-Beschleunigerwissenschaftlerin, sagte, dem Team sei es gelungen zu zeigen, dass ihr Modell „sehr komplizierte hochdimensionale Strahlformen aus erstaunlich kleinen Datenmengen ableiten kann“.

Roussel nannte die Errungenschaft einen großen Paradigmenwechsel hin zu einer besseren Analyse und Experimentierung mit Daten, die in Beschleunigeranlagen gesammelt wurden, und fügte hinzu, dass Teilchenstrahldaten „auf umfassendere und wirkungsvollere Weise genutzt werden können, um unsere wissenschaftlichen Ziele an Beschleunigern überall zu verbessern“.

Die Forschungsstudie des Teams wurde letzten Monat in der Zeitschrift Physical Review Letters veröffentlicht.

Micah Hanks ist Chefredakteur und Mitbegründer von The Debrief. Er kann per E-Mail unter [email protected] erreicht werden. Verfolgen Sie seine Arbeit auf micahhanks.com und auf Twitter: @MicahHanks.