Apprendimento automatico, una forma di intelligenza artificiale, velocizza notevolmente le attività computazionali e consente la nuova tecnologia in aree ampie come il riconoscimento vocale e di immagini, auto a guida autonoma, negoziazione in borsa e diagnosi medica.

Prima di andare a lavorare su un determinato compito, Gli algoritmi di apprendimento automatico in genere devono essere addestrati su dati preesistenti in modo che possano imparare a fare previsioni rapide e accurate su scenari futuri da soli. Ma cosa succede se il lavoro è completamente nuovo, senza dati disponibili per la formazione?

Ora, i ricercatori dello SLAC National Accelerator Laboratory del Dipartimento dell'Energia hanno dimostrato di poter utilizzare l'apprendimento automatico per ottimizzare le prestazioni degli acceleratori di particelle insegnando agli algoritmi i principi fisici di base alla base delle operazioni degli acceleratori, senza bisogno di dati preliminari.

"Iniettare la fisica nell'apprendimento automatico è un argomento davvero scottante in molte aree di ricerca:nella scienza dei materiali, scienza ambientale, ricerca sulla batteria, fisica delle particelle e altro ancora, " ha detto Adi Hanuka, un ex ricercatore associato dello SLAC che ha condotto uno studio pubblicato su Acceleratore e fasci di revisione fisica . Questo è uno dei primi esempi di utilizzo dell'apprendimento automatico basato sulla fisica nella comunità della fisica degli acceleratori.

Educare l'IA con la fisica

Gli acceleratori sono potenti macchine che energizzano fasci di elettroni o altre particelle da utilizzare in un'ampia gamma di applicazioni, compresi esperimenti di fisica fondamentale, imaging molecolare e radioterapia per il cancro. Per ottenere il miglior raggio per una data applicazione, gli operatori devono mettere a punto l'acceleratore per ottenere le massime prestazioni.

Quando si tratta di grandi acceleratori di particelle, questo può essere molto impegnativo perché ci sono così tanti componenti che devono essere regolati. Ciò che complica ulteriormente le cose è che non tutti i componenti sono indipendenti, il che significa che se ne regoli uno, può influenzare le impostazioni per un altro.

Recenti studi presso SLAC hanno dimostrato che l'apprendimento automatico può supportare notevolmente gli operatori umani accelerando il processo di ottimizzazione e trovando utili impostazioni dell'acceleratore a cui nessuno aveva pensato prima. L'apprendimento automatico può anche aiutare a diagnosticare la qualità dei fasci di particelle senza interferire con essi, come di solito fanno le altre tecniche.

Affinché queste procedure funzionino, i ricercatori hanno prima dovuto addestrare gli algoritmi di apprendimento automatico con i dati delle precedenti operazioni dell'acceleratore, simulazioni al computer che fanno ipotesi sulle prestazioni dell'acceleratore, o entrambi. Però, hanno anche scoperto che l'utilizzo di informazioni provenienti da modelli fisici combinati con dati sperimentali disponibili potrebbe ridurre drasticamente la quantità di nuovi dati richiesti.

Il nuovo studio dimostra che i dati precedenti sono, infatti, non è necessario se si conosce abbastanza la fisica che descrive come funziona un acceleratore.

Il team ha utilizzato questo approccio per mettere a punto l'acceleratore SPEAR3 di SLAC, che alimenta la sorgente di luce di radiazione di sincrotrone di Stanford del laboratorio (SSRL). Utilizzando le informazioni ottenute direttamente da modelli basati sulla fisica, hanno ottenuto risultati altrettanto buoni, se non meglio, come quelli ottenuti addestrando l'algoritmo con i dati di archivio effettivi, hanno detto i ricercatori.

"I nostri risultati sono l'ultimo punto culminante di una spinta progressiva di SLAC a sviluppare strumenti di apprendimento automatico per la messa a punto degli acceleratori, ", ha affermato lo scienziato dello staff SLAC Joe Duris, ricercatore principale dello studio.

Predire l'ignoto

Questo non vuol dire che i dati preesistenti non siano utili. Sono comunque utili anche se hai la fisica giù. Nel caso SPEAR3, i ricercatori sono stati in grado di migliorare ulteriormente il modello di apprendimento automatico basato sulla fisica abbinandolo ai dati effettivi dell'acceleratore. Il team sta anche applicando il metodo per migliorare la messa a punto del laser a raggi X Linac Coherent Light Source (LCLS) di SLAC, una delle sorgenti di raggi X più potenti del pianeta, per i quali sono disponibili dati di archivio da precedenti esecuzioni sperimentali.

Il pieno potenziale del nuovo metodo sarà probabilmente evidente quando gli equipaggi SLAC accenderanno LCLS-II il prossimo anno. Questo aggiornamento superconduttore a LCLS ha un nuovissimo acceleratore, e le sue migliori impostazioni devono essere determinate da zero. I suoi operatori potrebbero trovare conveniente avere al loro fianco un'intelligenza artificiale che ha già appreso alcune nozioni di base sulla fisica degli acceleratori.