Gli scienziati hanno sviluppato una nuova piattaforma di apprendimento automatico che rende gli algoritmi che controllano i raggi di particelle e i laser più intelligenti che mai. Il loro lavoro potrebbe aiutare a portare allo sviluppo di acceleratori di particelle nuovi e migliorati che aiuteranno gli scienziati a svelare i segreti del mondo subatomico.

Daniele Filippetto e colleghi del Lawrence Berkeley National Laboratory (Berkeley Lab) del Dipartimento dell'Energia hanno sviluppato la configurazione per compensare automaticamente le modifiche in tempo reale ai raggi dell'acceleratore e ad altri componenti, come i magneti. Il loro approccio all'apprendimento automatico è anche migliore rispetto ai sistemi di controllo del raggio contemporanei sia per capire perché le cose falliscono, sia per usare la fisica per formulare una risposta. Un documento che descrive la ricerca è stato pubblicato alla fine dello scorso anno su Nature Scientific Reports .

"Stiamo cercando di insegnare la fisica a un chip, fornendo allo stesso tempo la saggezza e l'esperienza di uno scienziato senior che utilizza la macchina", ha affermato Filippetto, uno scienziato del personale presso l'Accelerator Technology &Applied Physics Division (ATAP) presso Berkeley Lab e vicedirettore del programma BACI (Berkeley Accelerator Controls and Instrumentation Program).

La loro ricerca ha anche il potenziale per avere un impatto su molteplici campi applicati degli acceleratori di particelle, che vanno dalle operazioni autonome in ambienti industriali e medici a una maggiore precisione nelle applicazioni scientifiche, come i collisori lineari e i laser a elettroni liberi ultraveloci.

La nuova tecnica è stata dimostrata presso l'acceleratore HiRES (High Repetition-Rate Electron Scattering Apparatus) del Berkeley Lab in collaborazione con i ricercatori del Los Alamos National Laboratory e dell'UCLA. L'applicazione principale della linea di luce HiRES è l'esecuzione di esperimenti di dinamica strutturale su nuovi materiali quantistici. Lo strumento ha contribuito a numerose scoperte scientifiche come l'esecuzione dei primi studi di diffrazione elettronica ultraveloci sulla fusione ottica del ditelluride di tantalio, un materiale con proprietà interessanti e potenzialmente utili. Ora, questa nuova macchina sta dimostrando la sua utilità per sviluppare nuovi metodi per controllare ampie classi di acceleratori.

Gli acceleratori di particelle producono e accelerano fasci di particelle cariche, come elettroni, protoni e ioni, di dimensioni atomiche e subatomiche. Man mano che le macchine diventano più potenti e complesse, il controllo e l'ottimizzazione della particella o del raggio laser diventano più importanti per soddisfare le esigenze delle applicazioni scientifiche, mediche e industriali.

Filippetto e i colleghi del programma BACI guidano lo sviluppo globale di strumenti di machine learning. Questi strumenti forniscono una piattaforma per sviluppare algoritmi intelligenti che reagiscono in modo rapido e preciso a perturbazioni impreviste, imparano dai loro errori e adottano la migliore strategia per raggiungere o mantenere il setpoint del fascio target.

Gli strumenti che stanno sviluppando hanno l'ulteriore vantaggio di fornire un modello accurato del comportamento complessivo di un sistema di acceleratore di particelle, indipendentemente dalla complessità. I controller possono utilizzare queste funzionalità nuove e migliorate per prendere decisioni in tempo reale più efficaci.

L'obiettivo attuale del lavoro di Filippetto è utilizzare la potenza e la previsione degli strumenti di apprendimento automatico per aumentare la stabilità complessiva dei fasci di particelle.

"Se puoi prevedere le proprietà del raggio con una precisione che supera le loro fluttuazioni, puoi quindi utilizzare la previsione per aumentare le prestazioni dell'acceleratore", ha affermato. "La conoscenza in tempo reale dei parametri chiave del raggio avrebbe un enorme impatto sull'accuratezza finale degli esperimenti."

All'inizio, un tale approccio potrebbe sembrare improbabile che produca risultati accurati, simili alle sfide con la previsione del comportamento del mercato azionario, ma i primi risultati del gruppo sono promettenti. Infatti, l'algoritmo utilizzato, che si basa su modelli di rete neurale, mostra un aumento di dieci volte della precisione dei parametri del fascio previsti rispetto alla tipica analisi statistica. In un lavoro correlato, un recente premio Halbach è andato a Simon Leemann, scienziato del personale dell'Accelerator Physics Group in ATAP, e collaboratori per lo sviluppo di metodi di controllo dell'apprendimento automatico che migliorano le prestazioni dell'Advanced Light Source stabilizzando il fascio di elettroni altamente relativistici a livello sperimentale punti sorgente di circa un ordine di grandezza, un livello senza precedenti.

In una ricerca correlata pubblicata su Optics Express , Dan Wang, ricercatrice del gruppo BACI che ha iniziato la sua carriera al Berkeley Lab tre anni fa come ricercatrice post-dottorato, sta utilizzando strumenti di apprendimento automatico per far avanzare la tecnologia di controllo nei sistemi laser complessi. Nel caso di Wang, l'obiettivo finale è riuscire a combinare con precisione centinaia di impulsi laser ultra intensi in un raggio potente e coerente delle dimensioni di un capello umano. In un raggio coerente, la fase di ciascun laser in ingresso deve essere controllata entro pochi gradi di errore, il che è molto impegnativo. L'energia laser può essere combinata in diversi modi, ma in tutti i casi è indispensabile stabilizzare la coerenza del fascio di raggi contro perturbazioni ambientali come deriva termica, fluttuazioni dell'aria o persino il movimento del tavolo di supporto.

Per fare ciò, Wang e i suoi colleghi hanno sviluppato un modello di rete neurale che è 10 volte più veloce nel correggere gli errori di sistema nell'array laser combinato rispetto ad altri metodi convenzionali. Il modello che hanno sviluppato è anche in grado di insegnare al sistema a riconoscere gli errori di fase e il cambiamento dei parametri nei laser e a correggere automaticamente le perturbazioni quando si verificano.

Il metodo dei ricercatori funziona sia nelle simulazioni che negli esperimenti con i laser, dove sono state ottenute prestazioni di controllo senza precedenti. Il passo successivo della ricerca consiste nell'implementare modelli di apprendimento automatico su computer perimetrali come gli FPGA (field programmable gate array) per una risposta più rapida, e anche per dimostrare la generalizzazione di questo metodo di controllo basato sull'apprendimento automatico in sistemi più complessi dove ci sono molti più variabili di cui tenere conto.

"Vengo da un background di acceleratore, ma durante il mio post-dottorato, i miei colleghi mi hanno davvero aiutato ad abbracciare il potere dell'apprendimento automatico", ha detto Wang. "Quello che ho imparato è che l'apprendimento automatico è uno strumento potente per risolvere molti problemi diversi, ma devi sempre usare la tua fisica per guidare su come usarla e applicarla."

"To meet the needs of new science, this work exemplifies active feedback and machine learning methods that are crucial enablers for the next generation of accelerator and laser performance to power new photon sources and future particle colliders," said Cameron Geddes, director of the Accelerator Technology &Applied Physics Division. + Esplora ulteriormente

New machine learning tool diagnoses electron beams in an efficient, non-invasive way