L’intelligenza artificiale ci dice che aspetto hanno i raggi dell’acceleratore di particelle

È stato sviluppato un algoritmo di intelligenza artificiale per prevedere con maggiore precisione come le particelle sono distribuite in un fascio di particelle all'interno di un acceleratore, dimostrando che gli utenti possono dedurre forme di fasci ad alta dimensione molto complicate da "quantità sorprendentemente piccole di dati".

Gli acceleratori di particelle sono tra gli strumenti sperimentali più importanti (e più grandi) della fisica moderna. Fasci di particelle vengono sparati attraverso tubazioni metalliche a velocità prossima alla luce per studiare il comportamento atomico delle molecole e delle particelle subatomiche più piccole.

Sapere come si comporterà un fascio di particelle in un dato esperimento è importante per massimizzare le informazioni scientificamente utili che possono essere raccolte. Ciò è particolarmente importante poiché gli acceleratori operano a energie sempre più elevate e producono profili di fasci più complessi.

Ma identificare il comportamento delle particelle non è un compito facile.

Poiché i fasci di particelle spesso coinvolgono miliardi di particelle, non si tratta semplicemente di prevedere dove andrà a finire ciascuna di esse.

Ora, i ricercatori dello SLAC (Stanford Linear Accelerator Center) del Dipartimento dell’Energia degli Stati Uniti in California e dell’Università di Chicago hanno sviluppato un algoritmo di apprendimento automatico per fornire un’immagine più accurata di come vengono distribuite le particelle in un raggio accelerato.

"Abbiamo molti modi diversi per manipolare i fasci di particelle all'interno degli acceleratori, ma non abbiamo un modo veramente preciso per descrivere la forma e la quantità di moto di un raggio", afferma Ryan Roussel, scienziato dell'acceleratore SLAC. "Il nostro algoritmo prende in considerazione le informazioni su un raggio che normalmente viene scartato e utilizza tali informazioni per dipingere un quadro più dettagliato del raggio."

I ricercatori solitamente utilizzano un approccio statistico per descrivere la velocità e la posizione delle particelle per fornire una forma approssimativa del raggio complessivo. Ma le informazioni potenzialmente utili potrebbero essere ignorate nel processo.

Ricevi un aggiornamento sulle storie scientifiche direttamente nella tua casella di posta.

In alternativa, gli scienziati possono valutare come apparirebbe un raggio in diverse condizioni sperimentali effettuando numerose misurazioni del raggio stesso. Tali metodi a volte utilizzano già l’apprendimento automatico, ma richiedono enormi quantità di dati e potenza di calcolo.

Nell’ultimo studio, il team ha creato un modello di machine learning che essenzialmente prende gli elementi migliori di entrambi i metodi.

Il loro algoritmo utilizza la nostra conoscenza della dinamica del fascio per prevedere quella che è collettivamente nota come la “distribuzione nello spazio delle fasi” delle velocità e delle posizioni delle particelle.

"La maggior parte dei modelli di apprendimento automatico non includono direttamente alcuna nozione di dinamica del fascio di particelle per accelerare l'apprendimento e ridurre la quantità di dati richiesti", afferma Auralee Edelen, scienziata dell'acceleratore SLAC. "Abbiamo dimostrato che possiamo dedurre forme di fasci altamente dimensionali molto complicate da quantità sorprendentemente piccole di dati."

Il team ha testato il modello presso l'Argonne Wakefield Accelerator presso l'Argonne National Laboratory del DOE vicino a Chicago, Illinois. Sono stati in grado di interpretare i dati sperimentali utilizzando la fisica del fascio di particelle utilizzando solo 10 punti dati: per un modello di apprendimento automatico non addestrato nella dinamica del fascio di particelle, l’attività avrebbe richiesto fino a 10.000 punti dati.

Il modello può attualmente ricostruire un fascio di particelle in uno spazio delle fasi del fascio 4D – lungo gli assi su-giù e sinistra-destra. I ricercatori stanno lavorando verso una distribuzione completa dello spazio delle fasi 6D che includa la velocità delle particelle lungo la direzione del raggio stesso.

La ricerca è pubblicata su Physical Review Letters.

Pubblicato originariamente da Cosmos come algoritmo di intelligenza artificiale ci dice come appaiono i raggi dell'acceleratore di particelle

Evrim Yazgin ha una laurea in fisica matematica e un master in fisica, entrambi conseguiti presso l'Università di Melbourne.

Non c'è mai stato un momento più importante per spiegare i fatti, valorizzare la conoscenza basata sull'evidenza e mostrare le ultime scoperte scientifiche, tecnologiche e ingegneristiche. Cosmos è pubblicato dalla Royal Institution of Australia, un ente di beneficenza dedicato a connettere le persone con il mondo della scienza. I contributi finanziari, grandi o piccoli che siano, ci aiutano a fornire accesso a informazioni scientifiche affidabili in un momento in cui il mondo ne ha più bisogno. Sostienici facendo una donazione o acquistando un abbonamento oggi stesso.