I fisici delle particelle ottengono l'aiuto dell'intelligenza artificiale con la dinamica dei fasci

Alcuni ricercatori negli Stati Uniti hanno sviluppato un algoritmo di apprendimento automatico che ricostruisce accuratamente le forme dei raggi dell’acceleratore di particelle da piccole quantità di dati di addestramento. Secondo il leader del team Ryan Roussel dello SLAC National Accelerator Laboratory, il nuovo algoritmo dovrebbe rendere più semplice la comprensione dei risultati degli esperimenti con l'acceleratore e potrebbe portare a progressi nella loro interpretazione.

Molte delle più grandi scoperte nel campo della fisica delle particelle sono arrivate osservando cosa succede quando fasci di particelle si schiantano contro i loro bersagli a una velocità prossima a quella della luce. Poiché questi raggi diventano sempre più energici e complessi, mantenere uno stretto controllo sulla loro dinamica diventa fondamentale per mantenere i risultati affidabili.

Per mantenere questo livello di controllo, i fisici devono prevedere le forme e i momenti dei raggi nel modo più accurato possibile. Ma i raggi possono contenere miliardi di particelle e ci vorrebbe una grande potenza di calcolo per calcolare le posizioni e i momenti di ciascuna particella individualmente. Invece, gli sperimentatori calcolano distribuzioni semplificate che forniscono un'idea approssimativa della forma complessiva della trave. Ciò rende il problema trattabile dal punto di vista computazionale, ma significa anche che molte informazioni utili contenute nel raggio vengono buttate via.

"Per sviluppare acceleratori in grado di controllare i raggi in modo più preciso rispetto ai metodi attuali, dobbiamo essere in grado di interpretare le misurazioni sperimentali senza ricorrere a queste approssimazioni", afferma Roussel.

Per il team di SLAC, il potere predittivo dell’intelligenza artificiale, oltre ai metodi avanzati per tracciare i movimenti delle particelle, hanno offerto una potenziale soluzione promettente. "Il nostro studio ha introdotto due nuove tecniche per interpretare in modo efficiente le misurazioni dettagliate del fascio", spiega Roussel. "Questi modelli di apprendimento automatico basati sulla fisica necessitano di una quantità di dati significativamente inferiore rispetto ai modelli convenzionali per fare previsioni accurate."

La prima tecnica, continua Roussel, prevede un algoritmo di apprendimento automatico che incorpora l’attuale comprensione degli scienziati sulla dinamica dei fasci di particelle. Questo algoritmo ha permesso al team di ricostruire informazioni dettagliate sulla distribuzione delle posizioni e dei momenti delle particelle lungo tutti e tre gli assi paralleli e perpendicolari alla direzione di viaggio del raggio, sulla base di poche misurazioni. La seconda tecnica è un approccio matematico intelligente che ha permesso al team di integrare le simulazioni di fasci nei modelli utilizzati per addestrare l’algoritmo di apprendimento automatico. Ciò ha migliorato ulteriormente la precisione delle previsioni dell'algoritmo.

Roussel e colleghi hanno testato queste tecniche utilizzando i dati sperimentali dell'Argonne Wakefield Accelerator presso l'Argonne National Laboratory del Dipartimento dell'Energia degli Stati Uniti in Illinois. Il loro obiettivo era ricostruire la posizione e la distribuzione della quantità di moto dei fasci di elettroni energetici dopo che i fasci hanno attraversato l'acceleratore lineare. "Abbiamo scoperto che il nostro metodo di ricostruzione è stato in grado di estrarre informazioni significativamente più dettagliate sulla distribuzione del fascio da semplici misurazioni fisiche dell'acceleratore rispetto ai metodi convenzionali", afferma Roussel.

Dopo aver addestrato il loro modello con soli 10 campioni di dati, i ricercatori hanno scoperto di poter prevedere la dinamica dei fasci di elettroni in altri 10 campioni in modo estremamente accurato, sulla base di semplici serie di misurazioni. Con gli approcci precedenti, sarebbero state necessarie diverse migliaia di campioni per ottenere la stessa qualità di risultati.

IA e fisica delle particelle: una potente partnership

"Il nostro lavoro compie passi significativi verso il raggiungimento degli obiettivi delle comunità di fisici degli acceleratori e dei fasci di sviluppare tecniche per controllare i fasci di particelle fino al livello delle singole particelle", afferma Roussel.

I ricercatori, che riportano il loro lavoro in Physical Review Letters, sperano che la flessibilità e il dettaglio del nuovo approccio aiuteranno i futuri sperimentatori a estrarre la massima quantità di informazioni utili dai dati sperimentali. Col tempo, un controllo così rigido potrebbe persino avvicinare i fisici alla risposta a domande fondamentali sulla natura della materia e dell’universo.