La svolta rivoluzionaria del fascio di particelle raggiunge un “importante cambiamento di paradigma” con l’aiuto dell’apprendimento automatico

Un algoritmo che consente previsioni più precise delle posizioni e delle velocità della distribuzione delle particelle di un fascio mentre passa attraverso un acceleratore è stato sviluppato dai ricercatori del Dipartimento di Energia (DOE) e dell'Università di Chicago.

Viaggiando quasi alla velocità della luce, l'acceleratore lineare dello SLAC National Accelerator Laboratory del DOE spara raffiche di quasi un miliardo di elettroni attraverso lunghi tubi metallici per generare il suo fascio di particelle. Situata a Menlo Park, in California, la struttura, originariamente chiamata Stanford Linear Accelerator Center, ha utilizzato il suo acceleratore di 3,2 chilometri sin dalla sua costruzione nel 1962 per spingere gli elettroni a energie fino a 50 gigaelettronvolt (GeV).

Il potente raggio di particelle generato dall'acceleratore lineare SLAC viene utilizzato nello studio di qualsiasi cosa, dai materiali innovativi al comportamento delle molecole su scala atomica, nonostante il modo in cui il raggio stesso rimane alquanto misterioso poiché i ricercatori hanno difficoltà a valutarne l'aspetto mentre attraversa un acceleratore.

In passato, la sfida unica rappresentata dall'aspetto incerto del raggio ha costretto gli scienziati a stimare come si comporterà durante gli esperimenti presso la struttura SLAC. Questo problema è stato la base per il recente lavoro del DOE e del team dell'Università di Chicago per sviluppare un algoritmo per assistere nel calcolo del comportamento del raggio.

Ryan Roussel, uno scienziato degli acceleratori dello SLAC e anche autore principale di un recente articolo sul risultato, afferma che esistono diversi modi in cui i fasci di particelle possono essere manipolati all'interno degli acceleratori, ma che descriverne la forma e la quantità di moto con un elevato grado di precisione è più impegnativo. .

"Il nostro algoritmo prende in considerazione le informazioni su un raggio che normalmente viene scartato", ha detto Roussel in una nota, "e utilizza tali informazioni per dipingere un quadro più dettagliato del raggio".

Nella maggior parte dei casi, gli scienziati si affidano alla statistica per determinare la forma dei fasci di particelle. Sebbene questo approccio sia pratico, non fornisce le informazioni più accurate e dettagliate su come si manifesterà la forma del raggio.

Un altro approccio utilizzato dai ricercatori prevede l'utilizzo delle misurazioni del raggio per tentare di calcolare come apparirà e si comporterà in varie condizioni, un processo che lo sviluppo dell'apprendimento automatico negli ultimi anni ha dimostrato di aiutare, sebbene possa essere complicato perché richiede grandi quantità di potenza di calcolo.

Nel recente studio del team, Roussel e i suoi colleghi ricercatori hanno deciso di utilizzare l’apprendimento automatico in un modo leggermente diverso, sviluppando un modello che si basa sulla conoscenza esistente della dinamica dei fasci per aiutare a prevedere le posizioni delle particelle, nonché i fattori che includono la loro distribuzione. e velocità, che costituiscono la cosiddetta distribuzione dello spazio delle fasi del fascio. Il modello è stato poi utilizzato per assistere nell'interpretazione dei dati raccolti presso l'Argonne Wakefield Accelerator presso l'Argonne National Laboratory del DOE.

L'implementazione del modello in questo modo ha permesso ai ricercatori di ricostruire accuratamente i dettagli più fini del raggio con soli dieci punti dati. Al contrario, i modelli di machine learning del passato richiederebbero probabilmente fino a 10.000 punti dati per ottenere risultati simili.

Roussel e il team affermano che le informazioni più dettagliate fornite dal loro algoritmo aiuteranno gli scienziati a ottenere una maggiore precisione durante la conduzione di esperimenti con fasci di particelle. Tali capacità potrebbero rivelarsi vitali in futuro, a causa del crescente utilizzo di livelli più elevati di energia nella produzione di profili di travi più complessi.

Auralee Edelen, una delle coautrici dell'articolo e scienziata dell'acceleratore SLAC, ha affermato che il team è riuscito a dimostrare che il loro modello "può dedurre forme di fasci ad alta dimensione molto complicate da quantità sorprendentemente piccole di dati".

Roussel ha definito questo risultato un importante cambiamento di paradigma verso una migliore analisi e sperimentazione dei dati raccolti presso le strutture degli acceleratori, aggiungendo che i dati dei fasci di particelle possono essere utilizzati "in un modo più completo ed efficace per migliorare i nostri obiettivi scientifici negli acceleratori di tutto il mondo".