ABD'deki araştırmacılar, küçük miktarlarda eğitim verisinden parçacık hızlandırıcı ışınlarının şekillerini doğru bir şekilde yeniden oluşturan bir makine öğrenimi algoritması geliştirdiler. Ekip liderine göre yeni algoritma, hızlandırıcı deneylerinin sonuçlarını anlamayı kolaylaştırmalı ve bunların yorumlanmasında çığır açmalıdır. ryan russel arasında SLAC Ulusal Hızlandırıcı Laboratuvarı.
Parçacık fiziğindeki en büyük keşiflerin çoğu, parçacık demetlerinin ışık hızına yakın bir hızla hedeflerine çarptığında ne olduğunu gözlemlemekten geldi. Bu ışınlar her zamankinden daha enerjik ve karmaşık hale geldikçe, dinamikleri üzerinde sıkı kontrol sağlamak, sonuçları güvenilir tutmak için çok önemli hale geliyor.
Bu kontrol seviyesini sürdürmek için fizikçilerin ışın şekillerini ve momentumları mümkün olduğunca doğru tahmin etmesi gerekiyor. Ancak kirişler milyarlarca parçacık içerebilir ve her bir parçacığın konumlarını ve momentumlarını ayrı ayrı hesaplamak çok büyük miktarda hesaplama gücü gerektirir. Bunun yerine deneyciler, kirişin genel şekli hakkında kabaca bir fikir veren basitleştirilmiş dağılımları hesaplar. Bu, sorunu hesaplama açısından izlenebilir hale getirir, ancak aynı zamanda ışında bulunan birçok yararlı bilginin atıldığı anlamına gelir.
Roussel, "Işınları mevcut yöntemlerden daha kesin bir şekilde kontrol edebilen hızlandırıcılar geliştirmek için deneysel ölçümleri bu yaklaşımlara başvurmadan yorumlayabilmeliyiz" diyor.
yapay zeka yardımı
SLAC ekibi için, yapay zekanın tahmin gücü ve parçacık hareketlerini izlemek için gelişmiş yöntemler umut verici bir potansiyel çözüm sunuyordu. Roussel, "Çalışmamız, ayrıntılı ışın ölçümlerini verimli bir şekilde yorumlamak için iki yeni teknik tanıttı" diye açıklıyor. "Bu fizik bilgisine sahip makine öğrenimi modelleri, doğru tahminler yapmak için geleneksel modellerden çok daha az veriye ihtiyaç duyuyor."
İlk teknik, diye devam ediyor Roussel, bilim insanlarının parçacık demeti dinamiğine ilişkin mevcut anlayışlarını birleştiren bir makine öğrenimi algoritmasını içeriyor. Bu algoritma, ekibin, sadece birkaç ölçüme dayanarak, ışının hareket yönüne paralel ve dik olan üç eksen boyunca parçacık konumlarının ve momentumlarının dağılımları hakkında ayrıntılı bilgileri yeniden oluşturmasına olanak sağladı. İkinci teknik, ekibin makine öğrenimi algoritmasını eğitmek için kullanılan modellere ışın simülasyonlarını entegre etmesini sağlayan akıllı bir matematiksel yaklaşımdır. Bu, algoritmanın tahminlerinin doğruluğunu daha da artırdı.
Roussel ve meslektaşları, bu teknikleri deneysel verileri kullanarak test ettiler. Argonne Wakefield Hızlandırıcı ABD Enerji Bakanlığı'nın Illinois'deki Argonne Ulusal Laboratuvarı'nda. Amaçları, ışınlar doğrusal hızlandırıcıdan geçtikten sonra enerjik elektron ışınlarının konum ve momentum dağılımlarını yeniden oluşturmaktı. Roussel, "Yeniden oluşturma yöntemimizin basit hızlandırıcı fiziği ölçümlerinden ışın dağılımı hakkında geleneksel yöntemlere göre önemli ölçüde daha ayrıntılı bilgi çıkarabildiğini bulduk" diyor.
Son derece doğru tahminler
Araştırmacılar, modellerini sadece 10 veri örneğiyle eğittikten sonra, basit ölçüm setlerine dayalı olarak, diğer 10 örnekteki elektron ışınlarının dinamiklerini son derece doğru bir şekilde tahmin edebildiklerini keşfettiler. Önceki yaklaşımlarda, aynı kalitede sonuçlar elde etmek için birkaç bin örneğe ihtiyaç duyulurdu.
AI ve parçacık fiziği: güçlü bir ortaklık
Roussel, "Çalışmamız, hızlandırıcı ve ışın fiziği topluluklarının parçacık ışınlarını bireysel parçacıkların seviyesine kadar kontrol etmek için teknikler geliştirme hedeflerine ulaşma yolunda önemli adımlar atıyor" diyor.
Çalışmalarını rapor eden araştırmacılar Physical Review Letters, Yeni yaklaşımın esnekliğinin ve ayrıntılarının, gelecekteki deneycilerin deneysel verilerden maksimum miktarda yararlı bilgi çıkarmasına yardımcı olacağını umuyoruz. Zamanla, bu kadar sıkı kontrol, fizikçileri maddenin ve evrenin doğası hakkındaki temel soruları yanıtlamaya bir adım daha yaklaştırabilir.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- PlatoAiStream. Web3 Veri Zekası. Bilgi Genişletildi. Buradan Erişin.
- Adryenn Ashley ile Geleceği Basmak. Buradan Erişin.
- PREIPO® ile PRE-IPO Şirketlerinde Hisse Al ve Sat. Buradan Erişin.
- Kaynak: https://physicsworld.com/a/particle-physicists-get-ai-help-with-beam-dynamics/
