L'IA nous dit à quoi ressemblent les faisceaux des accélérateurs de particules

Un algorithme d'intelligence artificielle a été développé pour prédire plus précisément comment les particules sont distribuées dans un faisceau de particules à l'intérieur d'un accélérateur, montrant que les utilisateurs peuvent déduire des formes de faisceau de haute dimension très compliquées à partir de "quantités étonnamment petites de données".

Les accélérateurs de particules sont parmi les outils expérimentaux les plus importants (et les plus grands) de la physique moderne. Des faisceaux de particules sont projetés à travers des tuyaux métalliques à une vitesse proche de la lumière pour étudier le comportement atomique des molécules et des plus petites particules subatomiques.

Savoir comment un faisceau de particules se comportera dans une expérience donnée est important pour maximiser les informations scientifiquement utiles qui peuvent être glanées. Ceci est d'autant plus important que les accélérateurs fonctionnent à des énergies de plus en plus élevées et produisent des profils de faisceaux plus complexes.

Mais identifier le comportement des particules n'est pas une tâche facile.

Parce que les faisceaux de particules impliquent souvent de l'ordre de milliards de particules, il ne s'agit pas simplement de prédire où chacune finira.

Maintenant, des chercheurs du SLAC (Stanford Linear Accelerator Center) du Département américain de l'énergie en Californie et de l'Université de Chicago ont développé un algorithme d'apprentissage automatique pour donner une image plus précise de la distribution des particules dans un faisceau accéléré.

"Nous avons de nombreuses façons différentes de manipuler les faisceaux de particules à l'intérieur des accélérateurs, mais nous n'avons pas de moyen vraiment précis pour décrire la forme et l'impulsion d'un faisceau", explique Ryan Roussel, scientifique des accélérateurs au SLAC. "Notre algorithme prend en compte les informations sur un faisceau qui est normalement rejeté et utilise ces informations pour peindre une image plus détaillée du faisceau."

Les chercheurs utilisent généralement une approche statistique pour décrire la vitesse et la position des particules afin de fournir une forme approximative du faisceau global. Mais des informations potentiellement utiles pourraient être ignorées dans le processus.

Recevez une mise à jour des histoires scientifiques directement dans votre boîte de réception.

Alternativement, les scientifiques peuvent évaluer à quoi ressemblerait un faisceau dans différentes conditions expérimentales en prenant de nombreuses mesures du faisceau lui-même. Ces méthodes utilisent parfois déjà l'apprentissage automatique, mais nécessitent d'énormes quantités de données et de puissance de calcul.

Dans la dernière étude, l'équipe a construit un modèle d'apprentissage automatique qui reprend essentiellement les meilleurs éléments des deux méthodes.

Leur algorithme utilise notre connaissance de la dynamique des faisceaux pour prédire ce que l'on appelle collectivement la "distribution spatiale des phases" des vitesses et des positions des particules.

"La plupart des modèles d'apprentissage automatique n'incluent directement aucune notion de dynamique des faisceaux de particules pour accélérer l'apprentissage et réduire la quantité de données requises", explique Auralee Edelen, scientifique de l'accélérateur SLAC. "Nous avons montré que nous pouvons déduire des formes de faisceau de haute dimension très compliquées à partir de quantités de données étonnamment petites."

L'équipe a testé son modèle à l'accélérateur Argonne Wakefield du laboratoire national d'Argonne du DOE près de Chicago, dans l'Illinois. Ils ont pu interpréter des données expérimentales en utilisant la physique des faisceaux de particules en utilisant seulement 10 points de données - pour un modèle d'apprentissage automatique non formé à la dynamique des faisceaux de particules, la tâche aurait pris jusqu'à 10 000 points de données.

Le modèle peut actuellement reconstruire un faisceau de particules dans un espace de phase de faisceau 4D - le long des axes haut-bas et gauche-droite. Les chercheurs travaillent à une distribution spatiale de phase 6D complète qui inclut les vitesses des particules le long de la direction du faisceau lui-même.

La recherche est publiée dans Physical Review Letters.

Publié à l'origine par Cosmos, l'algorithme d'IA nous dit à quoi ressemblent les faisceaux d'accélérateurs de particules

Evrim Yazgin est titulaire d'un baccalauréat ès sciences avec spécialisation en physique mathématique et d'une maîtrise ès sciences en physique, tous deux de l'Université de Melbourne.

Il n'y a jamais eu de moment plus important pour expliquer les faits, chérir les connaissances fondées sur des preuves et présenter les dernières percées scientifiques, technologiques et techniques. Cosmos est publié par The Royal Institution of Australia, une organisation caritative dédiée à connecter les gens avec le monde de la science. Les contributions financières, grandes ou petites, nous aident à fournir un accès à des informations scientifiques fiables à un moment où le monde en a le plus besoin. Veuillez nous soutenir en faisant un don ou en achetant un abonnement aujourd'hui.