Maskininlärning, en form av artificiell intelligens, snabbt påskyndar beräkningsuppgifter och möjliggör ny teknik inom områden så breda som tal- och bildigenkänning, självkörande bilar, börshandel och medicinsk diagnos.

Innan du börjar arbeta med en viss uppgift, maskininlärningsalgoritmer behöver vanligtvis utbildas i befintliga data så att de kan lära sig att göra snabba och exakta förutsägelser om framtida scenarier på egen hand. Men tänk om jobbet är ett helt nytt, utan data tillgänglig för utbildning?

Nu, forskare vid Institutionen för energis SLAC National Accelerator Laboratory har visat att de kan använda maskininlärning för att optimera prestanda för partikelacceleratorer genom att lära algoritmerna de grundläggande fysikprinciperna bakom acceleratoroperationer - inga tidigare data behövs.

"Att injicera fysik i maskininlärning är ett riktigt hett ämne inom många forskningsområden - inom materialvetenskap, miljövetenskap, batteriforskning, partikelfysik och mer, "sa Adi Hanuka, en tidigare SLAC -forskare som ledde en studie publicerad i Fysisk granskningsaccelerator och strålar . Detta är ett av de första exemplen på att använda fysikinformerat maskininlärning i acceleratorfysikgemenskapen.

Utbildar AI med fysik

Acceleratorer är kraftfulla maskiner som aktiverar elektronstrålar eller andra partiklar för användning i ett brett spektrum av applikationer, inklusive grundläggande fysikaliska experiment, molekylär bildbehandling och strålbehandling för cancer. För att få den bästa strålen för en given applikation, operatörer måste ställa in acceleratorn för bästa prestanda.

När det gäller stora partikelacceleratorer kan detta vara mycket utmanande eftersom det finns så många komponenter som måste justeras. Det som ytterligare komplicerar saker är att inte alla komponenter är oberoende, vilket betyder att om du justerar en, det kan påverka inställningarna för en annan.

Nyligen genomförda studier vid SLAC har visat att maskininlärning i hög grad kan stödja mänskliga operatörer genom att påskynda optimeringsprocessen och hitta användbara acceleratorinställningar som ingen har tänkt på tidigare. Maskininlärning kan också hjälpa till att diagnostisera kvaliteten på partikelstrålar utan att störa dem, som andra tekniker brukar göra.

För att dessa procedurer ska fungera, forskare fick först träna maskininlärningsalgoritmerna med data från tidigare acceleratoroperationer, datasimuleringar som gör antaganden om acceleratorns prestanda, eller båda. Dock, de fann också att användning av information från fysikmodeller i kombination med tillgängliga experimentella data dramatiskt kan minska mängden ny data som krävs.

Den nya studien visar att tidigare data är, faktiskt, behövs inte om du vet tillräckligt om fysiken som beskriver hur en accelerator fungerar.

Teamet använde detta tillvägagångssätt för att ställa in SLACs SPEAR3 -accelerator, som driver laboratoriets Stanford Synchrotron Radiation Lightsource (SSRL). Genom att använda information som erhållits direkt från fysikbaserade modeller, de fick resultat som var lika bra, om inte bättre, som de uppnås genom att träna algoritmen med faktiska arkivdata, sa forskarna.

"Våra resultat är den senaste höjdpunkten i ett progressivt tryck på SLAC för att utveckla maskininlärningsverktyg för att ställa in acceleratorer, "sa SLAC -personalforskaren Joe Duris, studiens huvudutredare.

Förutspår det okända

Därmed inte sagt att befintlig data inte är till hjälp. De kommer fortfarande till nytta även om du har din fysik nere. I SPEAR3 -fallet forskarna kunde ytterligare förbättra den fysikinformerade maskininlärningsmodellen genom att para ihop den med faktiska data från acceleratorn. Teamet tillämpar också metoden för att förbättra inställningen av SLAC:s Linac Coherent Light Source (LCLS) röntgenlaser, en av de mest kraftfulla röntgenkällorna på planeten, för vilka arkivdata är tillgängliga från tidigare experimentella körningar.

Den nya metodens fulla potential kommer troligen att bli uppenbar när SLAC-besättningar slår på LCLS-II nästa år. Denna supraledande uppgradering till LCLS har en helt ny accelerator, och dess bästa inställningar måste bestämmas från grunden. Operatörerna kan tycka att det är bekvämt att ha AI vid sin sida som redan har lärt sig några grunder i acceleratorfysik.