Физики обучили ИИ настраивать пучок частиц в ускорителе

Ускорители частиц представляют собой установки, которые разгоняют заряженные частицы, такие как электроны или протоны. Эти устройства помогают в научных исследованиях, изучая структуру вещества и свойства новых материалов, а также находят применение в медицине для лучевой терапии. Технологии, используемые в ускорителях, также применяются в других устройствах: например, в кинескопах телевизоров ускоренные электроны заставляют экран светиться, а в компьютерных томографах они используются для получения рентгеновского излучения. Об этом пишет портал Машины и Механизмы.

В ускорителях частицы движутся в виде пучков, представляющих собой узкие потоки. Электрические поля разгоняют их, а магнитные поля направляют и фокусируют. Неправильная настройка магнитов может привести к отклонению части частиц от заданной траектории. Изменение параметров одного магнита влияет на движение пучка через последующие элементы, что требует от специалистов подбора оптимального сочетания множества параметров. Расчеты необходимы как на этапе проектирования ускорителя, так и после его запуска, когда параметры нужно уточнять непосредственно на установке.

Исследователи из Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ и Института ядерной физики имени Г.И. Будкера СО РАН предложили использовать обучение с подкреплением для оптимизации настроек ускорителей. Они разработали программу RLABC, которая позволяет применять алгоритмы машинного обучения совместно с программой Elegant, используемой физиками для расчета движения пучков.

В данной системе нейросеть последовательно задает параметры магнитов в компьютерной модели, а Elegant рассчитывает, как эти параметры влияют на пучок. RLABC передает результаты обратно нейросети, которая оценивает свои действия. Чем больше частиц проходит дальше, тем выше оценка. После множества итераций сеть учится выбирать более эффективные настройки, объясняет Анвар Ибрахим, один из авторов исследования и стажер-исследователь.

Разработка была протестирована на компьютерной модели, основанной на комплексе ВЭПП-5 Института ядерной физики Сибирского отделения РАН, которая включала 11 магнитов с 37 настраиваемыми параметрами. В среднем 70% частиц достигали конца канала, а при настройке всех 37 параметров результат составил около 66%. Программа также была протестирована на модели с другой конфигурацией магнитов, где удалось провести 71% частиц. По словам авторов, результаты модели сопоставимы с настройками, предлагаемыми специалистами по ускорительной технике, что указывает на возможность использования инструмента, хотя его возможности еще предстоит проверить на более сложных транспортных каналах. В дальнейшем исследователи планируют испытать программу на реальных ускорителях.

Каждый ускоритель имеет свои особенности, поэтому эффективный метод настройки для одной установки может оказаться менее эффективным для другой. RLABC позволяет проверять различные конфигурации и определять, в каких задачах обучение с подкреплением будет наиболее эффективно. Исследователи предполагают, что алгоритм способен находить удачные сочетания параметров, которые ранее не рассматривались человеком.

По задумке авторов, программа будет предлагать оператору подходящие настройки, освобождая его от рутинной работы, хотя окончательное решение останется за человеком.

Авторы надеются, что этот подход на основе машинного обучения поможет автоматизировать процесс настройки ускорителей. В будущем рутинные задачи на ускорителях могут выполняться ИИ-агентами, что позволит специалистам больше времени уделять интересным экспериментам и культурному отдыху. Код RLABC открыт и доступен для использования и доработки другими исследователями. Исследование выполнено при поддержке гранта для исследовательских центров в области искусственного интеллекта, предоставленного Минэкономразвития России.

Результаты работы опубликованы в журнале Computer Physics Communications.

Больше новостей и эксклюзивных видео смотрите в канале Самара Онлайн 24 в MAX

Читайте также: