Aprendizado de máquina, uma forma de inteligência artificial, acelera enormemente as tarefas computacionais e permite novas tecnologias em áreas tão amplas como o reconhecimento de voz e imagem, carros autônomos, negociação no mercado de ações e diagnóstico médico.

Antes de trabalhar em uma determinada tarefa, algoritmos de aprendizado de máquina normalmente precisam ser treinados em dados pré-existentes para que possam aprender a fazer previsões rápidas e precisas sobre cenários futuros por conta própria. Mas e se o trabalho for completamente novo, sem dados disponíveis para treinamento?

Agora, pesquisadores do SLAC National Accelerator Laboratory do Departamento de Energia demonstraram que podem usar o aprendizado de máquina para otimizar o desempenho dos aceleradores de partículas, ensinando aos algoritmos os princípios básicos da física por trás das operações do acelerador - sem a necessidade de dados anteriores.

"Injetar física no aprendizado de máquina é um tópico muito importante em muitas áreas de pesquisa - na ciência dos materiais, Ciência ambiental, pesquisa de bateria, física de partículas e muito mais, "disse Adi Hanuka, um ex-associado de pesquisa do SLAC que liderou um estudo publicado em Acelerador de revisão física e vigas . Este é um dos primeiros exemplos de uso de aprendizado de máquina baseado em física na comunidade de física do acelerador.

Educando IA com física

Os aceleradores são máquinas poderosas que energizam feixes de elétrons ou outras partículas para uso em uma ampla gama de aplicações, incluindo experimentos de física fundamentais, imagens moleculares e radioterapia para o câncer. Para obter o melhor feixe para uma determinada aplicação, os operadores precisam ajustar o acelerador para desempenho máximo.

Quando se trata de aceleradores de partículas grandes, isso pode ser muito desafiador porque há muitos componentes que precisam ser ajustados. O que complica ainda mais as coisas é que nem todos os componentes são independentes, o que significa que se você ajustar um, pode afetar as configurações de outro.

Estudos recentes no SLAC mostraram que o aprendizado de máquina pode oferecer grande suporte aos operadores humanos, acelerando o processo de otimização e encontrando configurações de acelerador úteis nas quais ninguém havia pensado antes. O aprendizado de máquina também pode ajudar a diagnosticar a qualidade dos feixes de partículas sem interferir neles, como outras técnicas costumam fazer.

Para que esses procedimentos funcionem, os pesquisadores primeiro tiveram que treinar os algoritmos de aprendizado de máquina com dados de operações anteriores do acelerador, simulações de computador que fazem suposições sobre o desempenho do acelerador, ou ambos. Contudo, eles também descobriram que o uso de informações de modelos físicos combinados com dados experimentais disponíveis pode diminuir drasticamente a quantidade de novos dados necessários.

O novo estudo demonstra que os dados anteriores são, na verdade, não é necessário se você souber o suficiente sobre a física que descreve como funciona um acelerador.

A equipe usou essa abordagem para ajustar o acelerador SPEAR3 do SLAC, que alimenta o Stanford Synchrotron Radiation Lightsource (SSRL). Ao usar informações obtidas diretamente de modelos baseados na física, eles obtiveram resultados que foram tão bons, se não melhor, como aqueles obtidos pelo treinamento do algoritmo com dados de arquivo reais, disseram os pesquisadores.

"Nossos resultados são o destaque mais recente de um esforço progressivo do SLAC para desenvolver ferramentas de aprendizado de máquina para aceleradores de ajuste, "disse o cientista da equipe do SLAC Joe Duris, o investigador principal do estudo.

Prevendo o desconhecido

Isso não quer dizer que os dados pré-existentes não sejam úteis. Eles ainda são úteis, mesmo se você tiver aprendido a física. No caso SPEAR3, os pesquisadores foram capazes de melhorar ainda mais o modelo de aprendizado de máquina baseado em física, emparelhando-o com dados reais do acelerador. A equipe também está aplicando o método para melhorar o ajuste do laser de raios-X Linac Coherent Light Source (LCLS) da SLAC, uma das fontes de raios-X mais poderosas do planeta, para os quais os dados de arquivo estão disponíveis de execuções experimentais anteriores.

O potencial total do novo método provavelmente se tornará aparente quando as equipes do SLAC ligarem o LCLS-II no próximo ano. Esta atualização supercondutora para LCLS tem um acelerador totalmente novo, e suas melhores configurações precisam ser determinadas do zero. Seus operadores podem achar conveniente ter IA ao seu lado, que já aprendeu alguns fundamentos da física do acelerador.