Cientistas desenvolveram uma nova plataforma de aprendizado de máquina que torna os algoritmos que controlam feixes de partículas e lasers mais inteligentes do que nunca. Seu trabalho pode ajudar a levar ao desenvolvimento de novos e aprimorados aceleradores de partículas que ajudarão os cientistas a desvendar os segredos do mundo subatômico.
Daniele Filippetto e colegas do Laboratório Nacional Lawrence Berkeley do Departamento de Energia (Berkeley Lab) desenvolveram a configuração para compensar automaticamente as mudanças em tempo real nos feixes do acelerador e outros componentes, como ímãs. Sua abordagem de aprendizado de máquina também é melhor do que os sistemas de controle de feixe contemporâneos tanto para entender por que as coisas falham quanto para usar a física para formular uma resposta. Um artigo descrevendo a pesquisa foi publicado no final do ano passado em Nature Scientific Reports .

"Estamos tentando ensinar física a um chip, ao mesmo tempo em que fornecemos a sabedoria e a experiência de um cientista sênior operando a máquina", disse Filippetto, cientista da equipe da Accelerator Technology &Applied Physics Division (ATAP) na Berkeley Lab e vice-diretor do programa Berkeley Accelerator Controls and Instrumentation Program (BACI).

Sua pesquisa também tem o potencial de impactar vários campos aplicados de aceleradores de partículas, desde operações autônomas em ambientes industriais e médicos até maior precisão em aplicações científicas, como colisores lineares e lasers de elétrons livres ultrarrápidos.

A nova técnica foi demonstrada no acelerador High Repetition-Rate Electron Scattering Apparatus (HiRES) no Berkeley Lab em colaboração com pesquisadores do Los Alamos National Laboratory e da UCLA. A principal aplicação da linha de luz HiRES é realizar experimentos de dinâmica estrutural em novos materiais quânticos. O instrumento contribuiu para inúmeras descobertas científicas, como a realização dos primeiros estudos de difração de elétrons ultrarrápidos de fusão óptica de ditelureto de tântalo, um material com propriedades interessantes e potencialmente úteis. Agora, esta nova máquina está mostrando sua utilidade para desenvolver novos métodos para controlar amplas classes de aceleradores.

Os aceleradores de partículas produzem e aceleram feixes de partículas carregadas, como elétrons, prótons e íons, de tamanho atômico e subatômico. À medida que as máquinas se tornam mais poderosas e complexas, o controle e a otimização da partícula ou do feixe de laser se tornam mais importantes para atender às necessidades de aplicações científicas, médicas e industriais.

Filippetto e colegas do programa BACI estão liderando o desenvolvimento global de ferramentas de aprendizado de máquina. Essas ferramentas fornecem uma plataforma para desenvolver algoritmos inteligentes que reagem com rapidez e precisão a perturbações imprevistas, aprendem com seus erros e adotam a melhor estratégia para alcançar ou manter o ponto de ajuste do feixe alvo.

As ferramentas que estão desenvolvendo têm a vantagem adicional de fornecer um modelo preciso do comportamento geral de um sistema acelerador de partículas, independentemente da complexidade. Os controladores podem usar esses recursos novos e aprimorados para tomar decisões em tempo real mais eficazes.

O foco atual do trabalho de Filippetto é usar o poder e a previsão de ferramentas de aprendizado de máquina para aumentar a estabilidade geral dos feixes de partículas.

"Se você pode prever as propriedades do feixe com uma precisão que supera suas flutuações, você pode usar a previsão para aumentar o desempenho do acelerador", disse ele. "O conhecimento em tempo real dos principais parâmetros do feixe teria um enorme impacto na precisão final dos experimentos."

A princípio, tal abordagem pode parecer improvável de produzir resultados precisos, semelhantes aos desafios com a previsão do comportamento do mercado de ações, mas os primeiros resultados do grupo são promissores. De fato, o algoritmo usado, baseado em modelos de redes neurais, mostra um aumento de dez vezes na precisão dos parâmetros de feixe previstos em comparação com a análise estatística típica. Em trabalhos relacionados, um prêmio Halbach recente foi para Simon Leemann, cientista da equipe do Accelerator Physics Group na ATAP, e colaboradores para o desenvolvimento de métodos de controle de aprendizado de máquina que melhoram o desempenho da Fonte de Luz Avançada, estabilizando o feixe de elétrons altamente relativístico no campo experimental. pontos de origem por aproximadamente uma ordem de magnitude, um nível sem precedentes.

Em pesquisas relacionadas publicadas na Optics Express , Dan Wang, pesquisadora do grupo BACI que iniciou sua carreira no Berkeley Lab há três anos como pesquisadora de pós-doutorado, está usando ferramentas de aprendizado de máquina para avançar a tecnologia de controle em sistemas laser complexos. No caso de Wang, o objetivo final é ser capaz de combinar com precisão centenas de pulsos de laser ultra-intensos em um feixe poderoso e coerente do tamanho de um fio de cabelo humano. Em um feixe coerente, a fase de cada laser de entrada deve ser controlada dentro de alguns graus de erro, o que é muito desafiador. A energia do laser pode ser combinada de diferentes maneiras, mas em todos os casos, é imperativo que a coerência da matriz de feixes seja estabilizada contra perturbações ambientais, como deriva térmica, flutuações do ar ou mesmo o movimento da mesa de suporte.

Para fazer isso, Wang e seus colegas desenvolveram um modelo de rede neural que é 10 vezes mais rápido na correção de erros do sistema na matriz de laser combinada do que outros métodos convencionais. O modelo que eles desenvolveram também é capaz de ensinar o sistema a reconhecer erros de fase e alteração de parâmetros nos lasers e a corrigir automaticamente as perturbações quando elas ocorrem.

O método dos pesquisadores funciona tanto em simulações quanto em experimentos em lasers, onde foi alcançado um desempenho de controle sem precedentes. O próximo passo na pesquisa é implementar modelos de aprendizado de máquina em computadores de ponta, como arrays de portas programáveis ​​em campo (FPGAs) para uma resposta mais rápida, e também demonstrar a generalização desse método de controle baseado em aprendizado de máquina em sistemas mais complexos onde há muito mais variáveis ​​a serem consideradas.

“Eu venho de um histórico de acelerador, mas durante meu pós-doutorado, meus colegas realmente me ajudaram a abraçar o poder do aprendizado de máquina”, disse Wang. "O que aprendi é que o aprendizado de máquina é uma ferramenta poderosa para resolver muitos problemas diferentes, mas você sempre precisa usar sua física para orientar como usá-la e aplicá-la."

“Para atender às necessidades da nova ciência, este trabalho exemplifica métodos de feedback ativo e aprendizado de máquina que são capacitadores cruciais para a próxima geração de aceleradores e desempenho de laser para alimentar novas fontes de fótons e futuros colisores de partículas”, disse Cameron Geddes, diretor do Accelerator. Divisão de Tecnologia e Física Aplicada. + Explorar mais

Nova ferramenta de aprendizado de máquina diagnostica feixes de elétrons de maneira eficiente e não invasiva