AI nos dice cómo se ven los rayos del acelerador de partículas

Se ha desarrollado un algoritmo de inteligencia artificial para predecir con mayor precisión cómo se distribuyen las partículas en un haz de partículas dentro de un acelerador, lo que demuestra que los usuarios pueden inferir formas de haz de alta dimensión muy complicadas a partir de "cantidades de datos asombrosamente pequeñas".

Los aceleradores de partículas se encuentran entre las herramientas experimentales más importantes (y más grandes) de la física moderna. Se disparan haces de partículas a través de tuberías de metal a una velocidad cercana a la de la luz para estudiar el comportamiento atómico de las moléculas y las partículas subatómicas más pequeñas.

Saber cómo se comportará un haz de partículas en un experimento dado es importante para maximizar la información científicamente útil que se puede obtener. Esto es especialmente importante ya que los aceleradores operan a energías cada vez más altas y producen perfiles de haz más complejos.

Pero identificar el comportamiento de las partículas no es tarea fácil.

Debido a que los haces de partículas a menudo involucran del orden de miles de millones de partículas, no se trata simplemente de predecir dónde terminará cada una.

Ahora, investigadores del SLAC (Stanford Linear Accelerator Center) del Departamento de Energía de EE. UU. en California y de la Universidad de Chicago han desarrollado un algoritmo de aprendizaje automático para brindar una imagen más precisa de cómo se distribuyen las partículas en un haz acelerado.

"Tenemos muchas formas diferentes de manipular los haces de partículas dentro de los aceleradores, pero no tenemos una manera realmente precisa de describir la forma y el momento de un haz", dice el científico del acelerador SLAC Ryan Roussel. "Nuestro algoritmo tiene en cuenta la información sobre un haz que normalmente se descarta y usa esa información para pintar una imagen más detallada del haz".

Los investigadores suelen utilizar un enfoque estadístico para describir la velocidad y la posición de las partículas para proporcionar una forma aproximada del haz general. Pero la información potencialmente útil podría ignorarse en el proceso.

Reciba una actualización de historias científicas directamente en su bandeja de entrada.

Alternativamente, los científicos pueden evaluar cómo se vería un haz en diferentes condiciones experimentales tomando muchas medidas del propio haz. Dichos métodos a veces ya utilizan el aprendizaje automático, pero requieren grandes cantidades de datos y potencia computacional.

En el último estudio, el equipo construyó un modelo de aprendizaje automático que esencialmente toma los mejores elementos de ambos métodos.

Su algoritmo utiliza nuestro conocimiento de la dinámica del haz para predecir lo que se conoce colectivamente como la "distribución del espacio de fase" de las velocidades y posiciones de las partículas.

"La mayoría de los modelos de aprendizaje automático no incluyen directamente ninguna noción de la dinámica del haz de partículas para acelerar el aprendizaje y reducir la cantidad de datos necesarios", dice la científica del acelerador SLAC Auralee Edelen. "Hemos demostrado que podemos inferir formas de haz de alta dimensión muy complicadas a partir de cantidades de datos asombrosamente pequeñas".

El equipo probó su modelo en el Acelerador Argonne Wakefield en el Laboratorio Nacional Argonne del DOE cerca de Chicago, Illinois. Pudieron interpretar datos experimentales utilizando la física de haces de partículas usando solo 10 puntos de datos: para un modelo de aprendizaje automático no entrenado en la dinámica de haces de partículas, la tarea habría requerido hasta 10 000 puntos de datos.

Actualmente, el modelo puede reconstruir un haz de partículas en un espacio de fase de haz 4D, a lo largo de los ejes arriba-abajo e izquierda-derecha. Los investigadores están trabajando para obtener una distribución espacial de fase 6D completa que incluya velocidades de partículas a lo largo de la dirección del haz mismo.

La investigación se publica en Physical Review Letters.

Publicado originalmente por Cosmos como un algoritmo de inteligencia artificial que nos dice cómo se ven los haces de los aceleradores de partículas

Evrim Yazgin tiene una Licenciatura en Ciencias con especialización en física matemática y una Maestría en Ciencias en física, ambas de la Universidad de Melbourne.

Nunca ha habido un momento más importante para explicar los hechos, apreciar el conocimiento basado en evidencia y mostrar los últimos avances científicos, tecnológicos y de ingeniería. Cosmos es una publicación de The Royal Institution of Australia, una organización benéfica dedicada a conectar a las personas con el mundo de la ciencia. Las contribuciones financieras, sean grandes o pequeñas, nos ayudan a brindar acceso a información científica confiable en el momento en que el mundo más lo necesita. Por favor apóyenos haciendo una donación o comprando una suscripción hoy.