Los físicos de partículas reciben ayuda de la IA con la dinámica de haces

Investigadores de EE. UU. han desarrollado un algoritmo de aprendizaje automático que reconstruye con precisión las formas de los haces de los aceleradores de partículas a partir de pequeñas cantidades de datos de entrenamiento. El nuevo algoritmo debería facilitar la comprensión de los resultados de los experimentos con aceleradores y podría generar avances en su interpretación, según el líder del equipo, Ryan Roussel, del Laboratorio Nacional de Aceleradores SLAC.

Muchos de los mayores descubrimientos en la física de partículas provienen de la observación de lo que sucede cuando los haces de partículas chocan contra sus objetivos a una velocidad cercana a la de la luz. A medida que estos haces se vuelven cada vez más energéticos y complejos, mantener un control estricto sobre su dinámica se vuelve crucial para mantener la confiabilidad de los resultados.

Para mantener este nivel de control, los físicos deben predecir las formas y los momentos de los haces con la mayor precisión posible. Pero los haces pueden contener miles de millones de partículas, y se necesitaría una gran cantidad de potencia informática para calcular las posiciones y los momentos de cada partícula individualmente. En cambio, los experimentadores calculan distribuciones simplificadas que brindan una idea aproximada de la forma general del haz. Esto hace que el problema sea manejable desde el punto de vista computacional, pero también significa que se desecha mucha información útil contenida en el haz.

"Para desarrollar aceleradores que puedan controlar haces con mayor precisión que los métodos actuales, debemos ser capaces de interpretar medidas experimentales sin recurrir a estas aproximaciones", dice Roussel.

Para el equipo de SLAC, el poder predictivo de la IA, más los métodos avanzados para rastrear los movimientos de las partículas, ofrecían una solución potencial prometedora. "Nuestro estudio introdujo dos nuevas técnicas para interpretar de manera eficiente las mediciones detalladas del haz", explica Roussel. "Estos modelos de aprendizaje automático basados ​​en la física necesitan significativamente menos datos que los modelos convencionales para hacer predicciones precisas".

La primera técnica, continúa Roussel, involucra un algoritmo de aprendizaje automático que incorpora la comprensión actual de los científicos sobre la dinámica del haz de partículas. Este algoritmo permitió al equipo reconstruir información detallada sobre las distribuciones de posiciones de partículas y momentos a lo largo de los tres ejes paralelos y perpendiculares a la dirección de viaje del haz, basándose en solo unas pocas mediciones. La segunda técnica es un enfoque matemático inteligente que permitió al equipo integrar simulaciones de haces en los modelos utilizados para entrenar el algoritmo de aprendizaje automático. Esto mejoró aún más la precisión de las predicciones del algoritmo.

Roussel y sus colegas probaron estas técnicas utilizando datos experimentales del Acelerador Argonne Wakefield en el Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. en Illinois. Su objetivo era reconstruir las distribuciones de posición y momento de haces de electrones energéticos después de que los haces pasan por el acelerador lineal. "Descubrimos que nuestro método de reconstrucción podía extraer información significativamente más detallada sobre la distribución del haz a partir de mediciones simples de la física del acelerador que los métodos convencionales", dice Roussel.

Después de entrenar su modelo con solo 10 muestras de datos, los investigadores descubrieron que podían predecir la dinámica de los haces de electrones en otras 10 muestras con mucha precisión, basándose en conjuntos simples de mediciones. Con enfoques anteriores, se habrían necesitado varios miles de muestras para producir la misma calidad de resultados.

IA y física de partículas: una asociación poderosa

"Nuestro trabajo da pasos significativos hacia el logro de los objetivos de las comunidades de física de haces y aceleradores de desarrollar técnicas para controlar haces de partículas hasta el nivel de partículas individuales", dice Roussel.

Los investigadores, que informan sobre su trabajo en Physical Review Letters, esperan que la flexibilidad y los detalles del nuevo enfoque ayuden a los futuros experimentadores a extraer la máxima cantidad de información útil de los datos experimentales. Con el tiempo, un control tan estricto podría incluso llevar a los físicos un paso más cerca de responder preguntas fundamentales sobre la naturaleza de la materia y el universo.