El avance del haz de partículas logra un "cambio importante de paradigma" con la ayuda del aprendizaje automático

Investigadores del Departamento de Energía (DOE) y la Universidad de Chicago han desarrollado un algoritmo que permite pronósticos más precisos de las posiciones y velocidades de la distribución de partículas de un haz cuando pasa a través de un acelerador.

Viajando casi a la velocidad de la luz, el acelerador lineal del Laboratorio Nacional de Aceleradores SLAC del DOE dispara ráfagas de cerca de mil millones de electrones a través de largos tubos metálicos para generar su haz de partículas. Ubicada en Menlo Park, California, la instalación, originalmente llamada Stanford Linear Accelerator Center, ha utilizado su acelerador de 3,2 kilómetros desde su construcción en 1962 para impulsar electrones a energías de hasta 50 gigaelectronvoltios (GeV).

El poderoso haz de partículas generado por el acelerador lineal de SLAC se usa en el estudio de todo, desde materiales innovadores hasta el comportamiento de las moléculas a escala atómica, a pesar de que el haz en sí sigue siendo un tanto misterioso ya que a los investigadores les resulta difícil medir su apariencia a medida que pasa. un acelerador

En el pasado, el desafío único presentado por la apariencia incierta del haz ha provocado que los científicos tengan que estimar cómo se comportará mientras realizan experimentos en las instalaciones de SLAC. Este problema ha sido la base del trabajo reciente del DOE y el equipo de la Universidad de Chicago para desarrollar un algoritmo que ayude a calcular el comportamiento del haz.

Ryan Roussel, científico de aceleradores SLAC y también autor principal de un artículo reciente sobre el logro, dice que hay múltiples formas en que los haces de partículas pueden manipularse dentro de los aceleradores, pero que describir su forma y momento con un alto grado de precisión es más desafiante. .

"Nuestro algoritmo tiene en cuenta la información sobre un haz que normalmente se descarta", dijo Roussel en un comunicado, "y usa esa información para pintar una imagen más detallada del haz".

En la mayoría de los casos, los científicos confían en las estadísticas para ayudarlos a determinar las formas de los haces de partículas. Aunque este enfoque es práctico, no proporciona la información más precisa y detallada sobre cómo se manifestará la forma del haz.

Otro enfoque utilizado por los investigadores implica el uso de mediciones del haz para intentar calcular cómo aparecerá y se comportará el haz en diversas condiciones, un proceso en el que se ha demostrado que ayuda el desarrollo del aprendizaje automático en los últimos años, aunque puede ser engorroso porque requiere grandes cantidades de poder computacional.

En el estudio reciente del equipo, Roussel y sus colegas investigadores decidieron utilizar el aprendizaje automático de una manera ligeramente diferente, mediante el desarrollo de un modelo que se basa en el conocimiento existente de la dinámica del haz para ayudar a predecir las posiciones de las partículas, así como los factores que incluyen su distribución. y la velocidad, todo lo cual constituye lo que se conoce como la distribución del espacio de fase del haz. Luego, el modelo se usó para ayudar con la interpretación de los datos recopilados en el Acelerador Argonne Wakefield en el Laboratorio Nacional Argonne del DOE.

La implementación del modelo de esta manera permitió a los investigadores reconstruir con precisión detalles finos del haz con solo diez puntos de datos. Por el contrario, los modelos anteriores de aprendizaje automático probablemente requerirían hasta 10 000 puntos de datos para lograr resultados similares.

Roussel y el equipo dicen que la información más detallada que proporciona su algoritmo ayudará a los científicos a lograr una mayor precisión al realizar experimentos con haces de partículas. Tales capacidades pueden terminar siendo vitales en el futuro, debido al uso cada vez mayor de niveles más altos de energía en la producción de perfiles de haz más complejos.

Auralee Edelen, una de las coautoras del artículo y científica del acelerador SLAC, dijo que el equipo logró demostrar que su modelo "puede inferir formas de haz de alta dimensión muy complicadas a partir de cantidades de datos asombrosamente pequeñas".

Roussel calificó el logro como un importante cambio de paradigma hacia un mejor análisis y experimentación con los datos recopilados en las instalaciones de los aceleradores, y agregó que los datos del haz de partículas se pueden usar "de una manera más completa y poderosa para mejorar nuestros objetivos científicos en los aceleradores en todas partes".

El estudio de investigación del equipo se publicó en la revista Physical Review Letters el mes pasado.

Micah Hanks es el editor en jefe y cofundador de The Debrief. Se le puede contactar por correo electrónico a [email protected]. Siga su trabajo en micahhanks.com y en Twitter: @MicahHanks.