Anpassen von Beschleunigern mit Hilfe von maschinellem Lernen

Reihenweise übereinander gestapelte Computerbildschirme säumen die Wände. Die Bildschirme sind mit Zahlen und Grafiken übersät, die für ein ungeübtes Auge unverständlich sind. Aber sie erzählen den Bedienern im Kontrollraum des Teilchenbeschleunigers eine Geschichte. Die Zahlen beschreiben, wie der Beschleuniger winzige Partikel beschleunigt, sodass sie auf Ziele oder andere Partikel prallen.

Allerdings kann selbst der beste Bediener die winzigen Veränderungen im Laufe der Zeit, die sich auf die Maschinerie des Beschleunigers auswirken, nicht vollständig verfolgen. Wissenschaftler untersuchen, wie man mithilfe von Computern die winzigen Anpassungen vornehmen kann, die erforderlich sind, um Teilchenbeschleuniger optimal laufen zu lassen.

Forscher nutzen Beschleuniger, um Materialien und die Partikel, aus denen sie bestehen, besser zu verstehen. Chemiker und Biologen nutzen sie, um ultraschnelle Prozesse wie die Photosynthese zu untersuchen. Kern- und Hochenergiephysiker zerschmettern Protonen und andere Teilchen, um mehr über die Bausteine ​​unseres Universums zu erfahren.

Kompakte Beschleuniger können für breitere gesellschaftliche Anwendungen besonders nützlich sein. Mediziner und Ärzte nutzen Beschleuniger in der Krebstherapie, Hersteller produzieren damit Halbleiter für die Elektronik. Weitere Anwendungen umfassen die Sterilisierung medizinischer Geräte, die Analyse historischer Artefakte und das Härten von Leichtbaumaterialien für Autos.

Leider neigt die Leistung von Teilchenbeschleunigern dazu, im Laufe der Zeit zu schwanken. Sie bestehen aus Hunderttausenden Komponenten. Einige dieser Komponenten sind unglaublich komplex. Äußere Einflüsse wie Vibrationen und Temperaturschwankungen können die Funktion der Maschine beeinträchtigen.

Wenn sich verschiedene Teile verschieben, haben sie einen Dominoeffekt auf die darauffolgenden Teile in der Reihe. Bis der Beschleuniger den Teilchenstrahl erzeugt, können sich winzige Verschiebungen zu einer erheblichen Veränderung summiert haben. Es ist so, als ob das Abbremsen einzelner Autos zu einem Stau führen kann. Mit der Zeit wird der Strahl weniger präzise und weniger nützlich.

Um dieses Problem zu beheben, müssen Betreiber die Beschleuniger wieder auf ihre optimalen Parameter „abstimmen“. Diese Neuabstimmungsperioden begrenzen die Zeit, die den Wissenschaftlern für die Beschleuniger zur Verfügung steht. Während Wissenschaftler experimentelle Daten erfassen, können die Techniker außerdem die Beschleuniger nicht in Echtzeit anpassen.

Darüber hinaus sind die Balken unglaublich komplex. Sie existieren in einem Raum, den Wissenschaftler weder schnell noch direkt messen können. Bediener sind darauf beschränkt, die Strahlposition in einer Dimension zu betrachten. Wenn man bedenkt, dass der Strahl tatsächlich in sechs Dimensionen existiert (die normalen drei plus Bewegung in jeder von ihnen), entgehen den Betreibern viele Daten.

Um diese Probleme anzugehen, haben Wissenschaftler komplexe Steuerungen und Diagnosen entwickelt. Spezielle Algorithmen passen die Funktionsweise eines Teilchenbeschleunigers an, um zeitliche Veränderungen auszugleichen. Eine Reihe von Systemen verwenden diese Algorithmen, darunter das LCLS (eine Benutzereinrichtung des DOE Office of Science am SLAC National Accelerator Laboratory). Aber diese Methoden haben eine große Herausforderung. Da diese Algorithmen auf dem Feedback des Beschleunigers basieren, kann es passieren, dass die Algorithmen „stecken bleiben“, ohne die wirklich optimalen Bedingungen zu finden.

Maschinelles Lernen – eine Form der künstlichen Intelligenz – hat das Potenzial, dabei zu helfen. Durch maschinelles Lernen könnten Computer als „virtuelle Beobachter“ fungieren, die menschliche Techniker unterstützen. Anwendungen für maschinelles Lernen suchen nach Mustern in Daten und treffen dann Vorhersagen. Wissenschaftler „lehren“ Anwendungen des maschinellen Lernens, indem sie ihnen Trainingsdatensätze zur Verfügung stellen.

Aus diesen Daten lernt die Anwendung, die Beziehungsdaten und -ergebnisse zu identifizieren. Während ein menschlicher Bediener ein Problem anhand seiner bisherigen Erfahrungen erkennen kann, erkennt eine Anwendung für maschinelles Lernen ein Problem anhand dessen, was sie in ihren Trainingsdaten „gesehen“ hat. Einige Beschleuniger am CERN – dem Teilchenphysiklabor in der Schweiz – nutzen diese Art von Anwendung.

Aber Anwendungen für maschinelles Lernen sind nur so gut wie ihre Trainingsdaten. Trainingsdaten basieren auf den ursprünglichen Eigenschaften eines Beschleunigers. Aber leider sind die Daten nicht mehr genau, wenn sich die Maschinerie des Beschleunigers verschiebt. Um dieses Problem zu lösen, müssten Wissenschaftler das Modell kontinuierlich neu trainieren. Das macht den ganzen Punkt zunichte. Am Ende stoßen sie einfach auf eine andere Variante ihrer ursprünglichen Ausgabe.

Die beste Lösung könnte in der Kombination beider Ansätze liegen. Forscher und Ingenieure des Los Alamos National Laboratory des DOE und des Lawrence Berkeley National Laboratory entwickeln eine neue Technik des maschinellen Lernens für kompakte Teilchenbeschleuniger. Diese Technik nutzt Echtzeitdaten aus der Beschleunigerdiagnose, um das Modell kontinuierlich zu optimieren. Anschließend werden diese Daten zur Orientierung verwendet ein fortschrittlicher generativer KI-Prozessdetailliert auf der arXiv Preprint-Server, bekannt als Diffusion.

Der Prozess erstellt virtuelle Ansichten der Beschleunigerstrahlen, während sie sich im Laufe der Zeit verändern. Ein Tool für maschinelles Lernen ist in der Lage, eine Reihe sehr komplexer Eingaben mit vielen Dimensionen zu verarbeiten, sie in eine viel einfachere Darstellung zu komprimieren und dann eine komplexe Ausgabe bereitzustellen, die das System widerspiegelt.

Neben Kompaktbeschleunigern können diese Methoden auch auf Großbeschleuniger wie FACET-II angewendet werden. Auf dem FACET-II-Beschleunigersystem am SLAC erzeugte das Modell 15 verschiedene zweidimensionale Projektionen des sechsdimensionalen Strahls an fünf verschiedenen Orten. Auch wenn das bloße Nachdenken über diese Größenordnung dem Gehirn eines Menschen schadet, braucht das maschinelle Lernsystem dies. Mithilfe dieser Daten kann das System die möglichen Änderungen im Laufe der Zeit sowie die Beziehungen der Änderungen untereinander und zur grundlegenden Physik lernen.

Wissenschaftler demonstrierten auch die Anpassungsfähigkeit dieses Ansatzes, indem sie die gleiche generative Diffusionsmethode zeigten kann am Europäischen Röntgen-FEL eingesetzt werden in der Forschung erscheint in Wissenschaftliche Berichte. Sie nutzten die Methode, um virtuelle Ansichten intensiver Elektronenstrahlen mit Megapixel-Auflösung zu erstellen.

Bisher erscheint diese Methode vielversprechend. An Beschleunigern, an denen Bediener während des Betriebs komplexe Messungen des Strahls durchführen können, haben Forscher Daten gesammelt. Anschließend vergleichen sie die Vorhersagen der Anwendung mit den Messungen. Mit diesen Informationen können sie die Anwendung weiter trainieren.

In Zukunft könnten menschliche Bediener von Teilchenbeschleunigern Hilfe von ihren Computerkollegen erhalten. Diese Unterstützung wird es Wissenschaftlern ermöglichen, mehr und bessere Entdeckungen als je zuvor zu machen.