科学家开发了一种新的机器学习平台，使控制粒子束和激光的算法比以往任何时候都更智能，他们的工作可能有助于开发新的和改进的粒子加速器，这将帮助科学家解开亚原子世界的秘密。

美国伯克利国家实验室的Daniele Filippetto和他的同事开发了一种装置，可以自动补偿加速器光束和其他部件(如磁铁)的实时变化。他们的机器学习方法也比当代的波束控制系统更好，既能理解事物失败的原因，又能利用物理公式表达响应。一篇描述这项研究的论文发表在去年年底的《Nature Scientific Reports》上。

Filippetto是伯克利实验室加速器技术与应用物理部门(ATAP)的一名工作人员，也是伯克利加速器控制与仪器项目(BACI)项目的副主任，他说：“我们试图向芯片教授物理学，同时向它提供操作机器的高级科学家的智慧和经验。”他们的研究也有可能影响粒子加速器的多个应用领域，从工业和医疗环境中的自主操作到科学应用中的更高精度，如线性对撞机和超快自由电子激光器。

这项新技术在伯克利实验室的高重复率电子散射仪(HiRES)加速器上与洛斯阿拉莫斯国家实验室和加州大学洛杉矶分校的研究人员合作进行了演示。HiRES光束的主要应用是用于新型量子材料的结构动力学实验，该仪器对许多科学发现做出了贡献，例如对二碲化钽的光学熔化进行了首次超快电子衍射研究，二碲化钽是一种具有有趣和潜在有用性质的材料。现在，这台新机器显示出它在开发控制广泛类别加速器的新方法方面的有用性。

粒子加速器产生并加速带电粒子束，如原子和亚原子大小的电子、质子和离子。随着机器变得更加强大和复杂，粒子或激光束的控制和优化变得更加重要，以满足科学、医疗和工业应用的需要。

Filippetto和BACI项目的同事们正在领导机器学习工具的全球发展。这些工具提供了一个平台来开发智能算法，对不可预见的干扰做出快速而精确的反应，从错误中学习，并采用最佳策略来达到或保持目标波束设定点。

他们正在开发的工具还有一个额外的优势，那就是提供了一个粒子加速器系统整体行为的精确模型，不管它有多复杂。控制器可以使用这些新的和改进的功能来做出更有效的实时决策。

Filippetto目前的工作重点是利用机器学习工具的功率和预测来增加粒子束的整体稳定性。

他说：“如果你能预测光束的性质，其准确性超过它们的波动，那么你就可以利用预测来提高加速器的性能。”“关键光束参数的实时知识将对实验的最终精度产生巨大影响。”

起初，这种方法似乎不太可能产生准确的结果，类似于股市行为预测的挑战，但该小组的早期结果是有希望的。事实上，所使用的基于神经网络模型的算法显示，与典型的统计分析相比，光束参数的预测精度提高了10倍。在相关工作中，最近的一项Halbach奖授予了ATAP加速器物理组的工作人员科学家Simon Leemann和合作者，他们开发了机器学习控制方法，通过将高度相对论性的电子束稳定在实验光源点上大约一个数量级，从而提高了先进光源的性能，这是一个前所未有的水平。

发表在《Optics Express》的相关研究中，BACI组的研究科学家Dan Wang正在利用机器学习工具推进复杂激光系统的控制技术，Dan Wang三年前在伯克利实验室开始了她的博士后研究生涯。在Wang的例子中，最终的目标是能够将数百个超强激光脉冲精确地结合在一起，形成一束人类头发大小的强大而连贯的光束。在相干光束中，每个输入激光器的相位必须控制在误差在几度以内，这是一个非常具有挑战性的问题。激光能量可以以不同的方式组合，但在所有情况下，必须稳定光束阵列的相干性，以应对环境扰动，如热漂移、空气波动，甚至支撑台的运动。

为了做到这一点，王和她的同事开发了一个神经网络模型，它在校正组合激光阵列中的系统误差方面比其他传统方法快10倍。他们开发的模型也能够教会系统识别相位误差和激光中的参数变化，并在发生扰动时自动纠正。

研究人员的方法在激光的模拟和实验中都有效，在那里实现了前所未有的控制性能。研究的下一步是在边缘计算机(如现场可编程门阵列(fpga))上实现机器学习模型，以获得更快的响应，并演示这种基于机器学习的控制方法在需要考虑更多变量的更复杂系统中的推广。

Wang说：“我有研究加速器的背景，但在博士后期间，我的同事真的帮助我接受了机器学习的力量，我学到的是，机器学习是一个解决很多不同问题的强大工具，但你必须使用物理来指导你如何使用和应用它。”

为了满足新科学的需求，这项工作例证了主动反馈和机器学习方法，它们是下一代加速器和激光性能的关键推动者，为新的光子源和未来的粒子对撞机提供动力，

原文链接：https://phys.org/news/2022-07-machine-paves-smarter-particle.html