На сайте Phys.org размещена интересная статья "Researchers develop clever algorithm to improve our understanding of particle beams in accelerators".

Всякий раз, когда линейный ускоритель Национальной ускорительной лаборатории SLAC (Stanford Linear Accelerator Center) Министерства энергетики США включен, пакеты из примерно миллиарда электронов каждый путешествуют вместе почти со скоростью света по металлическим трубопроводам. Эти сгустки электронов образуют пучок частиц ускорителя, который используется для изучения атомного поведения молекул, новых материалов и многих других предметов. Но часто у ученых остается только приблизительное представление о том, как пучок ведет себя во время эксперимента.

Теперь исследователи из SLAC, Аргоннской национальной лаборатории и Чикагского университета разработали алгоритм, который более точно предсказывает распределение положений и скоростей частиц в луче, когда он проходит через ускоритель.

Эта подробная информация о пучке поможет ученым проводить свои эксперименты более надежно — потребность, которая становится все более важной по мере того, как ускорительные установки работают при все более высоких энергиях и генерируют более сложные профили пучков. Исследователи подробно описали свой алгоритм и метод в новой статье в журнале Physical Review Letters.

Новый алгоритм учитывает информацию о пучке, который обычно отбрасывается, и использует эту информацию для создания более подробной картины пучка. Как правило, исследователи описывают положения и скорости частиц в пучке с помощью нескольких сводных статистических данных, которые дают приблизительную форму луча в целом, но такой подход выбрасывает много потенциально полезной информации. В качестве альтернативы специалисты по пучкам могут провести множество измерений самого пучка и попытаться реконструировать, иногда с помощью машинного обучения, как будет выглядеть пучок в различных экспериментальных условиях, но эти методы требуют большого количества данных и большой вычислительной мощности.

Для этого исследования команда опробовала новый подход: они построили модель машинного обучения, которая использует наше понимание динамики пучка для прогнозирования распределения положений и скоростей частиц внутри него, что в совокупности известно как распределение пучка в фазовом пространстве.

Чтобы проверить свои идеи, команда использовала свою модель для интерпретации экспериментальных данных Аргоннского ускорителя Уэйкфилда в Аргоннской национальной лаборатории. Включение физики динамики пучка частиц в экспериментальные данные позволило исследователям точно реконструировать мелкие его детали, используя только 10 точек данных — задача, которая может потребовать до 10 000 точек данных для некоторых моделей машинного обучения, не включающих модель физики пучков.

Большинство моделей машинного обучения не включают напрямую какое-либо понятие динамики пучка частиц, чтобы ускорить обучение и уменьшить объем необходимых данных. Ученые показали, что можно делать выводы об очень сложных формах многомерных пучков из удивительно малых объемов данных.

В настоящее время алгоритм может реконструировать модель пучка вдоль его осей вверх-вниз и влево-вправо, как если бы сгусток частиц был блином, движущимся по траектории ускорителя. Этот тип реконструкции называется четырехмерным фазовым пространством пучка. Затем исследователи хотят экспериментально продемонстрировать алгоритм при восстановлении полных распределений фазового пространства 6D, которые включают положение частиц и скорость вдоль направления, в котором движется пучок.

Ссылка на статью,к сожалению, не в открытом доступе:

R. Roussel et al. Physical Review Letters (2023). DOI: 10.1103/PhysRevLett.130.145001