Apprentissage automatique, une forme d'intelligence artificielle, accélère considérablement les tâches de calcul et permet de nouvelles technologies dans des domaines aussi larges que la reconnaissance de la parole et des images, voitures autonomes, bourse et diagnostic médical.

Avant d'aller travailler sur une tâche donnée, Les algorithmes d'apprentissage automatique doivent généralement être formés sur des données préexistantes afin qu'ils puissent apprendre à faire eux-mêmes des prédictions rapides et précises sur les scénarios futurs. Mais que se passe-t-il si le travail est complètement nouveau, sans données disponibles pour la formation ?

Maintenant, des chercheurs du laboratoire national des accélérateurs SLAC du ministère de l'Énergie ont démontré qu'ils peuvent utiliser l'apprentissage automatique pour optimiser les performances des accélérateurs de particules en enseignant aux algorithmes les principes physiques de base qui sous-tendent les opérations des accélérateurs - aucune donnée préalable n'est nécessaire.

« Injecter de la physique dans l'apprentissage automatique est un sujet très brûlant dans de nombreux domaines de recherche :en science des matériaux, sciences de l'environnement, recherche de batterie, physique des particules et plus, " a déclaré Adi Hanuka, un ancien associé de recherche du SLAC qui a dirigé une étude publiée dans Accélérateur d'examen physique et faisceaux . C'est l'un des premiers exemples d'utilisation de l'apprentissage automatique basé sur la physique dans la communauté de la physique des accélérateurs.

Éduquer l'IA avec la physique

Les accélérateurs sont des machines puissantes qui énergisent des faisceaux d'électrons ou d'autres particules pour une utilisation dans un large éventail d'applications, y compris les expériences de physique fondamentale, imagerie moléculaire et radiothérapie pour le cancer. Pour obtenir le meilleur faisceau pour une application donnée, les opérateurs doivent régler l'accélérateur pour des performances optimales.

Lorsqu'il s'agit de gros accélérateurs de particules, cela peut être très difficile car il y a tellement de composants qui doivent être ajustés. Ce qui complique encore les choses, c'est que tous les composants ne sont pas indépendants, ce qui signifie que si vous en ajustez un, cela peut affecter les paramètres d'un autre.

Des études récentes au SLAC ont montré que l'apprentissage automatique peut grandement aider les opérateurs humains en accélérant le processus d'optimisation et en trouvant des paramètres d'accélérateur utiles auxquels personne n'avait pensé auparavant. L'apprentissage automatique peut également aider à diagnostiquer la qualité des faisceaux de particules sans les interférer, comme le font habituellement les autres techniques.

Pour que ces procédures fonctionnent, les chercheurs ont d'abord dû former les algorithmes d'apprentissage automatique avec les données des opérations précédentes de l'accélérateur, des simulations informatiques qui font des hypothèses sur les performances de l'accélérateur, ou les deux. Cependant, ils ont également découvert que l'utilisation d'informations provenant de modèles physiques combinées aux données expérimentales disponibles pouvait réduire considérablement la quantité de nouvelles données requises.

La nouvelle étude démontre que les données antérieures sont, En réalité, pas nécessaire si vous en savez assez sur la physique qui décrit le fonctionnement d'un accélérateur.

L'équipe a utilisé cette approche pour régler l'accélérateur SPEAR3 du SLAC, qui alimente la source lumineuse de rayonnement synchrotron de Stanford (SSRL) du laboratoire. En utilisant des informations obtenues directement à partir de modèles basés sur la physique, ils ont obtenu des résultats tout aussi bons, sinon mieux, que ceux obtenus en entraînant l'algorithme avec des données d'archives réelles, les chercheurs ont dit.

"Nos résultats sont le dernier point culminant d'une poussée progressive au SLAC pour développer des outils d'apprentissage automatique pour le réglage des accélérateurs, " a déclaré Joe Duris, scientifique du SLAC, le chercheur principal de l'étude.

Prédire l'inconnu

Cela ne veut pas dire que les données préexistantes ne sont pas utiles. Ils sont toujours utiles même si vous maîtrisez votre physique. Dans le cas SPEAR3, les chercheurs ont pu améliorer davantage le modèle d'apprentissage automatique basé sur la physique en l'associant aux données réelles de l'accélérateur. L'équipe applique également la méthode pour améliorer le réglage du laser à rayons X Linac Coherent Light Source (LCLS) du SLAC, l'une des sources de rayons X les plus puissantes de la planète, pour lesquels des données d'archives sont disponibles à partir d'essais expérimentaux antérieurs.

Le plein potentiel de la nouvelle méthode deviendra probablement évident lorsque les équipes du SLAC utiliseront LCLS-II l'année prochaine. Cette mise à niveau supraconductrice vers LCLS dispose d'un tout nouvel accélérateur, et ses meilleurs paramètres doivent être déterminés à partir de zéro. Ses opérateurs peuvent trouver pratique d'avoir à leurs côtés une IA qui a déjà appris quelques bases de la physique des accélérateurs.