Les scientifiques ont développé une nouvelle plate-forme d'apprentissage automatique qui rend les algorithmes qui contrôlent les faisceaux de particules et les lasers plus intelligents que jamais. Leurs travaux pourraient contribuer au développement de nouveaux accélérateurs de particules améliorés qui aideront les scientifiques à percer les secrets du monde subatomique.

Daniele Filippetto et ses collègues du Lawrence Berkeley National Laboratory (Berkeley Lab) du ministère de l'Énergie ont développé la configuration pour compenser automatiquement les changements en temps réel des faisceaux d'accélérateur et d'autres composants, tels que les aimants. Leur approche d'apprentissage automatique est également meilleure que les systèmes de contrôle de faisceau contemporains pour comprendre pourquoi les choses échouent, puis utiliser la physique pour formuler une réponse. Un article décrivant la recherche a été publié à la fin de l'année dernière dans Nature Scientific Reports .

"Nous essayons d'enseigner la physique à une puce, tout en lui apportant la sagesse et l'expérience d'un scientifique chevronné qui fait fonctionner la machine", a déclaré Filippetto, scientifique à la Division de la technologie des accélérateurs et de la physique appliquée (ATAP) à Berkeley Lab et directeur adjoint du programme Berkeley Accelerator Controls and Instrumentation Program (BACI).

Leurs recherches ont également le potentiel d'avoir un impact sur plusieurs domaines appliqués des accélérateurs de particules, allant des opérations autonomes dans les environnements industriels et médicaux à une précision accrue dans les applications scientifiques, telles que les collisionneurs linéaires et les lasers à électrons libres ultrarapides.

La nouvelle technique a été démontrée à l'accélérateur HiRES (High Repetition-Rate Electron Scattering Apparatus) du Berkeley Lab en collaboration avec des chercheurs du Los Alamos National Laboratory et de l'UCLA. L'application principale de la ligne de lumière HiRES est la réalisation d'expériences de dynamique structurelle sur de nouveaux matériaux quantiques. L'instrument a contribué à de nombreuses découvertes scientifiques telles que la réalisation des toutes premières études de diffraction électronique ultrarapide de la fusion optique du ditellurure de tantale, un matériau aux propriétés intéressantes et potentiellement utiles. Aujourd'hui, cette nouvelle machine montre son utilité pour développer de nouvelles méthodes de contrôle de larges classes d'accélérateurs.

Les accélérateurs de particules produisent et accélèrent des faisceaux de particules chargées, telles que des électrons, des protons et des ions, de taille atomique et subatomique. À mesure que les machines deviennent plus puissantes et complexes, le contrôle et l'optimisation de la particule ou du faisceau laser deviennent plus importants pour répondre aux besoins des applications scientifiques, médicales et industrielles.

Filippetto et ses collègues du programme BACI dirigent le développement mondial d'outils d'apprentissage automatique. Ces outils fournissent une plate-forme pour développer des algorithmes intelligents qui réagissent rapidement et précisément aux perturbations imprévues, apprennent de leurs erreurs et adoptent la meilleure stratégie pour atteindre ou maintenir le point de consigne du faisceau cible.

Les outils qu'ils développent ont l'avantage supplémentaire de fournir un modèle précis du comportement global d'un système d'accélérateur de particules, quelle que soit sa complexité. Les contrôleurs peuvent utiliser ces fonctionnalités nouvelles et améliorées pour prendre des décisions plus efficaces en temps réel.

Les travaux de Filippetto se concentrent actuellement sur l'utilisation de la puissance et de la prédiction des outils d'apprentissage automatique pour augmenter la stabilité globale des faisceaux de particules.

"Si vous pouvez prédire les propriétés du faisceau avec une précision qui dépasse leurs fluctuations, vous pouvez alors utiliser la prédiction pour augmenter les performances de l'accélérateur", a-t-il déclaré. "La connaissance en temps réel des paramètres clés du faisceau aurait un impact énorme sur la précision finale des expériences."

Au début, une telle approche pourrait sembler peu susceptible de produire des résultats précis, similaires aux défis de la prédiction du comportement des marchés boursiers, mais les premiers résultats du groupe sont prometteurs. En fait, l'algorithme utilisé, qui est basé sur des modèles de réseaux de neurones, montre une multiplication par dix de la précision des paramètres de faisceau prédits par rapport à une analyse statistique typique. Dans le cadre de travaux connexes, un récent prix Halbach a été décerné à Simon Leemann, membre du personnel scientifique du groupe de physique des accélérateurs de l'ATAP, et à ses collaborateurs pour le développement de méthodes de contrôle d'apprentissage automatique qui améliorent les performances de la source de lumière avancée en stabilisant le faisceau d'électrons hautement relativiste au niveau expérimental. points sources d'environ un ordre de grandeur, un niveau sans précédent.

Dans une recherche connexe publiée dans Optics Express , Dan Wang, chercheuse scientifique du groupe BACI qui a commencé sa carrière au Berkeley Lab il y a trois ans en tant que chercheuse postdoctorale, utilise des outils d'apprentissage automatique pour faire progresser la technologie de contrôle dans les systèmes laser complexes. Dans le cas de Wang, le but ultime est de pouvoir combiner avec précision des centaines d'impulsions laser ultra-intenses en un faisceau puissant et cohérent de la taille d'un cheveu humain. Dans un faisceau cohérent, la phase de chaque laser d'entrée doit être contrôlée à quelques degrés d'erreur près, ce qui est très difficile. L'énergie laser peut être combinée de différentes manières mais dans tous les cas, il est impératif que la cohérence du réseau de faisceaux soit stabilisée face aux perturbations environnementales telles que la dérive thermique, les fluctuations de l'air ou encore le mouvement de la table support.

Pour ce faire, Wang et ses collègues ont développé un modèle de réseau neuronal qui corrige 10 fois plus rapidement les erreurs système dans le réseau laser combiné que les autres méthodes conventionnelles. Le modèle qu'ils ont développé est également capable d'apprendre au système à reconnaître les erreurs de phase et les changements de paramètres dans les lasers et à corriger automatiquement les perturbations lorsqu'elles se produisent.

La méthode des chercheurs fonctionne à la fois dans les simulations et les expériences sur les lasers, où des performances de contrôle sans précédent ont été obtenues. La prochaine étape de la recherche consiste à mettre en œuvre des modèles d'apprentissage automatique sur des ordinateurs de pointe tels que des matrices de portes programmables sur le terrain (FPGA) pour une réponse plus rapide, et également à démontrer la généralisation de cette méthode de contrôle basée sur l'apprentissage automatique dans des systèmes plus complexes où il y a beaucoup plus de variables à prendre en compte.

"Je viens d'un milieu d'accélérateur, mais pendant mon post-doctorat, mes collègues m'ont vraiment aidé à embrasser la puissance de l'apprentissage automatique", a déclaré Wang. "Ce que j'ai appris, c'est que l'apprentissage automatique est un outil puissant pour résoudre de nombreux problèmes différents, mais vous devez toujours utiliser votre physique pour vous guider dans la façon dont vous l'utilisez et l'appliquez."

"Pour répondre aux besoins de la nouvelle science, ce travail illustre les méthodes de rétroaction active et d'apprentissage automatique qui sont des catalyseurs cruciaux pour la prochaine génération d'accélérateurs et de performances laser pour alimenter de nouvelles sources de photons et de futurs collisionneurs de particules", a déclaré Cameron Geddes, directeur de l'accélérateur. Technology &Applied Physics Division. + Explorer plus loin

New machine learning tool diagnoses electron beams in an efficient, non-invasive way