IA nos diz como são os feixes do acelerador de partículas

Um algoritmo de inteligência artificial foi desenvolvido para prever com mais precisão como as partículas são distribuídas em um feixe de partículas dentro de um acelerador, mostrando que os usuários podem inferir formas de feixe de alta dimensão muito complicadas a partir de "quantidades surpreendentemente pequenas de dados".

Os aceleradores de partículas estão entre as ferramentas experimentais mais importantes (e maiores) da física moderna. Feixes de partículas são disparados através de tubos de metal quase à velocidade da luz para estudar o comportamento atômico das moléculas e das menores partículas subatômicas.

Saber como um feixe de partículas se comportará em um determinado experimento é importante para maximizar as informações cientificamente úteis que podem ser obtidas. Isso é especialmente importante porque os aceleradores operam com energias cada vez mais altas e produzem perfis de feixe mais complexos.

Mas identificar o comportamento das partículas não é uma tarefa fácil.

Como os feixes de partículas geralmente envolvem bilhões de partículas, não é simplesmente uma questão de prever onde cada uma terminará.

Agora, pesquisadores do SLAC (Stanford Linear Accelerator Center) do Departamento de Energia dos EUA, na Califórnia, e da Universidade de Chicago, desenvolveram um algoritmo de aprendizado de máquina para fornecer uma imagem mais precisa de como as partículas em um feixe acelerado são distribuídas.

“Temos muitas maneiras diferentes de manipular feixes de partículas dentro de aceleradores, mas não temos uma maneira realmente precisa de descrever a forma e o momento de um feixe”, diz Ryan Roussel, cientista do acelerador SLAC. “Nosso algoritmo leva em consideração informações sobre um feixe que normalmente é descartado e usa essas informações para pintar uma imagem mais detalhada do feixe”.

Os pesquisadores geralmente usam uma abordagem estatística para descrever a velocidade e a posição das partículas para fornecer uma forma aproximada do feixe geral. Mas informações potencialmente úteis podem ser ignoradas no processo.

Receba uma atualização das histórias científicas diretamente na sua caixa de entrada.

Alternativamente, os cientistas podem avaliar a aparência de um feixe sob diferentes condições experimentais, fazendo várias medições do próprio feixe. Esses métodos às vezes já usam aprendizado de máquina, mas exigem grandes quantidades de dados e poder computacional.

No estudo mais recente, a equipe construiu um modelo de aprendizado de máquina que basicamente usa os melhores elementos de ambos os métodos.

Seu algoritmo usa nosso conhecimento da dinâmica do feixe para prever o que é conhecido coletivamente como "distribuição do espaço de fase" das velocidades e posições das partículas.

“A maioria dos modelos de aprendizado de máquina não inclui diretamente nenhuma noção de dinâmica de feixe de partículas para acelerar o aprendizado e reduzir a quantidade de dados necessários”, diz Auralee Edelen, cientista do acelerador SLAC. “Mostramos que podemos inferir formas de feixe de alta dimensão muito complicadas a partir de quantidades surpreendentemente pequenas de dados”.

A equipe testou seu modelo no Argonne Wakefield Accelerator no Argonne National Laboratory do DOE perto de Chicago, Illinois. Eles foram capazes de interpretar dados experimentais usando física de feixe de partículas usando apenas 10 pontos de dados – para um modelo de aprendizado de máquina não treinado em dinâmica de feixe de partículas, a tarefa levaria até 10.000 pontos de dados.

O modelo pode atualmente reconstruir um feixe de partículas em um espaço de fase de feixe 4D – ao longo dos eixos up-down e esquerda-direita. Os pesquisadores estão trabalhando para uma distribuição completa do espaço de fase 6D, que inclui velocidades de partículas ao longo da direção do próprio feixe.

A pesquisa foi publicada na Physical Review Letters.

Originalmente publicado pela Cosmos como o algoritmo AI nos diz como são os feixes do acelerador de partículas

Evrim Yazgin é bacharel em ciências com especialização em física matemática e mestre em ciências em física, ambos pela Universidade de Melbourne.

Nunca houve um momento mais importante para explicar os fatos, valorizar o conhecimento baseado em evidências e mostrar os mais recentes avanços científicos, tecnológicos e de engenharia. Cosmos é publicado pela Royal Institution of Australia, uma instituição de caridade dedicada a conectar pessoas com o mundo da ciência. Contribuições financeiras, grandes ou pequenas, nos ajudam a fornecer acesso a informações científicas confiáveis ​​no momento em que o mundo mais precisa. Por favor, apoie-nos fazendo uma doação ou comprando uma assinatura hoje.