Avanço do feixe de partículas atinge “grande mudança de paradigma” com a ajuda do aprendizado de máquina

Um algoritmo que permite previsões mais precisas das posições e velocidades da distribuição de partículas de um feixe ao passar por um acelerador foi desenvolvido por pesquisadores do Departamento de Energia (DOE) e da Universidade de Chicago.

Viajando quase na velocidade da luz, o acelerador linear no SLAC National Accelerator Laboratory do DOE dispara rajadas de quase um bilhão de elétrons através de longos tubos metálicos para gerar seu feixe de partículas. Localizada em Menlo Park, Califórnia, a instalação, originalmente chamada de Stanford Linear Accelerator Center, usa seu acelerador de 3,2 quilômetros desde sua construção em 1962 para impulsionar elétrons a energias de até 50 gigaeletronvolts (GeV).

O poderoso feixe de partículas gerado pelo acelerador linear do SLAC é usado no estudo de tudo, desde materiais inovadores até o comportamento de moléculas em escala atômica, apesar de o próprio feixe permanecer um tanto misterioso, já que os pesquisadores têm dificuldade em avaliar sua aparência à medida que passa. um acelerador.

No passado, o desafio único apresentado pela aparência incerta do feixe fez com que os cientistas estimassem como ele se comportaria durante a realização de experimentos nas instalações do SLAC. Esse problema foi a base para o trabalho recente da equipe do DOE e da Universidade de Chicago para desenvolver um algoritmo para auxiliar no cálculo do comportamento do feixe.

Ryan Roussel, cientista do acelerador SLAC e também autor principal de um artigo recente sobre a conquista, diz que existem várias maneiras pelas quais os feixes de partículas podem ser manipulados nos aceleradores, mas que descrever sua forma e momento com grande grau de precisão é mais desafiador. .

“Nosso algoritmo leva em consideração informações sobre um feixe que normalmente é descartado”, disse Roussel em um comunicado, “e usa essas informações para pintar uma imagem mais detalhada do feixe”.

Na maioria dos casos, os cientistas contam com estatísticas para ajudá-los a determinar as formas dos feixes de partículas. Embora essa abordagem seja prática, ela não fornece as informações mais precisas e detalhadas sobre como a forma do feixe se manifestará.

Outra abordagem usada pelos pesquisadores envolve o uso de medições do feixe para tentar calcular como o feixe aparecerá e se comportará sob várias condições, um processo que o desenvolvimento do aprendizado de máquina nos últimos anos demonstrou ajudar, embora possa ser complicado porque requer grandes quantidades de poder computacional.

No estudo recente da equipe, Roussel e seus colegas pesquisadores decidiram usar o aprendizado de máquina de uma maneira um pouco diferente, desenvolvendo um modelo que se baseia no conhecimento existente da dinâmica do feixe para ajudar a prever as posições das partículas, bem como fatores que incluem sua distribuição. e velocidade, tudo constituindo o que é conhecido como a distribuição do espaço de fase do feixe. O modelo foi então usado para auxiliar na interpretação dos dados coletados no Argonne Wakefield Accelerator no Argonne National Laboratory do DOE.

A implementação do modelo dessa maneira permitiu que os pesquisadores reconstruíssem com precisão detalhes finos do feixe com apenas dez pontos de dados. Por outro lado, os modelos anteriores de aprendizado de máquina provavelmente exigiriam até 10.000 pontos de dados para obter resultados semelhantes.

Roussel e a equipe dizem que as informações mais detalhadas fornecidas por seu algoritmo ajudarão os cientistas a obter maior precisão ao conduzir experimentos com feixes de partículas. Tais capacidades podem acabar sendo vitais daqui para frente, devido ao uso crescente de níveis mais altos de energia na produção de perfis de vigas mais complexos.

Auralee Edelen, um dos coautores do artigo e cientista do acelerador SLAC, disse que a equipe conseguiu demonstrar que seu modelo “pode inferir formas de feixe de alta dimensão muito complicadas a partir de quantidades surpreendentemente pequenas de dados”.

Roussel chamou a conquista de uma grande mudança de paradigma em direção a uma melhor análise e experimentação com dados coletados em instalações de aceleradores, acrescentando que os dados do feixe de partículas podem ser usados ​​"de uma maneira mais abrangente e poderosa para melhorar nossos objetivos científicos em aceleradores em todos os lugares".