粒子線のブレークスルーは機械学習の助けを借りて「大きなパラダイムシフト」を達成

加速器を通過するビームの粒子分布の位置と速度をより正確に予測できるアルゴリズムが、エネルギー省 (DOE) とシカゴ大学の研究者によって開発されました。

DOE の SLAC 国立加速器研究所にある線形加速器は、光速に近い速度で移動し、長い金属パイプを通して 10 億近くの電子をバーストして粒子ビームを生成します。 カリフォルニア州メンローパークにあるこの施設は、当初はスタンフォード線形加速器センターと呼ばれていましたが、1962 年の建設以来、全長 3.2 キロメートルの加速器を使用して、電子を 50 ギガ電子ボルト (GeV) ものエネルギーまで推進してきました。

SLAC の線形加速器によって生成される強力な粒子ビームは、革新的な材料から原子スケールでの分子の挙動に至るまで、あらゆる研究に使用されています。ただし、ビーム自体が通過する際のその外観を研究者が判断するのは難しいため、ビーム自体は依然として謎に満ちています。加速器。

過去には、ビームの不確実な外観によってもたらされる独特の課題により、科学者は SLAC 施設で実験を行う際にビームがどのように動作するかを推定する必要がありました。 この問題は、ビームの挙動の計算を支援するアルゴリズムを開発するという DOE とシカゴ大学のチームによる最近の研究の基礎となっていました。

SLAC加速器の科学者であり、この成果に関する最近の論文の筆頭著者でもあるライアン・ルーセル氏は、加速器内で粒子ビームを操作する方法は複数あるが、粒子ビームの形状と運動量をかなりの精度で記述することはより困難であると述べている。 。

ルーセル氏は声明で、「われわれのアルゴリズムは、通常は廃棄されるビームに関する情報を考慮に入れており、その情報を利用してビームのより詳細な画像を描く」と述べた。

ほとんどの場合、科学者は粒子ビームの形状を決定するために統計を利用します。 このアプローチは実用的ではありますが、ビームの形状がどのように現れるかについて最も正確で詳細な情報は得られません。

研究者が使用する別のアプローチには、ビームの測定値を使用して、さまざまな条件下でビームがどのように表示され、どのように動作するかを計算することが含まれます。このプロセスは、近年の機械学習の開発が役立つことが示されていますが、次の理由で面倒な場合があります。大量の計算能力が必要になります。

研究チームの最近の研究で、ルーセル氏と同僚の研究者らは、粒子の位置や粒子の分布を含む要因の予測に役立つビーム力学の既存の知識に基づいたモデルを開発することにより、機械学習を少し異なる方法で使用することを決定した。および速度、これらすべてはビームの位相空間分布として知られるものを構成します。 このモデルは、DOE のアルゴンヌ国立研究所のアルゴンヌ ウェイクフィールド加速器で収集されたデータの解釈を支援するために使用されました。

この方法でモデルを実装することで、研究者はわずか 10 個のデータ ポイントでビームの詳細を正確に再構築できるようになりました。 対照的に、過去の機械学習モデルでは、同様の結果を達成するには、おそらく 10,000 ものデータ ポイントが必要になるでしょう。

ルーセル氏とチームは、アルゴリズムが提供するより詳細な情報は、科学者が粒子ビームを使った実験を行う際に高い精度を達成するのに役立つだろうと述べている。 より複雑なビームプロファイルの生成において高レベルのエネルギーの使用が増加するため、このような機能は将来的に不可欠になる可能性があります。

論文の共著者の一人でSLAC加速器科学者のオーラリー・エデレン氏は、研究チームが自分たちのモデルが「驚くほど少量のデータから非常に複雑な高次元のビーム形状を推測できる」ことを実証できたと述べた。

ルーセル氏はこの成果を、加速器施設で収集されたデータのより良い分析と実験に向けた大きなパラダイムシフトであると呼び、粒子線データは「あらゆる加速器での科学的目標を向上させるための、より包括的で強力な方法」で使用できると付け加えた。

研究チームの研究結果は先月、雑誌「Physical Review Letters」に掲載された。

ミカ・ハンクスは、The Debrief の編集長兼共同創設者です。 電子メール [email protected] で彼に連絡できます。 micahhanks.com および Twitter: @MicahHanks で彼の作品をフォローしてください。