“研究人员说明AI学习物理学 可优化粒子加速器性能”

作为世界汽车了解人工智能的方法之一的机器学习，大大加快了计算任务的速度，在语音和图像识别、自动驾驶车、股市交易和医疗诊断等行业推动着新技术的飞速发展。 在执行给定的任务之前，机器学习算法通常需要训练现有的数据，以便能够独自快速准确地预测未来的场景。 但是，如果这是一个全新的任务，没有可用于培训的数据，那么这些算法如何解决？

据外国媒体报道，日前，美国能源部slac国家加速器实验室( national accelerator laboratory )的研究人员通过教授算法加速器操作背后的基本物理原理，可以利用机器学习优化粒子加速器的性能，并于前一天

(照片来源: slac国立加速器研究所)

前slac研究助理adi hanuka说:“在材料科学、环境科学、电池研究、粒子物理学等多个研究行业，将物理学引入机器学习是一个非常热门的话题。”

物理学教育人工智能

加速器是向电子束和其他粒子束提供能量的强力机械，在基础物理实验、分子成像、癌症放疗等方面应用非常广泛。 为了获得最适合特定APP的波束，操作员必须调整油门以获得最佳性能。 但是，如果涉及大型粒子加速器，则需要调整的组件太多，操作起来非常困难。 此外，并非所有组件都是独立的。 也就是说，尝试调整一个组件可能会影响另一个组件的设置。

slac最近的研究表明，机器学习可以通过加快优化过程，找出以前未发现的有用的加速器设置，为人类操作员提供很大的支持。 另外，机器学习也有助于诊断粒子束的质量，不像其他技术那样干扰粒子束。 为了使这些程序发挥作用，研究者首先需要训练机器学习算法，采用的数据来自以前的加速器操作，或者计算机模拟，或者两者都是。 但是，他们还发现，物理模型的新闻和可用的实验数据相结合可以大大减少所需的新数据量。

新的研究表明，如果足够的物理知识解释加速器的工作原理，实际上就不需要以前的数据。 这个小组用这个方法调整了slac的spear3加速器。 这台加速器为实验室的斯坦福同步辐射光源( ssrl )提供动力。 研究人员表示，通过采用直接从基于物理的模型中获得的新闻，获得了与采用实际的存档数据训练算法所获得的结果相同或更高的结果。

该研究的首席研究员slac员工科学家joe duris说:“此次研究结果是slac逐步推进机器学习工具开发以调整加速器的最新亮点。”

预测不明确[/s2/]

但是，这并不意味着现有的数据没有用。 即使物理性能下降，这些数据也很有用。 在spear3的示例中，可以通过与加速器的实际数据配对来进一步改进基于物理的机器学习模型。 该小组还使用这种做法改善了slac的线性加速器相干光源( linac coherent light source，lcls ) ) x射线激光的调谐，其存档数据可以从以前的实验运行中获得。