Ученые разработали новую платформу машинного обучения, которая делает алгоритмы, управляющие пучками частиц и лазерами, умнее, чем когда-либо прежде. Новая работа приведет к разработке улучшенных ускорителей, которые помогут ученым раскрыть секреты субатомного мира.
Даниэле Филиппетто и его коллеги из Национальной лаборатории Лоуренса в Беркли (Berkeley Lab) разработали установку для автоматической компенсации изменений в режиме реального времени в пучках ускорителя и других его компонентах, таких как магниты.
Исследования в этой области повлияют на многие прикладные области ускорителей частиц, начиная от автономных операций в промышленных и медицинских учреждениях и заканчивая повышением точности в научных приложениях, таких как линейные коллайдеры и сверхбыстрые лазеры на свободных электронах.
Сейчас работа Филиппетто сосредоточена на использовании мощности и прогнозирования инструментов машинного обучения для повышения общей стабильности пучков частиц.
«Если можно предсказать свойства пучка с точностью, превосходящей их колебания, то легко использовать это предсказание для повышения производительности ускорителя, — отметил ученый. — Знание ключевых параметров пучка в режиме реального времени окажет огромное влияние на окончательную точность экспериментов».
Метод уже продемонстрировали на ускорителе для рассеяния электронов с высокой частотой повторения (HiRES) в лаборатории Беркли в сотрудничестве с исследователями из Лос-Аламосской национальной лаборатории и Калифорнийского университета в Лос-Анджелесе. Основное применение линии пучка HiRES — проведение экспериментов по структурной динамике с новыми квантовыми материалами.
Прибор способствовал многочисленным научным открытиям, таким как проведение первых в мире исследований дифракции сверхбыстрых электронов оптического плавления дителлурида тантала, материала с интересными и потенциально полезными свойствами. Теперь эта новая машина демонстрирует свою полезность для разработки новых методов управления широким классом ускорителей.
