研究人员证明AI学习物理学可优化粒子加速器性能

人工智能的一种形式——机器学习，极大地加快了计算任务的速度，并在语音和图像识别、自动驾驶汽车、股票市场交易和医疗诊断等领域推动新技术的发展。在执行给定任务之前，机器学习算法通常需要对预先存在的数据进行训练，以便这些算法能够学会独自对未来场景做出快速准确的预测。但如果是全新任务，且没有可用于培训的数据，这些算法又该如何处理？

据外媒报道，日前，美国能源部SLAC国家加速器实验室（National Accelerator Laboratory）的研究人员已证明，通过教授算法加速器操作背后的基本物理原理，可以使用机器学习来优化粒子加速器的性能，且无需先前数据。

（图片来源：SLAC国家加速器实验室）

前SLAC研究助理Adi Hanuka表示：“在许多研究领域，如材料科学、环境科学、电池研究和粒子物理学等领域，将物理学引入机器学习是一个非常热门的话题。”

物理学教学人工智能

加速器是强大的机器，可为电子束或其他粒子束提供能量，且应用十分广泛，包括基础物理实验、分子成像和癌症放射治疗。为了获得给定应用的最佳光束，操作员需要调整加速器以获得最佳性能。但当涉及到大型粒子加速器时，操作会因为需要调整的组件太多而非常具有挑战性。更复杂的是，并非所有组件都是独立的，这意味着如果要调整一个组件，它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并找到先前未被发现的有用加速器设置给人类操作员提供巨大支持。此外，机器学习还可以帮助诊断粒子束的质量，且不会像其他技术一样干扰到粒子束。为了使这些程序起作用，研究人员首先必须训练机器学习算法，使用的数据来自先前加速器操作，或计算机仿真，或两者皆有。然而，他们还发现，将物理模型中的信息与可用的实验数据相结合，可以大大减少所需的新数据量。

新研究表明，如果对描述加速器工作原理的物理知识足够了解，则实际上并不需要先前的数据。该团队使用这种方法调整SLAC的SPEAR3加速器。该加速器可为实验室的斯坦福同步辐射光源（SSRL）提供动力。研究人员说，通过使用直接从基于物理的模型中获得的信息，他们得到的结果与通过使用实际档案数据训练算法所获得的结果一样，甚至更好。

该研究的首席研究员、SLAC工作人员科学家Joe Duris表示：“此次研究结果是SLAC逐步推动开发用于调整加速器的机器学习工具的最新亮点。”

预测未知

但这并不意味着预先存在的数据没有帮助。即使物理性能下降，这些数据仍然有用。在SPEAR3案例中，研究人员能够通过将其与加速器的实际数据配对，从而进一步改进基于物理的机器学习模型。该团队还采用该方法改进SLAC的直线加速器相干光源（Linac Coherent Light Source，LCLS）X射线激光器的调谐，其归档数据可从之前的实验运行中获得。