北京
这台耗资28亿美元的电子-离子对撞机（EIC）计划于本世纪30年代中期启动，将依靠机器学习来稳定束流、优化探测器设计并实时处理海量碰撞数据。
电子-离子对撞机每秒将记录50万次碰撞。在这样的速率下，机器学习将对探测器内部发生的情况进行分类、过滤和重建。这一需求影响了整个设施的设计。
这座正在纽约布鲁克海文国家实验室建造的对撞机是同类设施中的第一台——第一台从设计之初就将人工智能和机器学习集成到其加速器和探测器系统中的粒子对撞机。这是布鲁克海文实验室与能源部托马斯·杰斐逊国家加速器实验室的联合项目，全球有300多家机构参与合作。
项目总成本介于17亿至28亿美元之间，目标于本世纪30年代中期投入运行。
教会加速器自我调谐
早期的粒子物理设施，包括布鲁克海文自己的相对论重离子对撞机（RHIC，已于2026年2月关闭），都是在建成多年后才引入人工智能工具的。而对于EIC，一个名为EIC-BeamAI的多机构团队正在利用布鲁克海文实验室的现役加速器硬件开发机器学习系统。
面临的挑战十分巨大：保持粒子加速器稳定意味着要同时管理数万个参数，涉及两束以接近光速在周长2.4英里的环中反向运行的束流。
“人类操作员很难时刻掌控所有这些设置和束流特性，”康奈尔大学教授、同时受聘于布鲁克海文实验室的格奥尔格·霍夫施泰特·德·托尔夸特说。“借助机器学习，我们所编写的基本上相当于计算机监督——系统监测状态并自动调整控制。”
BeamAI已证明了这一概念。在RHIC的预加速器中，机器学习算法达到了与人类专家操作员通常所能实现的束流质量相当的水平。
该系统还生成加速器的数字孪生体，这是一个实时虚拟模型，使研究人员无需接触实际运行的机器就能测试各种改变。这一数字孪生体还能及早捕捉到磁铁的异常行为，在造成任何损坏之前触发受控停机。
重新思考探测器设计
建造粒子探测器意味着在制造任何部件之前，需要运行大量的模拟：针对无数碰撞场景测试几何结构、材料和配置。一项由美国能源部支持、名为AID2E的项目正将机器学习应用于该过程，参与机构包括布鲁克海文实验室、美国天主教大学、杜克大学、杰斐逊实验室以及威廉与玛丽学院。
经过训练的算法可以预测设计变化如何影响粒子识别，使研究人员能够完成远比标准模拟工作流程更多的配置测试，同时降低计算成本和能耗。
数据难题
当EIC投入运行时，其探测器——一个名为ePIC的房子大小的仪器——每秒将产生高达100吉比特的数据。AI驱动的系统将对这一数据流进行实时分拣，在碰撞发生时将信号与噪声分离。随后，深度学习模型将重建每个事件中发生的情况：将粒子在探测器内留下的微弱痕迹转化为可用的能量和动量测量数据。
布鲁克海文实验室一个相关项目（发表在《Patterns》期刊上）展示了一种算法，能够大规模压缩碰撞数据，同时不丢失物理分析所需的精细度——该算法在RHIC硬件上构建并完成了测试。
“目标是确保EIC在2030年代中期启动时，配备好AI赋能的系统，以加快通往发现的道路，”布鲁克海文实验室核与粒子物理副主任兼EIC科学主任阿拜·德什潘德表示。
如果朋友们喜欢，敬请关注“知新了了”！
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
