在開始執行給定任務之前，機器學習算法通常需要在預先存在的數據上進行訓練，以便他們可以學會自己對未來場景做出快速準確的預測。但是，如果這份工作是全新的，沒有可用于培訓的數據怎么辦?

現在，美國能源部國家加速器實驗室（SLAC ）的研究人員已經證明，他們可以使用機器學習來優化粒子加速器的性能，方法是通過向算法教授加速器操作背后的基本物理原理——無需先驗數據。

“在許多研究領域——材料科學、環境科學、電池研究、粒子物理學等，將物理學注入機器學習是一個非常熱門的話題，”前美國加速器實驗室研究助理 Adi Hanuka 說，他領導了一項發表在《物理評論加速器》上的研究和梁。這是在加速器物理社區中使用基于物理的機器學習的首批示例之一。

用物理教育人工智能

加速器是強大的機器，可為電子束或其他粒子束提供能量，用于廣泛的應用，包括基礎物理實驗、分子成像和癌癥放射治療。為了獲得給定應用的最佳光束，操作員需要調整加速器以獲得最佳性能。

當涉及到大型粒子加速器時，這可能非常具有挑戰性，因為需要調整的組件太多了。更復雜的是，并非所有組件都是獨立的，這意味著如果您調整一個組件，它可能會影響另一個組件的設置。

美國加速器實驗室最近的研究表明，機器學習可以通過加快優化過程并找到以前沒人想到的有用的加速器設置來極大地支持人類操作員。機器學習還可以幫助診斷粒子束的質量，而不會像其他技術通常那樣干擾它們。

為了使這些程序起作用，研究人員首先必須使用來自先前加速器操作的數據、對加速器性能做出假設的計算機模擬，或兩者都訓練機器學習算法。然而，他們還發現，將物理模型中的信息與可用的實驗數據相結合，可以大大減少所需的新數據量。

新研究表明，如果您對描述加速器工作原理的物理知識足夠了解，則實際上不需要先前的數據。

該團隊使用這種方法來調整美國加速器實驗室的 SPEAR3 加速器，該加速器為實驗室的斯坦福同步輻射光源 (SSRL) 提供動力。研究人員說，通過使用直接從基于物理的模型中獲得的信息，他們得到的結果與使用實際檔案數據訓練算法所獲得的結果一樣好，甚至更好。

“我們的結果是美國加速器實驗室逐步推動開發用于調整加速器的機器學習工具的最新亮點，”該研究的首席研究員、美國加速器實驗室工作人員科學家喬·杜里斯 (Joe Duris) 說。

預測未知

這并不是說預先存在的數據沒有幫助。即使您的物理性能下降，它們仍然可以派上用場。在 SPEAR3 案例中，研究人員能夠通過將其與來自加速器的實際數據配對來進一步改進基于物理的機器學習模型。該團隊還應用該方法來改進美國加速器實驗室的直線加速器相干光源 (LCLS) X 射線激光器的調諧，這是地球上最強大的 X 射線源之一，其檔案數據可從以前的實驗運行中獲得。

當美國加速器實驗室工作人員明年啟用 LCLS-II 時，新方法的全部潛力可能會變得顯而易見。此次LCLS超導升級擁有全新的加速器，其最佳設置需要從頭開始確定。它的操作員可能會發現，讓已經學習了一些加速器物理基礎知識的人工智能陪在他們身邊會很方便。