大型強子對撞機 (LHC) 等粒子加速器以接近光速的高速推進帶電粒子，例如質子或電子。加速到接近光速的速度，它們為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。
操作員需要不斷調整加速器以獲得最佳性能。但是，大型粒子加速器很難調整，因為需要調整的組件太多。此外，一些組件相互依賴才能正常工作。因此，當您調整一個時，它可能會影響另一個的設置。
美國加速器實驗室（SLAC）最近的一項研究提出了一個解決方案。這表明機器學習可以顯著提高粒子加速器的性能。在實際數據不存在的情況下，教授機器學習加速器物理學的基礎知識很方便。
前 SLAC 研究助理 Adi Hanuka 說： “將物理學注入機器學習是許多研究領域的一個非常熱門的話題，比如材料科學、環境科學、電池研究、粒子物理學領域等等。”
將物理學注入機器學習的好處是：
它可以通過加快優化過程并找到有用的加速器設置來支持人類操作員。
與其他技術不同，它可以幫助診斷粒子束的質量而不會干擾它們。
為了使這些事情成為可能，科學家們使用來自先前加速器操作和計算機模擬的數據訓練機器學習算法，這些數據對加速器的性能做出假設。還發現使用物理模型數據與實驗數據相結合可以顯著減少所需的新數據量。
這意味著，如果您對描述加速器工作原理的物理學有足夠的了解，則實際上不需要先前的數據。但這并不意味著數據根本沒有用。在實驗過程中，科學家們通過將這些數據與來自加速器的實際數據配對，使用這些數據進一步改進了以物理為依據的機器學習模型。
上述實驗是在 SLAC 的 SPEAR3 加速器上進行的。科學家們使用直接從基于物理的模型中獲得的信息。他們得到的結果與通過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。
該研究的首席研究員、SLAC 工作人員科學家喬·杜里斯 (Joe Duris)說： “我們的結果是 SLAC 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。”
科學家們現在正在應用這種方法來改進 SLAC 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。
科學家們指出， “當 SLAC 工作人員明年開啟 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 AI 陪在他們身邊會很方便。”
