В России ИИ научили автоматически настраивать ускорители частиц
Исследователи Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ и Института ядерной физики СО РАН разработали программу RLABC, которая оптимизирует настройки ускорителей частиц с использованием обучения с подкреплением. В ходе компьютерного эксперимента программа смогла настроить модель так, что до конца ускорителя доходило около 70% частиц. Об этом сообщает издание Naked Science.
Ускорители частиц представляют собой установки, которые разгоняют заряженные частицы, такие как электроны или протоны. Они играют важную роль в научных исследованиях, позволяя изучать строение вещества и свойства новых материалов, а также находят применение в медицине для лучевой терапии. Подобные технологии также используются в телевизорах с кинескопом и компьютерных томографах.
Частицы в ускорителях движутся в узких потоках, и их разгоняют электрические поля, в то время как магнитные поля направляют и фокусируют их. Неправильная настройка магнитов может привести к потере частицы, так как изменение параметров одного магнита влияет на последующие. Специалистам необходимо подбирать оптимальные сочетания множества параметров как при проектировании, так и после запуска ускорителя.
Команда исследователей предложила использовать обучение с подкреплением для оптимизации настроек ускорителей, создав программу RLABC, которая использует алгоритмы машинного обучения совместно с программой Elegant, применяемой для расчета движения пучков. Результаты исследования опубликованы в журнале Computer Physics Communications.
Система работает так: нейросеть задает параметры магнитов в компьютерной модели, а Elegant рассчитывает их влияние на пучок. RLABC возвращает результаты нейросети с оценкой её действий. Чем больше частиц проходит дальше, тем выше оценка. После множества итераций сеть учится выбирать настройки более эффективно, как пояснил один из авторов, стажер-исследователь Анвар Ибрахим.
Испытания программы проводились на компьютерной модели, основанной на комплексе ВЭПП-5, включающей 11 магнитов с 37 настраиваемыми параметрами. В среднем до конца канала доходило 70% частиц, а при подборе всех параметров результат составлял около 66%. Программа также была протестирована на другой модели, где удалось провести 71% частиц. По словам исследователя, результаты сопоставимы с настройками, предложенными специалистами, что подтверждает возможность использования инструмента, хотя его потенциал нужно проверить на более сложных системах.
Исследователи планируют протестировать программу на реальных ускорителях, так как у каждого ускорителя есть свои особенности, и подход, работающий на одном, может оказаться неэффективным для другого. RLABC поможет проверять различные конфигурации и выявлять, в каких случаях обучение с подкреплением будет наиболее эффективным. Программа также сможет предлагать оператору подходящие настройки, освобождая его от рутинной работы, хотя окончательное решение останется за человеком.
Авторы надеются, что использование машинного обучения поможет автоматизировать процесс настройки ускорителей, позволяя специалистам больше времени уделять экспериментам и культурному отдыху. Код программы RLABC открыт для использования и доработки другими исследователями, а работа выполнена при поддержке гранта Минэкономразвития России для исследовательских центров в области искусственного интеллекта.
