L’algorithme associe des techniques d’apprentissage automatique à des équations classiques de la physique des faisceaux pour éviter un traitement massif des données
Français
Suivez-nous sur notre page Facebook et notre canal Telegram
Chaque fois que l’accélérateur linéaire du SLAC National Accelerator Laboratory est activé, des paquets d’environ un milliard d’électrons voyagent ensemble à une vitesse proche de celle de la lumière à travers des tuyaux métalliques. Ces paquets d’électrons forment le faisceau de particules de l’accélérateur, qui est utilisé pour étudier le comportement atomique des molécules, des nouveaux matériaux et de nombreux autres sujets. Mais essayer d’estimer à quoi ressemble réellement un faisceau de particules lorsqu’il se déplace à travers un accélérateur est difficile, laissant souvent aux scientifiques seulement une approximation approximative de la façon dont un faisceau se comportera au cours d’une expérience.
Maintenant, des chercheurs du SLAC du Département de l’énergie, du Laboratoire national d’Argonne du DOE et de l’Université de Chicago ont développé un algorithme qui prédit plus précisément la distribution des positions et des vitesses des particules d’un faisceau lorsqu’il passe à travers un accélérateur. Ces informations détaillées sur les faisceaux aideront les scientifiques à réaliser leurs expériences de manière plus fiable, un besoin qui devient de plus en plus important à mesure que les accélérateurs fonctionnent à des énergies de plus en plus élevées et génèrent des profils de faisceaux plus complexes. Les chercheurs ont détaillé leur algorithme et leur méthode en avril dans Lettres d’examen physique.
“Nous avons de nombreuses façons différentes de manipuler les faisceaux de particules à l’intérieur des accélérateurs, mais nous n’avons pas de moyen vraiment précis pour décrire la forme et l’élan d’un faisceau”, a déclaré Ryan Roussel, scientifique et co-auteur principal de l’accélérateur SLAC. “Notre algorithme prend en compte les informations sur un faisceau qui est normalement rejeté et utilise ces informations pour peindre une image plus détaillée du faisceau.”
En règle générale, les chercheurs décrivent les positions et les vitesses des particules dans un faisceau en termes de quelques statistiques récapitulatives qui fournissent une forme approximative du faisceau dans son ensemble – mais cette approche jette beaucoup d’informations potentiellement utiles. Alternativement, les scientifiques du faisceau peuvent prendre de nombreuses mesures du faisceau lui-même et essayer de reconstruire, parfois en utilisant l’apprentissage automatique, à quoi ressemblerait le faisceau dans différentes circonstances expérimentales – mais ces méthodes nécessitent beaucoup de données et beaucoup de puissance de calcul.
Pour cette étude, l’équipe a essayé une nouvelle approche : ils ont construit un modèle d’apprentissage automatique qui utilise notre compréhension de la dynamique du faisceau pour prédire la distribution des positions et des vitesses des particules dans le faisceau, collectivement connue sous le nom de distribution dans l’espace de phase du faisceau.
Pour tester leurs idées, l’équipe a utilisé son modèle pour interpréter les données expérimentales de l’accélérateur Argonne Wakefield au Laboratoire national d’Argonne du DOE. L’inclusion de la physique de la dynamique du faisceau de particules avec les données expérimentales a permis aux chercheurs de reconstruire avec précision les détails fins du faisceau en utilisant seulement 10 points de données – une tâche qui pourrait prendre jusqu’à 10 000 points de données pour certains modèles d’apprentissage automatique qui n’incluent pas de modèle de physique des faisceaux.
“La plupart des modèles d’apprentissage automatique n’incluent directement aucune notion de dynamique des faisceaux de particules pour accélérer l’apprentissage et réduire la quantité de données requises”, a déclaré Auralee Edelen, scientifique et co-auteur de l’accélérateur SLAC. “Nous avons montré que nous pouvons déduire des formes de faisceau de haute dimension très compliquées à partir de quantités de données étonnamment petites.”
L’algorithme peut actuellement reconstruire un modèle de faisceau le long de ses axes haut-bas et gauche-droite, comme si le paquet de particules était une crêpe se déplaçant sur la trajectoire de l’accélérateur. Ce type de reconstruction est appelé espace de phase de faisceau 4D. Ensuite, les chercheurs veulent démontrer expérimentalement l’algorithme en reconstruisant des distributions d’espace de phase 6D complètes, qui incluent les positions et la vitesse des particules dans la direction dans laquelle le faisceau se déplace.
Dans l’ensemble, l’algorithme est un changement de paradigme majeur dans la façon dont nous analysons les données expérimentales des accélérateurs dans les installations aujourd’hui, a déclaré Roussel.
“Nous pouvons désormais utiliser les données des faisceaux de particules d’une manière plus complète et plus puissante pour améliorer nos objectifs scientifiques dans les accélérateurs du monde entier”, a-t-il déclaré.
