Vea También
 |
Proceso gaussiano informado por el modelo físico para la optimización en línea de aceleradores de partículas
Resumen
La optimización de altas dimensiones es un reto crítico para el funcionamiento de instalaciones científicas a gran escala. Aplicamos un optimizador de proceso gaussiano (GP) informado por la física para ajustar un sistema complejo. Los modelos típicos de GP aprenden de las observaciones pasadas para hacer predicciones, pero esto reduce su aplicabilidad a los sistemas en los que hay pocos datos de archivo relevantes. En su lugar, aquí utilizamos un modelo rápido aproximado a partir de simulaciones físicas para diseñar el modelo GP. A continuación, la GP se emplea para hacer inferencias a partir de observaciones secuenciales en línea con el fin de optimizar el sistema. Se realizaron estudios de simulación y experimentales para demostrar el método para el control en línea de un anillo de almacenamiento. Nuestro método es una prescripción sencilla para construir un modelo de GP personalizado, que incluye correlaciones entre el espacio de entrada de alta dimensión, al tiempo que codifica la respuesta física de un sistema. La capacidad de informar al modelo de aprendizaje automático con la física, sin depender de la disponibilidad y el alcance de los datos previos, puede tener amplias aplicaciones en la ciencia.
El aprendizaje automático, una forma de inteligencia artificial, acelera enormemente las tareas computacionales y posibilita nuevas tecnologías en ámbitos tan amplios como el reconocimiento de voz e imágenes, los coches autoconducidos, el comercio bursátil y el diagnóstico médico.
Antes de ponerse a trabajar en una tarea determinada, los algoritmos de aprendizaje automático suelen tener que ser entrenados con datos preexistentes para que puedan aprender a hacer predicciones rápidas y precisas sobre escenarios futuros por sí mismos. Pero, ¿qué ocurre si el trabajo es completamente nuevo, sin datos disponibles para el entrenamiento?
Ahora, los investigadores del Laboratorio Nacional de Aceleradores SLAC del Departamento de Energía han demostrado que pueden utilizar el aprendizaje automático para optimizar el rendimiento de los aceleradores de partículas enseñando a los algoritmos los principios físicos básicos del funcionamiento de los aceleradores, sin necesidad de datos previos.
"La inyección de la física en el aprendizaje automático es un tema muy candente en muchas áreas de investigación, como la ciencia de los materiales, la ciencia del medio ambiente, la investigación de las baterías o la física de las partículas, entre otras", afirma Adi Hanuka, antiguo investigador asociado del SLAC que dirigió un estudio publicado en Physical Review Accelerator and Beams. Este es uno de los primeros ejemplos de uso del aprendizaje automático basado en la física en la comunidad de físicos de aceleradores".
Educar a la IA con la física
Los aceleradores son potentes máquinas que energizan haces de electrones u otras partículas para su uso en una amplia gama de aplicaciones, incluyendo experimentos de física fundamental, imágenes moleculares y radioterapia para el cáncer. Para obtener el mejor haz para una aplicación determinada, los operadores deben ajustar el acelerador para obtener el máximo rendimiento.
Cuando se trata de grandes aceleradores de partículas, esto puede ser muy difícil porque hay muchos componentes que deben ajustarse. Lo que complica aún más las cosas es que no todos los componentes son independientes, lo que significa que si se ajusta uno, puede afectar a los ajustes de otro.
Estudios recientes realizados en el SLAC han demostrado que el aprendizaje automático puede ayudar en gran medida a los operadores humanos, acelerando el proceso de optimización y encontrando ajustes útiles del acelerador en los que nadie había pensado antes. El aprendizaje automático también puede ayudar a diagnosticar la calidad de los haces de partículas sin interferir en ellos, como suelen hacer otras técnicas.
Para que estos procedimientos funcionen, los investigadores tuvieron que entrenar primero los algoritmos de aprendizaje automático con datos de operaciones anteriores del acelerador, con simulaciones informáticas que hacen suposiciones sobre el rendimiento del acelerador, o con ambos. Sin embargo, también descubrieron que el uso de información procedente de modelos físicos combinada con los datos experimentales disponibles podía reducir drásticamente la cantidad de datos nuevos necesarios.
El nuevo estudio demuestra que, de hecho, los datos previos no son necesarios si se conoce lo suficiente la física que describe el funcionamiento de un acelerador.
El equipo utilizó este enfoque para poner a punto el acelerador SPEAR3 del SLAC, que alimenta la Fuente de Radiación Sincrotrón de Stanford (SSRL) del laboratorio. Al utilizar la información obtenida directamente de los modelos basados en la física, obtuvieron resultados tan buenos, si no mejores, que los conseguidos entrenando el algoritmo con datos reales de archivo, dijeron los investigadores.
"Nuestros resultados son el último hito de un impulso progresivo en el SLAC para desarrollar herramientas de aprendizaje automático para la puesta a punto de los aceleradores", dijo el científico del SLAC Joe Duris, investigador principal del estudio.
Predecir lo desconocido
Esto no quiere decir que los datos preexistentes no sean útiles. Siguen siendo útiles incluso cuando se tiene la física dominada. En el caso de SPEAR3, los investigadores pudieron mejorar aún más el modelo de aprendizaje automático basado en la física al combinarlo con datos reales del acelerador. El equipo también está aplicando el método para mejorar la sintonización del láser de rayos X de la Fuente de Luz Coherente Linac (LCLS) del SLAC, una de las fuentes de rayos X más potentes del planeta, de la que se dispone de datos de archivo de ejecuciones experimentales anteriores.
Todo el potencial del nuevo método se pondrá probablemente de manifiesto cuando el personal del SLAC encienda el LCLS-II el próximo año. Esta actualización superconductora del LCLS tiene un acelerador completamente nuevo, y sus mejores ajustes deben determinarse desde cero. Sus operadores pueden encontrar conveniente tener a su lado una IA que ya ha aprendido algunos aspectos básicos de la física de los aceleradores.
Fuentes, créditos y referencias:
Adi Hanuka et al, Physics model-informed Gaussian process for online optimization of particle accelerators, Physical Review Accelerators and Beams (2021). DOI: 10.1103/PhysRevAccelBeams.24.072802
Créditos a PhysOrg