Институт физики высоких энергий Китайской академии наук, Институт современной физики Китайской академии наук, Институт физических наук Хэфэй Китайской академии наук и другие научно-исследовательские учреждения и университеты совместно опубликовали обзорную статью, в которой систематически рассматриваются пути технологического применения искусственного интеллекта в физике частиц и ядерной физике. Статья охватывает такие направления, как автономное управление ускорителями, интеллектуальная модернизация детекторов, обработка больших данных в реальном времени, реконструкция событий эксперимента, вычисления теоретических моделей и интеллектуальная эксплуатация крупных научных установок, с особым акцентом на то, как модели ИИ интегрируются в экспериментальные системы и научно-исследовательские процессы.
В системах ускорителей ИИ в основном используется для идентификации состояния пучка, оптимизации параметров, обнаружения аномалий в работе и автономного управления. Эксплуатация ускорителя включает большое количество оборудования, такого как магниты, источники питания, радиочастотные системы, вакуумные системы, системы диагностики пучка и системы управления. Положение пучка, разброс по энергии, эмиттанс, светимость и стабильность подвержены влиянию многопараметрической связи. Модели машинного обучения могут, на основе исторических данных эксплуатации и сигналов диагностики в реальном времени, устанавливать взаимосвязь между состоянием пучка и параметрами управления, используемую для вспомогательной регулировки магнитного поля, напряжения, фазы и условий инжекции, сокращая процесс многократной ручной настройки.
Интеллектуальная модернизация детекторов сосредоточена на этапах распознавания сигналов, подавления шума, реконструкции событий и онлайн-фильтрации. Детекторы в экспериментах по физике частиц и ядерной физике обычно должны работать в условиях высокой скорости счета, высокого фона и сложного перекрытия сигналов. Традиционные алгоритмы требуют большого количества вручную задаваемых признаков и порогов. Модели глубокого обучения могут обрабатывать данные изображений, сигналов, треков и временных рядов, выводимые детекторами, для идентификации треков частиц, энерговыделения, положения вершин и сигналов-кандидатов редких событий.
Обработка больших данных в реальном времени является ключевым технологическим сценарием, подчеркнутым в статье. Эксперименты по физике высоких энергий генерируют высокочастотные потоки данных, и исходные данные не могут быть полностью сохранены в течение длительного времени; необходимо быстро принимать решения на этапах триггера, сжатия, фильтрации и реконструкции. Модели ИИ могут быть встроены в онлайн-системы триггера для быстрой классификации сигналов детектора, заблаговременного отбрасывания низкоценных фоновых событий и сохранения данных, которые с большей вероятностью содержат целевые физические процессы. Для последующего анализа ИИ также может использоваться для классификации событий, подгонки параметров, оценки ошибок и моделирования фона, повышая эффективность обработки сложных выборок данных.
В статье также обсуждается роль ИИ в теоретических расчетах и моделировании. Исследования в области физики частиц и ядерной физики требуют большого количества расчетов методом Монте-Карло, вычислений сечений реакций, моделей ядерной структуры, транспортных моделей и расчетов многотельных систем. Методы машинного обучения могут использоваться для ускорения генерации симуляций, замены части дорогостоящих численных расчетов, построения суррогатных моделей и поиска оптимальных параметров модели в многомерных пространствах параметров. На этапе проектирования эксперимента ИИ также может участвовать в оптимизации геометрии детектора, отборе условий эксперимента и корректировке стратегии сбора данных.
В системах, связанных с источниками синхротронного излучения, источниками нейтронов, установками ядерной науки и ядерной энергетикой, применение ИИ больше смещено в сторону управления установками, диагностики состояния и прогностического обслуживания. Модели могут считывать данные о состоянии оборудования, данные датчиков, данные изображений и данные экспериментальных процессов для идентификации дрейфа оборудования, аномальных колебаний, признаков неисправностей и изменений эффективности работы. Для крупных научных установок, требующих длительной непрерывной работы, такие технологии могут быть внедрены в диспетчерские, системы мониторинга оборудования и системы управления экспериментами для участия в онлайн-обратной связи и корректировке рабочих параметров.
Данный обзор разбивает технологию ИИ на множество конкретных этапов экспериментов по физике частиц и ядерной физике: на фронтальном этапе сбора данных отвечает за распознавание сигналов детектора и триггерную фильтрацию, на промежуточном этапе обработки — за реконструкцию событий, сжатие данных и извлечение признаков, на этапе последующего анализа — за классификацию, подгонку, ускорение моделирования и логический вывод моделей, а на этапе эксплуатации установки — за регулировку пучка, диагностику оборудования и оптимизацию экспериментального процесса. Весь технологический маршрут разворачивается вокруг координации данных, моделей, систем управления и крупных научных установок.