Alexander Scheinker, ingénieur en recherche et développement au LANL, et responsable du projet, au compact accélérateur HiRES pour la diffraction des électrons ultrarapides au Lawrence Berkeley National Laboratory, où des outils d’IA sont en cours de développement. Crédit : LANL
Actualités LANL :
- Un système de données d’entraînement permet un réglage efficace en temps réel pour assurer la précision des accélérateurs
Les accélérateurs, qui accélèrent des particules telles que les protons, sont essentiels dans des domaines comme la physique nucléaire, la physique des hautes énergies, la science des matériaux, l’imagerie dynamique, et même la production d’isotopes pour la thérapie du cancer. Un projet mené par le Laboratoire National de Los Alamos présente un algorithme d’apprentissage automatique qui exploite les capacités de l’intelligence artificielle afin d’aider à régler les accélérateurs, en effectuant des ajustements continus pour maintenir le faisceau précis et pertinent pour la découverte scientifique.
“La complexité et les variations temporelles des machines signifient qu’avec un usage prolongé, les caractéristiques du faisceau de particules d’un accélérateur changent,” explique Alexander Scheinker. “Des éléments comme les vibrations et les variations de température peuvent poser des problèmes, car un accélérateur possède des milliers de composants, et même les meilleurs techniciens peuvent avoir du mal à détecter et à résoudre les problèmes ou à rétablir rapidement des paramètres optimaux. C’est un problème d’optimisation de haute dimension qui doit être abordé de manière répétée à mesure que les systèmes dérivent avec le temps. Relancer ces machines après une panne ou les retuner entre différents expérimentations peut prendre des semaines.”
Un accélérateur capable d’être efficacement réglé en temps réel peut offrir des courants plus élevés pour les expériences, être plus susceptible de rester opérationnel, et garantir ainsi un temps d’utilisation accru pour les expériences scientifiques, tout en assurant des résultats précis. En collaboration avec le Lawrence Berkeley National Laboratory, la méthode développée par Scheinker combine des algorithmes de contrôle adaptatif, des réseaux de neurones convolutionnels profonds et des modèles basés sur la physique dans une boucle de rétroaction centrale pour réaliser des prédictions non invasives, permettant un contrôle autonome des accélérateurs compacts.
Apprendre aux applications d’apprentissage automatique à régler les accélérateurs
En plus des contrôles complexes et des diagnostics, les scientifiques de la communauté des accélérateurs utilisent des algorithmes de rétroaction pour aider ces machines à s’adapter aux changements de composants au fil du temps. Cependant, étant basés sur la rétroaction d’accélérateurs locaux, ces algorithmes peuvent se heurter à une solution locale qui n’est pas nécessairement optimale. Les algorithmes d’apprentissage automatique, eux, peuvent recourir aux données d’entraînement pour identifier des relations entre données et résultats sur une échelle plus globale.
Ce que Scheinker et ses collègues de Lawrence Berkeley ont mis au point est une nouvelle technique d’apprentissage automatique qui ajuste le modèle à l’aide de données en temps réel fournies par les diagnostics de l’accélérateur. L’équipe a développé une version adaptative d’un processus avancé d’IA, connu sous le nom de diffusion, permettant un diagnostic virtuel du faisceau de l’accélérateur. Cette approche non invasive, décrite dans Scientific Reports, signifie que les diagnostics peuvent se faire en temps réel durant les opérations du faisceau.
En démontrant le modèle basé sur la diffusion au European X-Ray Free Electron Laser Facility, un accélérateur de pulsation X en Allemagne, l’équipe a pu capturer des images du faisceau de particules par rapport au temps et à l’énergie. À travers une large gamme de configurations d’accélérateurs, les données du modèle ont abouti à des prédictions précises des distributions de différents profils de groupes de particules.
Cet outil peut également reconstituer les projections multidimensionnelles en une représentation utile pour l’entraînement en temps réel de l’algorithme d’IA. Le modèle de diffusion variationnelle conditionnelle (cDVAE) a été testé sur la ligne de faisceau High Repetition-rate Electron Scattering (HiRES) au laboratoire de Berkeley. Ce modèle a su extrapoler au-delà des données d’entraînement et entre différentes configurations de faisceau, suggérant son potentiel en tant que méthode générale applicable aux diagnostics d’accélérateurs.
“Les résultats que nous avons obtenus avec nos études de modèle de diffusion montrent un grand potentiel,” déclare Scheinker. “Régler les accélérateurs avec ces techniques avancées d’apprentissage automatique renforcera notre capacité à promouvoir la découverte scientifique.”
Ces travaux représentent des avancées continues de l’équipe d’apprentissage automatique adaptatif de Los Alamos, dirigée par Scheinker, qui développe depuis plusieurs années des méthodes novatrices d’IA adaptative pour le contrôle autonome et l’optimisation en temps réel de systèmes dynamiques complexes, y compris les accélérateurs de particules et les expériences d’imagerie dynamique d’intérêt pour le laboratoire.
L’équipe de Scheinker à Los Alamos développe également ces modèles de diffusion adaptative pour l’accélérateur LANSCE du laboratoire.
Financement : Ce projet bénéficie du soutien du Bureau des sciences du DOE des États-Unis, dans le cadre du programme de la stewardship des accélérateurs en physique des hautes énergies, ainsi que du programme de recherche et développement dirigé par le laboratoire de Los Alamos.
Articles : “cDVAE: VAE-guided diffusion for particle accelerator beam 6D phase space projection diagnostics.” Scientific Reports. DOI: 10.1038/s41598-024-80751-1
“Conditional guided generative diffusion for particle accelerator beam diagnostics.” Scientific Reports. DOI: 10.1038/s41598-024-70302-z
Points à retenir
- Les accélérateurs jouent un rôle crucial dans divers domaines scientifiques, allant de la physique nucléaire à la production d’isotopes pour traitements médicaux.
- La mise en œuvre d’algorithmes d’apprentissage automatique pourrait révolutionner la manière de régler les accélérateurs, en apportant des ajustements en temps réel.
- La collaboration entre différents laboratoires, comme Los Alamos et Lawrence Berkeley, favorise l’innovation dans les technologies d’accélérateurs.
La recherche en cours pour optimiser les accélérateurs de particules témoigne d’un progrès technologique prometteur. Comment la mise en œuvre de telles technologies pourrait-elle transformer d’autres domaines scientifiques ? Les implications de cette avancée vont au-delà des accélérateurs et pourraient affecter le rythme de la découverte scientifique dans son ensemble.
C’est fascinant de voir comment l’intelligence artificielle transforme des domaines scientifiques comme l’accélération des particules. Cela promet d’ouvrir de nouvelles pistes pour la recherche et l’innovation!