입자물리학자들은 빔 역학에 대해 AI의 도움을 받습니다.

미국 연구진이 소량의 훈련 데이터로부터 입자가속기 빔의 모양을 정확하게 재구성하는 기계학습 알고리즘을 개발했다. SLAC 국립 가속기 연구소(SLAC National Accelerator Laboratory)의 팀 리더인 Ryan Roussel은 새로운 알고리즘을 사용하면 가속기 실험 결과를 더 쉽게 이해할 수 있으며 이를 해석하는 데 획기적인 발전을 이룰 수 있다고 말했습니다.

입자 물리학의 가장 큰 발견 중 다수는 입자 광선이 빛의 속도에 가까운 속도로 목표물에 부딪힐 때 어떤 일이 일어나는지 관찰하는 데서 나왔습니다. 이러한 빔이 점점 더 활기차고 복잡해짐에 따라 결과를 신뢰할 수 있게 유지하려면 역학을 엄격하게 제어하는 ​​것이 중요합니다.

이러한 수준의 제어를 유지하려면 물리학자는 빔 모양과 운동량을 최대한 정확하게 예측해야 합니다. 그러나 빔에는 수십억 개의 입자가 포함될 수 있으며 각 입자의 위치와 운동량을 개별적으로 계산하려면 엄청난 양의 컴퓨팅 성능이 필요합니다. 대신 실험자는 빔의 전체 모양에 대한 대략적인 아이디어를 제공하는 단순화된 분포를 계산합니다. 이는 문제를 계산적으로 다루기 쉽게 만들지 만, 빔에 포함된 많은 유용한 정보가 버려진다는 의미이기도 합니다.

"현재 방법보다 더 정확하게 빔을 제어할 수 있는 가속기를 개발하려면 이러한 근사값에 의존하지 않고 실험 측정을 해석할 수 있어야 합니다."라고 Roussel은 말합니다.

SLAC 팀에게는 AI의 예측 능력과 입자 움직임을 추적하는 고급 방법이 유망한 잠재적 솔루션을 제공했습니다. "우리 연구에서는 상세한 빔 측정값을 효율적으로 해석하기 위한 두 가지 새로운 기술을 도입했습니다."라고 Roussel은 설명합니다. "물리학 기반 기계 학습 모델은 정확한 예측을 위해 기존 모델보다 훨씬 적은 데이터가 필요합니다."

Roussel은 계속해서 첫 번째 기술에는 입자 빔 역학에 대한 과학자의 현재 이해를 통합하는 기계 학습 알고리즘이 포함된다고 말합니다. 이 알고리즘을 통해 팀은 단 몇 번의 측정을 기반으로 빔의 이동 방향에 평행 및 수직인 세 축 모두를 따라 입자 위치 및 운동량 분포에 대한 자세한 정보를 재구성할 수 있었습니다. 두 번째 기술은 팀이 기계 학습 알고리즘을 훈련하는 데 사용되는 모델에 빔 시뮬레이션을 통합할 수 있게 해주는 영리한 수학적 접근 방식입니다. 이를 통해 알고리즘 예측의 정확도가 더욱 향상되었습니다.

Roussel과 동료들은 일리노이주에 있는 미국 에너지부 아르곤 국립 연구소의 Argonne Wakefield Accelerator의 실험 데이터를 사용하여 이러한 기술을 테스트했습니다. 그들의 목표는 빔이 선형 가속기를 통과한 후 에너지 전자 빔의 위치와 운동량 분포를 재구성하는 것이었습니다. "우리는 우리의 재구성 방법이 기존 방법보다 간단한 가속기 물리학 측정에서 빔 분포에 대한 훨씬 더 자세한 정보를 추출할 수 있다는 것을 발견했습니다."라고 Roussel은 말합니다.

단 10개의 데이터 샘플로 모델을 훈련한 후 연구원들은 간단한 측정 세트를 기반으로 추가 10개 샘플에서 전자빔의 역학을 매우 정확하게 예측할 수 있음을 발견했습니다. 이전 접근 방식을 사용하면 동일한 품질의 결과를 얻으려면 수천 개의 샘플이 필요했습니다.

AI와 입자 물리학: 강력한 파트너십

"우리의 작업은 개별 입자 수준까지 입자 빔을 제어하는 ​​기술을 개발하려는 가속기와 빔 물리학 커뮤니티의 목표를 달성하기 위한 중요한 단계입니다."라고 Roussel은 말합니다.

Physical Review Letters에 자신의 작업을 보고한 연구자들은 새로운 접근 방식의 유연성과 세부 사항이 미래의 실험자들이 실험 데이터에서 유용한 정보를 최대한 추출하는 데 도움이 되기를 바랍니다. 시간이 지나면 이러한 엄격한 제어를 통해 물리학자들은 물질과 우주의 본질에 관한 근본적인 질문에 대한 답에 한 걸음 더 다가갈 수 있습니다.