In genere, i ricercatori descrivono le posizioni e le velocità delle particelle in un raggio in termini di poche statistiche riassuntive che forniscono una forma approssimativa del raggio nel suo complesso, ma questo approccio genera molte informazioni potenzialmente utili.
In alternativa, gli scienziati del raggio possono effettuare molte misurazioni del raggio stesso e provare a ricostruire, a volte utilizzando l’apprendimento automatico, come sarebbe il raggio in diverse circostanze sperimentali, ma questi metodi richiedono molti dati e molta potenza di calcolo.
Apprendimento automatico: impressione artistica. Credito immagine: Gerd Altmann via PublicDomainPictures.net
Per questo studio, il team ha provato un nuovo approccio: ha costruito un modello di apprendimento automatico che utilizza la nostra comprensione della dinamica del raggio per prevedere la distribuzione delle posizioni e delle velocità delle particelle all’interno del raggio, nota collettivamente come distribuzione dello spazio delle fasi del raggio.
Per testare le loro idee, il team ha utilizzato il proprio modello per interpretare i dati sperimentali dell’Argonne Wakefield Accelerator presso l’Argonne National Laboratory del DOE.
L’inclusione della fisica della dinamica del fascio di particelle con i dati sperimentali ha permesso ai ricercatori di ricostruire accuratamente i dettagli fini del raggio utilizzando solo 10 punti dati, un’attività che potrebbe richiedere fino a 10.000 punti dati per alcuni modelli di apprendimento automatico che non includono un modello della fisica dei raggi.
“La maggior parte dei modelli di apprendimento automatico non include direttamente alcuna nozione di dinamica del fascio di particelle per accelerare l’apprendimento e ridurre la quantità di dati richiesti”, ha affermato Auralee Edelen, scienziata dell’acceleratore SLAC e coautrice. “Abbiamo dimostrato che possiamo dedurre forme di raggi ad alta dimensione molto complicate da quantità di dati sorprendentemente piccole”.
L’algoritmo è attualmente in grado di ricostruire un modello di un raggio lungo i suoi assi su-giù e sinistra-destra, come se il gruppo di particelle fosse una frittella che si muove lungo il percorso dell’acceleratore. Questo tipo di ricostruzione è chiamato spazio delle fasi del raggio 4D.
Successivamente, i ricercatori vogliono dimostrare sperimentalmente l’algoritmo sulla ricostruzione delle distribuzioni complete dello spazio delle fasi 6D, che include le posizioni delle particelle e la velocità lungo la direzione in cui viaggia il raggio.
Nel complesso, l’algoritmo rappresenta un importante cambiamento di paradigma nel modo in cui oggi analizziamo i dati degli acceleratori sperimentali presso le strutture, ha affermato Roussel.
“Ora possiamo utilizzare i dati del fascio di particelle in un modo più completo e potente per migliorare i nostri obiettivi scientifici negli acceleratori di tutto il mondo”, ha affermato.
Fonte: Università di Stanford
Da un’altra testata giornalistica. news de www.technology.org
