ИИ научили настраивать ускорители частиц: разработка ВШЭ и ИЯФ СО РАН

Ученые из Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ и Института ядерной физики СО РАН создали программу RLABC. Она подбирает оптимальные параметры ускорителя частиц с помощью обучения с подкреплением. В компьютерном эксперименте до конца ускорителя доходило около 70% частиц. Об этом пишет издание Naked Science.

Ускорители разгоняют заряженные частицы — электроны или протоны. В науке они помогают изучать строение вещества, в медицине применяются для лучевой терапии. Похожие технологии работают в кинескопных телевизорах и компьютерных томографах.

Частицы движутся пучками. Электрические поля их разгоняют, магнитные — направляют. Если магниты настроены неудачно, часть частиц теряется. При этом изменение одного параметра влияет на прохождение пучка через следующие элементы. Специалистам приходится подбирать сочетание десятков настроек.

Авторы предложили использовать для оптимизации обучение с подкреплением. RLABC связывает алгоритмы машинного обучения с программой Elegant, которой физики рассчитывают движение пучков. Исследование опубликовано в журнале Computer Physics Communications.

«Нейросеть по очереди задает параметры магнитов в компьютерной модели, а Elegant рассчитывает, что происходит с пучком. RLABC передает результат обратно нейросети с оценкой действий. Чем больше частиц удается провести, тем выше оценка. После множества попыток сеть учится выбирать настройки все лучше», — поясняет стажер-исследователь Научно-учебной лаборатории методов анализа больших данных Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ Анвар Ибрахим.

Разработку испытали на модели комплекса ВЭПП-5 Института ядерной физики Сибирского отделения РАН. В ней было 11 магнитов с 37 настраиваемыми параметрами. В среднем до конца канала дошло 70% частиц. При подборе всех параметров результат составил около 66%. На другой схеме расположения магнитов удалось провести 71% частиц. Решения модели сопоставимы с настройками специалистов по ускорительной технике. Инструмент можно использовать, хотя его возможности предстоит проверить на более сложных каналах. В планах — испытания на реальных ускорителях.

«У каждого ускорителя есть особенности, поэтому удачный способ настройки одной установки может хуже работать на другой. RLABC позволяет проверять разные конфигурации и выяснять, в каких задачах обучение с подкреплением будет работать хорошо. Алгоритм может подобрать сочетания параметров, которые человек раньше не рассматривал», — комментирует заведующий Научно-учебной лабораторией методов анализа больших данных Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ Денис Деркач.

Программа сможет предлагать оператору подходящие настройки и освобождать его от рутины. Окончательное решение останется за человеком.

«Мы рассчитываем, что подход на основе машинного обучения поможет автоматизировать настройку ускорителей. В будущем рутинная работа будет выполняться ИИ-агентами, чтобы у специалистов оставалось больше времени на интересные эксперименты и культурный отдых», — поясняет научный сотрудник Института ядерной физики имени Г.И. Будкера СО РАН Алексей Петренко.

Код RLABC открыт и опубликован, другие исследователи могут его использовать и дорабатывать. Исследование выполнено при поддержке гранта для исследовательских центров в области искусственного интеллекта, предоставленного Минэкономразвития России.