Longitudinal Phase Space Tomography via Machine Learning at the Los Alamos Neutron Science Center

داخل المسرع الضخم الذي يعود تاريخه إلى خمسين عامًا في مركز لوس ألاموس لعلوم النيوترونات، ينطلق شعاع من الجسيمات نحو هدفه. لعقود من الزمن، اعتمد المشغلون على مجموعة محدودة من الأدوات لتوجيه هذا الشعاع، تمامًا مثل قيادة سيارة باستخدام عداد السرعة فقط دون مرآة رؤية خلفية. يمكنهم قياس مقدار التيار الذي يحمله الشعاع، لكن لا يمكنهم بسهولة رؤية الشكل الداخلي للشعاع أو كيفية ترتيب جسيماته في الزمان والطاقة. هذا الترتيب الخفي، المعروف باسم الفضاء الطوري الطولي، أمر بالغ الأهمية. فإذا كان الشعاع غير محاذٍ قليلاً أو منتشرًا للغاية، فقد يصطدم بجدران الآلة، مما يسبب ضررًا أو يفقد الكفاءة. ولإصلاح هذه المشكلات، يتعين على الفيزيائيين تقليديًا إجراء تعديلات يدوية بطيئة، حيث يخمنون الإعدادات الصحيحة بناءً على أدلة غير مباشرة. إنهم بحاجة إلى طريقة لرؤية البنية غير المرئية للشعاع دون إيقاف تشغيل الآلة لإجراء قياس مباشر، وهو أمر غالبًا ما يكون مستحيلاً.

وجد فريق من الباحثين في مختبر لوس ألاموس الوطني طريقة جديدة لرؤية هذه البنية الخفية باستخدام تعلم الآلة. لقد طوروا نظامًا حاسوبيًا يمكنه النظر إلى خريطة ثنائية الأبعاد لتيار الشعاع وإعادة بناء شكله الداخلي الكامل فورًا. وبدلاً من الاعتماد على الضبط اليدوي البطيء، يستخدم نظامهم نوعًا من الذكاء الاصطناعي يسمى الشبكة العصبية. تم تدريب هذه الشبكة على ملايين السيناريوهات المحاكاتية، حيث تعلمت العلاقة المعقدة بين البيانات الخام التي تجمعها الآلة وتوزيع الشعاع الفعلي. وعند اختبارها، أنتج النظام صورة واضحة لحالة الشعاع تطابقت مع نتائج عملية معايرة يدوية استغرقت ساعات من العمل المضني. كما اكتشف الباحثون أن النظام لا يحتاج إلى الخريطة بأكملها ليعمل؛ فمن خلال التركيز فقط على الجزء المركزي من البيانات، تمكنوا من تقليص الوقت المطلوب لجمع القياسات بمقدار الثلثين دون فقدان الدقة. يقدم هذا الاختراق طريقة أسرع وأكثر كفاءة لضبط أحد أهم مسرعات الجسيمات في العالم.

التحدي الذي يكمن في قلب هذا العمل هو "المشكلة العكسية". في الفيزياء، تحدث المشكلة العكسية عندما تعرف نتيجة حدث ما ولكنك تحتاج إلى معرفة سببه. هنا، يمكن للعلماء قياس تيار الشعاع أثناء مروره عبر مجمع بعد تعديله بواسطة خزانين مختلفين في المسرع. هم يعرفون إعدادات هذه الخزانات، لكنهم لا يعرفون الشكل الدقيق للشعاع قبل دخوله النظام. إن إعادة بناء هذا الشكل من قياس التيار أمر صعب للغاية لأن الجسيمات تتفاعل مع بعضها البعض بطرق معقدة وغير خطية. وتواجه النماذج الفيزيائية التقليدية صعوبة في ذلك لأن الحسابات ثقيلة جدًا والديناميكيات فوضوية للغاية بحيث يصعب حلها بسرعة. لجأ الباحثون إلى تعلم الآلة، الذي يتفوق في العثور على الأنماط في البيانات المعقدة دون الحاجة إلى حل كل معادلة من الصفر.

لبناء حلهم، أنشأ الفريق توأمًا رقميًا للمسرع باستخدام كود محاكاة يسمى HPSim. أجروا آلاف عمليات المحاكاة، مع تغيير إعدادات خزانات المسرع لإنشاء مكتبة ضخمة من البيانات. ولكل عملية محاكاة، سجلوا خريطة التيار الناتجة والشكل الحقيقي المقابل للشعاع. ثم قاموا بتغذية هذه البيانات في شبكة عصبية، وتحديدًا نوع يُعرف باسم U-Net، وهو مصمم لترجمة صورة إلى أخرى. تعلمت الشبكة رسم خريطة من قياسات التيار مباشرة إلى الشكل الداخلي للشعاع. ولضمان عمل النموذج على بيانات العالم الحقيقي، أضاف الباحثون ضوضاء إلى عمليات محاكاة التدريب، لمحاكاة التقلبات العشوائية والعيوب الموجودة في التجارب الفعلية. كانت هذه التحضيرات حيوية، لأن بيانات العالم الحقيقي نادرًا ما تكون نظيفة مثل محاكاة الكمبيوتر.

عندما اختبر الفريق نماذجهم على بيانات تجريبية جُمعت في مايو 2025، كانت النتائج مذهلة. أنشأت نماذج تعلم الآلة إعادة بناء لشكل الشعاع في أقل من ثانية. هذه السرعة تمثل تحسنًا هائلًا مقارنة بالطريقة التقليدية، حيث يقوم الفيزيائيون بتعديل بارامترات المسرع يدويًا وتشغيل عمليات المحاكاة بشكل متكرر حتى يتطابق النموذج مع البيانات التجريبية، وهي عملية قد تستغرق ساعات. كانت الأشكال المعاد بناؤها التي أنتجتها الشبكات العصبية قابلة للمقارنة بتلك التي تم الحصول عليها من خلال هذا الضبط اليدوي المكثف. وللتحقق من دقة عمليات إعادة البناء، أجرى الباحثون فحصًا للاتساق الذاتي؛ حيث أخذوا شكل الشعاع الذي تنبأت به الذكاء الاصطناعي وشغلوه للأمام عبر كود المحاكاة لمعرفة كيف سيبدو خريطة التيار. ووجدت الخريطة الناتجة تشابهًا وثيقًا مع البيانات التجريبية الفعلية التي بدأوا بها، مما أكد أن الذكاء الاصطناعي قد حدد بالفعل بنية الشعاع بشكل صحيح.

كان أحد النتائج الأكثر عملية للدراسة هو أن النظام لا يحتاج إلى مجموعة البيانات الكاملة ليعمل. باستخدام تقنية تسمى تعلم الآلة القابل للتفسير، حلل الباحثون الأجزاء الأكثر أهمية في خريطة التيار لاتخاذ قرار الشبكة. وجدوا أن النواة المركزية للبيانات، حيث يكون تيار الشعاع في أقوى حالاته، تحتوي على معظم المعلومات الضرورية تقريبًا. أما الحواف الخارجية للخريطة، التي غالبًا ما تحتوي على ضوضاء أو بيانات أقل أهمية، فلم تساهم إلا بالقليل في التنبؤ النهائي. سمح هذا الاكتشاف لهم باختبار استراتيجية تقليل البيانات. فمن خلال إزالة القياسات من الزوايا والحواف، وجدوا أن النموذج لا يزال قادرًا على إنتاج نتائج دقيقة حتى مع فقدان ثلثي البيانات. وهذا يعني أنه في المستقبل، يمكن للمشغلين إجراء عمليات مسح "البداية الدافئة"، حيث تكون إعدادات الشعاع قريبة بالفعل من الحالة المثالية، في ثلث الوقت المطلوب سابقًا فقط. هذا المكسب في الكفاءة مهم لمرفق مثل لوس ألاموس، حيث يكون وقت الشعاع مطلوبًا بشدة وكل دقيقة لها قيمتها.

كما سلطت الدراسة الضوء على حدود نهجهم. فالبيانات التجريبية المستخدمة للاختبار جُمعت عند تيار شعاع أقل من مستوى التشغيل المعتاد للآلة. ولأن الجسيمات في الشعاع تضغط على بعضها البعض بقوة أكبر عند التيارات الأعلى، لاحظ الباحثون أن نماذجهم الحالية قد تقلل من تقدير مدى انتشار الشعاع أثناء التشغيل العادي. بالإضافة إلى ذلك، تم تدريب النماذج على بيانات محاكاة، وهي نسخة مثالية من الواقع. فالأشعة الحقيقية يمكن أن تكون أكثر تشتتًا أو ذات هياكل مختلفة عما تقترحه عمليات المحاكاة. وأقر الباحثون أنه رغم أداء نماذجهم بشكل جيد، إلا أنها ليست بديلًا مثاليًا للقياس المباشر، وهو أمر غير ممكن حاليًا في هذا المرفق. واقترحوا أن يركز العمل المستقبلي على تحسين واقعية بيانات التدريب وإضافة طرق لتقدير عدم اليقين في كل تنبؤ، حتى يعرف المشغلون مدى موثوقية مخرجات الذكاء الاصطناعي.

رغم هذه التحفظات، يوضح هذا العمل مسارًا واضحًا لاستخدام الذكاء الاصطناعي في فيزياء المسرعات. إن القدرة على إعادة بناء الحالة الداخلية للشعاع من قياسات محدودة تفتح الباب لضبط أسرع وتشخيص أفضل لمشكلات الآلة. أظهر الباحثون أنه من خلال الجمع بين عمليات المحاكاة عالية الدقة وتقنيات تعلم الآلة القوية، يمكنهم التغلب على قيود التشخيصات التقليدية. ويشير نجاح بنية U-Net، خاصة عند دمجها مع استراتيجيات تقليل البيانات، إلى إمكانية تطبيق أساليب مماثلة على أجزاء أخرى من المسرع أو حتى على أنواع مختلفة من حزم الجسيمات. ومع استمرار تطور مجال فيزياء المسرعات، ستصبح أدوات مثل هذه أساسية للحفاظ على أداء هذه الآلات المعقدة، وضمان قدرتها على الاستمرار في دعم الأبحاء الحيوية التي تعتمد عليها.