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

Im Inneren des massiven, fünfzig Jahre alten Beschleunigers am Los Alamos Neutron Science Center rast ein Teilchenstrahl auf sein Ziel zu. Jahrzehntelang haben die Bediener eine begrenzte Auswahl an Werkzeugen zur Steuerung dieses Strahls genutzt, ganz ähnlich wie man ein Auto fährt, das zwar einen Tachometer, aber keinen Rückspiegel besitzt. Sie können zwar messen, wie viel Strom der Strahl leitet, aber sie können die interne Form des Strahls oder dessen Anordnung in Zeit und Energie nicht ohne Weiteres sehen. Diese verborgene Anordnung, bekannt als longitudinaler Phasenraum, ist entscheidend. Wenn der Strahl leicht dejustiert oder zu stark ausgebreitet ist, kann er die Wände der Maschine treffen, was Schäden verursacht oder die Effizienz mindert. Um diese Probleme zu beheben, müssen Physiker traditionell langsame, manuelle Anpassungen vornehmen und die richtigen Einstellungen basierend auf indirekten Hinweisen erraten. Sie benötigen eine Möglichkeit, die unsichtbare Struktur des Strahls zu sehen, ohne die Maschine für eine direkte Messung anzuhalten, was oft unmöglich ist.

Ein Forschungsteam am Los Alamos National Laboratory hat einen neuen Weg gefunden, diese verborgene Struktur mithilfe von maschinellem Lernen sichtbar zu machen. Sie entwickelten ein Computersystem, das in der Lage ist, eine zweidimensionale Karte des aktuellen Strahms zu betrachten und dessen vollständige interne Form sofort zu rekonstruieren. Anstatt sich auf eine langsame, manuelle Abstimmung zu verlassen, nutzt ihr System eine Art künstlicher Intelligenz, ein neuronales Netz. Dieses Netzwerk wurde mit Millionen von simulierten Szenarien trainiert und lernte die komplexe Beziehung zwischen den Rohdaten, die die Maschine sammelt, und der tatsächlichen Strahlverteilung. Bei Tests lieferte das System ein klares Bild des Strahlzustands, das den Ergebnissen einer mühsamen, stundenlangen manuellen Kalibrierung entsprach. Die Forscher entdeckten zudem, dass das System nicht die gesamte Karte benötigt, um zu funktionieren; indem sie sich nur auf den zentralen Teil der Daten konzentrierten, konnten sie die Zeit für die Datenerfassung um zwei Drittel verkürzen, ohne an Genauigkeit zu verlieren. Dieser Durchbruch bietet eine schnellere, effizientere Methode zur Abstimmung eines der weltweit wichtigsten Teilchenbeschleuniger.

Die Herausforderung, die im Zentrum dieser Arbeit steht, ist ein inverses Problem. In der Physik tritt ein inverses Problem auf, wenn man das Ergebnis eines Ereignisses kennt, aber die Ursache ermitteln muss. Hier können die Wissenschaftler den Strom des Strahls messen, während er nach der Justierung durch zwei verschiedene Tanks im Beschleuniger einen Kollektor passiert. Sie kennen die Einstellungen dieser Tanks, wissen aber nicht die exakte Form des Strahls vor seinem Eintritt in das System. Die Rekonstruktion dieser Form aus der Strommessung ist extrem schwierig, da die Teilchen auf komplexe, nicht-lineare Weise miteinander interagieren. Traditionelle physikalische Modelle haben damit zu kämpfen, da die Berechnungen zu rechenintensiv und die Dynamiken zu ungeordnet sind, um sie schnell zu lösen. Die Forscher wandten sich dem maschinellen Lernen zu, das exzellent darin ist, Muster in komplexen Daten zu finden, ohne jede Gleichung von Grund auf neu lösen zu müssen.

Um ihre Lösung zu bauen, erstellte das Team einen digitalen Zwilling des Beschleunigers unter Verwendung eines Simulationscodes namens HPSim. Sie führten Tausende von Simulationen durch, wobei sie die Einstellungen der Beschleunigertanks variierten, um eine riesige Bibliothek an Daten zu generieren. Für jede Simulation zeichneten sie die resultierende Stromkarte und die entsprechende wahre Form des Strahls auf. Diese Daten speisten sie dann in ein neuronales Netz ein, speziell in einen Typ namens U-Net, der darauf ausgelegt ist, ein Bild in ein anderes zu übersetzen. Das Netzwerk lernte, die Strommessungen direkt auf die interne Form des Strahls abzubilden. Um sicherzustellen, dass das Modell auch mit realen Daten funktioniert, fügten die Forscher Rauschen zu den Trainingssimulationen hinzu, um die zufälligen Fluktuationen und Unvollkommenheiten realer Experimente nachzuahmen. Diese Vorbereitung war entscheidend, da reale Daten selten so sauber sind wie eine Computersimulation.

Als das Team seine Modelle mit experimentellen Daten testete, die im Mai 2025 gesammelt wurden, waren die Ergebnisse beeindruckend. Die Machine-Learning-Modelle erzeugten eine Rekonstruktion der Strahlform in weniger als einer Sekunde. Diese Geschwindigkeit ist eine massive Verbesserung gegenüber der traditionellen Methode, bei der Physiker die Parameter des Beschleunigers manuell anpassen und Simulationen wiederholt durchführen, bis das Modell mit den experimentellen Daten übereinstimmt – ein Prozess, der Stunden dauern kann. Die durch die neuronalen Netze erzeugten rekonstruierten Formen waren vergleichbar mit denen, die durch diese umfangreiche manuelle Abstimmung gewonnen wurden. Um die Genauigkeit der Rekonstruktionen zu verifizieren, führten die Forscher eine Selbstkonsistenzprüfung durch. Sie nahmen die vom KI-Modell vorhergesagte Strahlform und ließen sie durch den Simulationscode „vorwärts laufen“, um zu sehen, wie die Stromkarte aussehen würde. Die resultierende Karte ähnelte der tatsächlichen experimentellen Daten, mit denen sie begonnen hatten, was bestätigte, dass die KI die Struktur des Strahls korrekt identifiziert hatte.

Eine der praktischsten Erkenntnisse der Studie war, dass das System nicht den vollständigen Datensatz benötigt, um zu funktionieren. Mithilfe einer Technik namens erklärbare maschinelle Lernverfahren (Explainable Machine Learning) analysierten die Forscher, welche Teile der Stromkarte am wichtigsten für die Entscheidung des Netzwerks waren. Sie fanden heraus, dass der zentrale Kern der Daten, in dem der Strahlstrom am stärksten ist, fast alle notwendigen Informationen enthielt. Die Außenbereiche der Karte, die oft Rauschen oder weniger relevante Daten enthalten, trugen sehr wenig zur endgültigen Vorhersage bei. Diese Entdeckung ermöglichte es ihnen, eine Strategie zur Datenreduktion zu testen. Indem sie Messungen aus den Ecken und Kanten des Scans entfernten, stellten sie fest, dass das Modell selbst dann noch genaue Ergebnisse liefern konnte, wenn zwei Drittel der Daten fehlten. Dies bedeutet, dass Bediener in Zukunft „Warmstart“-Scans, bei denen die Strahlparameter bereits nahe am Optimum liegen, in nur einem Drittel der bisher benötigten Zeit durchführen könnten. Dieser Effizienzgewinn ist signifikant für eine Einrichtung wie Los Alamos, wo die Strahlzeit stark nachgefragt ist und jede Minute zählt.

Die Studie hob auch die Grenzen ihres Ansatzes hervor. Die für Tests verwendeten experimentellen Daten wurden bei einem geringeren Strahlstrom als dem typischen Betriebsniveau der Maschine erhoben. Da die Teilchen im Strahl sich gegenseitig stärker abstoßen, wenn der Strom höher ist, merkten die Forscher an, dass ihre aktuellen Modelle dazu neigen könnten, die Ausbreitung des Strahls während des normalen Betriebs zu unterschätzen. Zudem wurden die Modelle mit simulierten Daten trainiert, die eine idealisierte Version der Realität darstellen. Reale Strahlen können diffuser sein oder andere Strukturen aufweisen, als die Simulationen vermuten lassen. Die Forscher räumten ein, dass ihre Modelle zwar gut funktionierten, aber keinen perfekten Ersatz für eine direkte Messung darstellten, die an dieser Anlage derzeit nicht möglich ist. Sie schlugen vor, dass sich zukünftige Arbeiten darauf konzentrieren sollten, die Realitätsnähe der Trainingsdaten zu verbessern und Methoden zur Schätzung der Unsicherheit jeder Vorhersage hinzuzufügen, damit Bediener wissen, wie sehr sie der Ausgabe der KI vertrauen können.

Trotz dieser Einschränkungen zeigt die Arbeit einen klaren Weg auf, wie künstliche Intelligenz in der Beschleunigerphysik eingesetzt werden kann. Die Fähigkeit, den internen Zustand des Strahls aus begrenzten Messungen zu rekonstruieren, eröffnet die Tür für eine schnellere Abstimmung und eine bessere Diagnose von Maschinenproblemen. Die Forscher zeigten, dass sie durch die Kombination von hochpräzisen Simulationen mit robusten Techniken des maschinellen Lernens die Grenzen traditioneller Diagnostik überwinden konnten. Der Erfolg der U-Net-Architektur, insbesondere in Verbindung mit Strategien zur Datenreduktion, legt nahe, dass ähnliche Methoden auf andere Teile des Beschleunigers oder sogar auf unterschiedliche Arten von Teilchenstrahlen angewendet werden könnten. Während sich das Feld der Beschleunigerphysik weiterentwickelt, werden Werkzeuge wie diese wahrscheinlich unverzichtbar werden, um die Leistung dieser komplexen Maschinen aufrechtzuerhalten und sicherzustellen, dass sie die kritische Forschung, die von ihnen abhängt, weiterhin unterstützen können.