The Multi-Office Accelerator Team (MOAT) Seed project

Teilchenbeschleuniger gehören zu den komplexesten Maschinen, die Menschen je gebaut haben. Sie sind riesige, komplizierte Netzwerke aus Magneten, Vakuumkammern und elektronischen Sensoren, die Teilchenstrahlen subatomarer Teilchen mit nahezu Lichtgeschwindigkeit leiten. Diese Maschinen dienen Wissenschaftlern als leistungsstarke Mikroskope, die es ihnen ermöglichen, die fundamentalen Bausteine der Materie zu erforschen, neue Materialien zu erschaffen und fortschrittliche medizinische Behandlungen zu entwickeln. Es ist jedoch eine monumentale Aufgabe, diese gewaltigen Motoren reibungslos am Laufen zu halten. Die Maschinen erzeugen jede Sekunde Millionen von Datenpunkten, und ihr Verhalten ändert sich ständig, wenn sich die Bedingungen verschieben. Seit Jahrzehnten verlassen sich die Menschen, die sie bedienen, auf eine Kombination aus tiefem Fachwissen, manuellen Datenprüfungen und eigens geschriebenen Computerskripten, um Probleme zu diagnostizieren, den Strahl abzustimmen und Experimente am Laufen zu halten. Dieser Prozess ist langsam, arbeitsintensiv und oft auf das begrenzt, was ein einzelner Experte an einem spezifischen Standort bewältigen kann.

Die Herausforderung liegt nicht nur im schieren Volumen der Informationen, sondern in der Schwierigkeit, diese miteinander zu verknüpfen. Ein Problem könnte in einem Logbucheintrag sichtbar sein, den ein Operator vor Stunden geschrieben hat, verborgen in einem Strom archivierter Sensordaten oder erst durch eine komplexe Simulation erkennbar, die Stunden zur Ausführung benötigt. Traditionell musste ein menschlicher Operator die Brücke schlagen, indem er Daten manuell aus verschiedenen Quellen abrief, Code zur Analyse schrieb und dann entschied, was als Nächstes zu tun ist. Dieses Papier beschreibt einen neuen Ansatz für dieses Problem, der von einem Team von Wissenschaftlern aus sieben großen nationalen Laboratorien in den Vereinigten Staaten entwickelt wurde. Sie haben eine gemeinsame Softwareplattform namens Osprey gebaut, die als intelligenter Assistent fungieren kann, der natürliche Sprache lesen, auf all diese verschiedenen Datenquellen zugreifen und komplexe Analysen automatisch durchführen kann. Anstatt menschliche Experten zu ersetzen, ist das System darauf ausgelegt, die Schwerstarbeit bei der Datenabfrage und Berechnung zu übernehmen, damit sich die Experten auf das große Ganze konzentrieren können.

Der Kern dieser Arbeit ist das Konzept einer „agentischen“ künstlichen Intelligenz. Im Gegensatz zu einem einfachen Chatbot, der Fragen beantwortet, ist ein Agent ein Softwareprogramm, das in der Lage ist, eine Sequenz von Aktionen zu planen, um ein Ziel zu erreichen. In diesem Projekt haben die Forscher diese fortgeschrittenen Denkmodelle mit den tatsächlichen Steuerungssystemen der Teilchenbeschleuniger verbunden. Das System wurde an einer Vielzahl von Anlagen getestet, darunter Elektronen-Speicherringe, Protonenbeschleuniger und Laser-Plasma-Geräte. Das Ziel war es zu sehen, ob ein einziger, gemeinsamer Softwarerahmen lernen kann, die Sprache verschiedener Maschinen zu sprechen, historische Aufzeichnungen abzurufen, Live-Daten zu analysieren und sogar den Code zu schreiben, der zur Behebung eines Problems oder zur Abstimmung eines Strahls benötigt wird.

Die Ergebnisse zeigen, dass dieser Ansatz funktioniert. In einer Demonstration am Jefferson Lab bemerkte ein Operator ein seltsames Signal an einem Strahlmonitor, das nicht mit der tatsächlichen Bewegung des Teilchenstrahls übereinstimmte. Anstatt Stunden mit der manuellen Inspektion der Daten zu verbringen, wurde der Agent gebeten, zu untersuchen. Er rief das Signal automatisch ab, zerlegte es in verschiedene Teile, identifizierte die oszillierenden Abschnitte und berechnete die Frequenz der Störung. Er präsentierte dem Operator anschließend eine klare, annotierte Grafik und eine Zusammenfassung der Ergebnisse in einem Bruchteil der Zeit, die ein Mensch für dieselbe Arbeit manuell benötigt hätte. In einem anderen Fall analysierte das System am Advanced Photon Source tausende archivierte Datenpunkte, um Muster in Gerätefehlern zu finden. Es identifizierte erfolgreich eine spezifische Stromversorgung, die sich anders als die anderen verhielt – ein subtiles Problem, das bei einer Routineprüfung möglicherweise übersehen worden wäre.

Das System erwies sich auch als fähig, komplexere, mehrstufige Aufgaben zu bewältigen. Am Advanced Light Source baten Forscher den Agenten, zu analysieren, warum ein bestimmter Teil der Maschine erratisch reagierte. Der Agent sah nicht nur auf die Zahlen; er suchte auch in den elektronischen Logbüchern, die wie digitale Tagebücher sind, in denen Operatoren aufschrieben, was sie taten und beobachteten. Durch die Kombination der Rohdaten mit den menschlichen Notizen entdeckte der Agent, dass ein Vakuumalarm eine Kettenreaktion ausgelöst hatte, die dazu führte, dass der Strahl sprang. Er erklärte die gesamte Abfolge der Ereignisse und verknüpfte den Alarm mit der Strahlbewegung – etwas, das ein Mensch manuell durch den Abgleich zweier verschiedener Systeme hätte durchführen müssen.

Über das bloße Betrachten von Daten hinaus wurde der Agent auch auf seine Fähigkeit getestet, die Maschine zu steuern. Am Jefferson Lab wurde das System gebeten, ein wackelndes Stralsignal zu stabilisieren. Es schrieb seinen eigenen Steuerungs-Code, identifizierte die richtigen Magneten zur Anpassung und begann mit Echtzeit-Korrekturen, um den Strahl stabil zu halten. Es passte seine eigenen Einstellungen während des Vorgangs an und lernte, was funktionierte und was nicht, ohne dass ein Mensch auch nur eine einzige Zeile des Steuerungs-Skripts schreiben musste. Ähnlich half der Agent am SLAC National Accelerator Laboratory, einen lasergetriebenen Beschleuniger abzustimmen. Er analysierte vergangene Leistungsdaten, wählte die besten Algorithmen für die Aufgabe aus und konfigurierte eine komplexe Optimierungsroutine. Dieser Prozess, der normalerweise eine beträchtliche Zeit eines Experten in Anspruch nimmt, wurde in Minuten abgeschlossen, und die resultierende Strahlqualität wurde signifikant verbessert.

Das Projekt untersuchte auch, wie diese Agenten beim Entwurf neuer Beschleuniger helfen könnten. In einem Test wurde dem System die Aufgabe gestellt, von Grund auf einen kurzen Abschnitt einer Teilchenstrahlführung zu entwerfen. Das Ziel war es, einen Strahl von einem Teil der Maschine zu einem anderen zu transportieren und dabei fokussiert und stabil zu halten. Dem Agenten wurden die physikalischen Regeln und die Spezifikationen der Maschine gegeben, und er war frei zu entscheiden, wie viele Magnete er verwenden und wo er sie platzieren würde. Er schrieb seine eigenen Simulationsskripte, führte tausende Tests durch und iterierte über sein Design, bis er eine Lösung fand, die der Leistung eines von menschlichen Experten erstellten Designs entsprach. Dieser gesamte Prozess dauerte nur etwa fünfzeinzehn Minuten – eine Aufgabe, die normalerweise Tage manueller Arbeit und Simulation erfordern würde.

Die Forscher betonen, dass es hierbei nicht darum geht, die menschlichen Operatoren oder Physiker zu ersetzen. Das System ist so konzipiert, dass es unter strengen Sicherheitsregeln arbeitet, wobei ein Mensch jede Änderung an der Maschine genehmigen muss, bevor sie vorgenommen wird. Der Agent fungeiert als mächtiges Werkzeug, das die mühsamen, repetitiven und datenintensiven Teile des Jobs übernehmen kann. Er kann in Sekunden durch Jahre von Aufzeichnungen suchen, Muster erkennen, die für das menschliche Auge unsichtbar sind, und komplexe Berechnungen durchführen, die andernfalls zu langsam für die Praxis wären. Durch die Verbindung dieser Fähigkeiten über verschiedene Laboratorien hinweg zeigten die Teams, dass eine an einem Standort entwickelte Lösung an einem anderen angepasst und genutzt werden kann, wodurch die Barrieren durchbrochen werden, die diese Werkzeuge in der Vergangenheit isoliert gehalten haben.

Das Papier schließt mit der Feststellung, dass dieser gemeinsame Ansatz einen bedeutenden Wandel in der Art und Weise darstellt, wie die Beschleunigerwissenschaft betrieben wird. Er bewegt das Feld weg von isolierten, standortspezifischen Experimenten hin zu einem kollaborativen Ökosystem, in dem Werkzeuge und Wissen geteilt werden. Die ersten Ergebnisse deuten darauf hin, dass mit dieser Art von Unterstützung die Zeit, die für die Abstimmung einer Maschine benötigt wird, drastisch reduziert und die Qualität der Strahlen verbessert werden kann. Obwohl es noch Herausforderungen zu bewältigen gibt, insbesondere bei der Gewährleistung der Zuverlässigkeit und Sicherheit dieser autonomen Systeme, zeigt die Arbeit einen klaren Weg nach vorn auf. Sie verdeutlicht, dass es durch die Kombination von fortgeschrittener künstlicher Intelligenz mit dem tiefen Fachwissen menschlicher Wissenschaftler möglich ist, neue Ebenen der Leistung und Effizienz in der Welt der komplexesten Maschinen freizusetzen.