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

Dentro del enorme acelerador de cincuenta años de antigüedad en el Centro de Ciencias de Neutrones de Los Alamos, un haz de partículas corre hacia su objetivo. Durante décadas, los operadores han dependido de un conjunto limitado de herramientas para guiar este haz, de forma muy parecida a conducir un coche con solo un velocímetro y sin espejo retrovisor. Pueden medir cuánta corriente transporta el haz, pero no pueden ver fácilmente la forma interna del haz ni cómo están dispuestos sus partículas en el tiempo y la energía. Esta disposición oculta, conocida como el espacio de fase longitudinal, es crucial. Si el haz está ligeramente desalineado o demasiado disperso, puede golpear las paredes de la máquina, causando daños o perdiendo eficiencia. Para solucionar estos problemas, los físicos tradicionalmente tienen que realizar ajustes lentos y manuales, adivinando los ajustes correctos basándose en pistas indirectas. Necesitan una forma de ver la estructura invisible del haz sin detener la máquina para realizar una medición directa, lo cual a menudo es imposible.

Un equipo de investigadores del Laboratorio Nacional de Los Alamos ha encontrado una nueva forma de ver esta estructura oculta utilizando aprendizaje automático. Desarrollaron un sistema informático que puede observar un mapa bidimensional de la corriente del haz y reconstruir instantáneamente su forma interna completa. En lugar de depender de una sintonización lenta y manual, su sistema utiliza un tipo de inteligencia artificial llamada red neuronal. Esta red fue entrenada con millones de escenarios simulados, aprendiendo la compleja relación entre los datos brutos que la máquina recoge y la distribución real del haz. Al ser probada, el sistema produjo una imagen clara de la condición del haz que coincidía con los resultados de una calibración manual laboriosa de horas. Los investigadores también descubrieron que el sistema no necesita el mapa completo para funcionar; al centrarse solo en la parte central de los datos, pudieron reducir el tiempo requerido para recolectar mediciones en dos tercios sin perder precisión. Este avance ofrece una forma más rápida y eficiente de sintonizar uno de los aceleradores de partículas más importantes del mundo.

El desafío en el corazón de este trabajo es un problema inverso. En física, un problema inverso ocurre cuando conoces el resultado de un evento pero necesitas averiguar la causa. Aquí, los científicos pueden medir la corriente del haz mientras pasa a través de un colector después de haber sido ajustado por dos tanques diferentes en el acelerador. Conocen los ajustes de estos tanques, pero no conocen la forma exacta del haz antes de entrar en el sistema. Reconstruir esa forma a partir de la medición de la corriente es extremadamente difícil porque las partículas interactúan entre sí de formas complejas y no lineales. Los modelos de física tradicionales tienen dificultades con esto porque los cálculos son demasiado pesados y la dinámica es demasiado caótica para resolverse rápidamente. Los investigadores recurrieron al aprendizaje automático, que destaca en la búsqueda de patrones en datos complejos sin necesidad de resolver cada ecuación desde cero.

Para construir su solución, el equipo creó un gemelo digital del acelerador utilizando un código de simulación llamado HPSim. Ejecutaron miles de simulaciones, variando los ajustes de los tanques del acelerador para generar una vasta biblioteca de datos. Para cada simulación, registraron el mapa de corriente resultante y la forma real correspondiente del haz. Luego, introdujeron estos datos en una red neuronal, específicamente un tipo conocido como U-Net, que está diseñada para traducir una imagen en otra. La red aprendió a mapear las mediciones de corriente directamente a la forma interna del haz. Para asegurar que el modelo funcionaría con datos del mundo real, los investigadores añadieron ruido a las simulaciones de entrenamiento, imitando las fluctuaciones aleatorias e imperfecciones que se encuentran en los experimentos reales. Esta preparación fue vital, ya que los datos del mundo real rara vez son tan limpios como una simulación informática.

Cuando el equipo probó sus modelos con datos experimentales recolectados en mayo de 2025, los resultados fueron sorprendentes. Los modelos de aprendizaje automático generaron una reconstrucción de la forma del haz en menos de un segundo. Esta velocidad es una mejora masiva respecto al método tradicional, donde los físicos ajustan manualmente los parámetros del acelerador y ejecutan simulaciones repetidamente hasta que el modelo coincide con los datos experimentales, un proceso que puede durar horas. Las formas reconstruidas producidas por las redes neuronales fueron comparables a las obtenidas mediante esta extensa sintonización manual. Para verificar que las reconstrucciones eran precisas, los investigadores realizaron una comprobación de autocoherencia. Tomaron la forma del haz predicha por la IA y la pasaron hacia adelante a través del código de simulación para ver cómo se vería el mapa de corriente. El mapa resultante se parecía mucho a los datos experimentales reales con los que habían empezado, confirmando que la IA había identificado correctamente la estructura del haz.

Uno de los hallazgos más prácticos del estudio fue que el sistema no necesita el conjunto de datos completo para funcionar. Utilizando una técnica llamada aprendizaje automático explicable, los investigadores analizaron qué partes del mapa de corriente eran más importantes para la decisión de la red. Descubrieron que el núcleo central de los datos, donde la corriente del haz es más fuerte, contenía casi toda la información necesaria. Los bordes exteriores del mapa, que a menudo contienen ruido o datos menos relevantes, contribuían muy poco a la predicción final. Este descubrimiento les permitió probar una estrategia de reducción de datos. Al eliminar las mediciones de las esquinas y los bordes del escaneo, descubrieron que el modelo aún podía producir resultados precisos incluso cuando faltaban dos tercios de los datos. Esto significa que, en el futuro, los operadores podrían realizar escaneos de "arranque en caliente" (warm start), donde los ajustes del haz ya están cerca de lo óptimo, en tan solo un tercio del tiempo requerido anteriormente. Esta ganancia de eficiencia es significativa para una instalación como la de Los Alamos, donde el tiempo de uso del haz tiene una alta demanda y cada minuto cuenta.

El estudio también destacó las limitaciones de su enfoque. Los datos experimentales utilizados para las pruebas se recolectaron a una corriente de haz inferior al nivel operativo típico de la máquina. Debido a que las partículas en el haz se empujan entre sí con más fuerza a corrientes más altas, los investigadores señalaron que sus modelos actuales podrían subestimar cuánto se dispersa el haz durante la operación normal. Además, los modelos fueron entrenados con datos simulados, que son una versión idealizada de la realidad. Los haces reales pueden ser más difusos o tener estructuras diferentes a las que sugieren las simulaciones. Los investigadores reconocieron que, si bien sus modelos funcionaron bien, no son un reemplazo perfecto para la medición directa, la cual no es posible actualmente en esta instalación. Sugirieron que el trabajo futuro debería centrarse en mejorar el realismo de los datos de entrenamiento y añadir métodos para estimar la incertididad de cada predicción, de modo que los operadores sepan cuánto confiar en la salida de la IA.

A pesar de estas advertencias, el trabajo demuestra un camino claro para el uso de la inteligencia artificial en la física de aceleradores. La capacidad de reconstruir el estado interno del haz a partir de mediciones limitadas abre la puerta a una sintonización más rápida y un mejor diagnóstico de los problemas de la máquina. Los investigadores demostraron que, al combinar simulaciones de alta fidelidad con técnicas robustas de aprendizaje automático, podían superar las limitaciones de los diagnósticos tradicionales. El éxito de la arquitectura U-Net, particularmente cuando se combina con estrategias de reducción de datos, sugiere que métodos similares podrían aplicarse a otras partes del acelerador o incluso a diferentes tipos de haces de partículas. A medida que el campo de la física de aceleradores continúa evolucionando, herramientas como estas probablemente se volverán esenciales para mantener el rendimiento de estas complejas máquinas, asegurando que puedan continuar apoyando la investigación crítica que depende de ellas.