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

All'interno del massiccio acceleratore cinquantennale del Los Alamos Neutron Science Center, un fascio di particelle corre verso il suo bersaglio. Per decenni, gli operatori si sono affidati a un set limitato di strumenti per guidare questo fascio, in modo simile a chi guida un'auto avendo solo un tachimetro e nessunello specchietto retrovisore. Possono misurare quanta corrente trasporta il fascio, ma non possono vedere facilmente la sua forma interna o come le sue particelle siano disposte nel tempo e nell'energia. Questa disposizione nascosta, nota come spazio delle fasi longitudinale, è cruciale. Se il fascio è leggermente disallineato o troppo disperso, può colpire le pareti della macchina, causando danni o perdendo efficienza. Per risolvere questi problemi, i fisici devono tradizionalmente effettuare regolazioni lente e manuali, ipotizzando le impostazioni corrette basandosi su indizi indiretti. Hanno bisogno di un modo per vedere la struttura invisibile del fascio senza fermare la macchina per effettuare una misurazione diretta, il che è spesso impossibile.

Un team di ricercatori del Los Alamos National Laboratory ha trovato un nuovo modo per vedere questa struttura nascosta utilizzando l'apprendimento automatico. Hanno sviluppato un sistema informatico in grado di osservare una mappa bidimensionale della corrente del fascio e ricostruire istantaneamente la sua intera forma interna. Inveve di affidarsi a una sintonizzazione lenta e manuale, il loro sistema utilizza un tipo di intelligenza artificiale chiamata rete neurale. Questa rete è stata addestrata su milioni di scenari simulati, apprendendo la complessa relazione tra i dati grezzi raccolti dalla macchina e la reale distribuzione del fascio. Quando testato, il sistema ha prodotto un'immagine chiara delle condizioni del fascio che corrispondeva ai risultati di una faticosa calibrazione manuale di ore. I ricercatori hanno anche scoperto che il sistema non ha bisogno dell'intera mappa per funzionare; concentrandosi solo sulla parte centrale dei dati, sono riusciti a ridurre di due terzi il tempo necessario per raccogliere le misurazioni senza perdere accuratezza. Questa scoperta offre un modo più veloce ed efficiente per sintonizzare uno degli acceleratori di particelle più importanti al mondo.

La sfida al cuore di questo lavoro è un problema inverso. In fisica, un problema inverso si verifica quando si conosce il risultato di un evento ma è necessario capire la causa. Qui, gli scienziati possono misurare la corrente del fascio mentre passa attraverso un collettore dopo essere stato regolato da due diversi serbatoi nell'acceleratore. Conoscono le impostazioni di questi serbatoi, ma non conoscono l'esatta forma del fascio prima che entrasse nel sistema. Ricostruire quella forma dalla misura della corrente è estremamente difficile perché le particelle interagiscono tra loro in modi complessi e non lineari. I modelli fisici tradizionali faticano con questo perché i calcoli sono troppo pesanti e le dinamiche sono troppo disordinate per essere risolte rapidamente. I ricercatori si sono rivolti all'apprendimento automatico, che eccelle nel trovare schemi in dati complessi senza dover risolvere ogni equazione da zero.

Per costruire la loro soluzione, il team ha creato un gemello digitale dell'acceleratore utilizzando un codice di simulazione chiamato HPSim. Hanno eseguito migliaia di simulazioni, variando le impostazioni dei serbatoi dell'acceleratore per generare una vasta libreria di dati. Per ogni simulazione, hanno registrato la mappa di corrente risultante e la corrispondente forma reale del fascio. Hanno poi inserito questi dati in una rete neurale, specificamente un tipo noto come U-Net, progettata per tradurre un'immagine in un'altra. La rete ha imparato a mappare le misurazioni di corrente direttamente sulla forma interna del fascio. Per garantire che il modello funzionasse su dati reali, i ricercatori hanno aggiunto del rumore alle simulazioni di addestramento, imitando le fluttuazioni casuali e le imperfezioni presenti negli esperimenti reali. Questa preparazione era vitale, poiché i dati del mondo reale sono raramente puliti come una simulazione al computer.

Quando il team ha testato i loro modelli su dati sperimentali raccolti nel maggio 2025, i risultati sono stati sorprendenti. I modelli di apprendimento automatico hanno generato una ricostruzione della forma del fascio in meno di un secondo. Questa velocità è un enorme miglioramento rispetto al metodo tradizionale, in cui i fisici regolano manualmente i parametri dell'acceleratore ed eseguono ripetutamente simulazioni finché il modello non corrisponde ai dati sperimentali, un processo che può richiedere ore. Le forme ricostruite dalle reti neurali erano paragonabili a quelle ottenute attraverso questa estesa sintonizzazione manuale. Per verificare che le ricostruzioni fossero accurate, i ricercatori hanno eseguito un controllo di autoconsistenza. Hanno preso la forma del fascio predetta dall'IA e l'hanno fatta avanzare attraverso il codice di simulazione per vedere quale sarebbe stata la mappa di corrente risultante. La mappa risultante somigliava molto ai dati sperimentali reali da cui erano partiti, confermando che l'IA aveva correttamente identificato la struttura del fascio.

Uno dei risultati più pratici dello studio è stato che il sistema non ha bisogno dell'intero dataset per funzionare. Utilizzando una tecnica chiamata apprendimento automatico spiegabile, i ricercatori hanno analizzato quali parti della mappa di corrente fossero più importanti per la decisione della rete. Hanno scoperto che il nucleo centrale dei dati, dove la corrente del fascio è più forte, conteneva quasi tutte le informazioni necessarie. I bordi esterni della mappa, che spesso contengono rumore o dati meno rilevanti, contribuivano molto poco alla previsione finale. Questa scoperta ha permesso loro di testare una strategia di riduzione dei dati. Rimuovendo le misurazioni dagli angoli e dai bordi della scansione, hanno scoperto che il modello poteva ancora produrre risultati accurati anche con i due terzi dei dati mancanti. Ciò significa che in futuro, gli operatori potrebbero eseguire scansioni di "avvio a caldo" (warm start), in cui le impostazioni del fascio sono già vicine a quelle ottimali, in un tempo solo un terzo di quello precedentemente richiesto. Questo guadagno di efficienza è significativo per una struttura come Los Alamos, dove il tempo di utilizzo del fascio è molto richiesto e ogni minuto conta.

Lo studio ha anche evidenziato i limiti del loro approccio. I dati sperimentali utilizzati per i test sono stati raccolti a una corrente di fascio inferiore rispetto al livello operativo tipico della macchina. Poiché le particelle nel fascio si spingono tra loro con più forza a correnti più elevate, i ricercatori hanno notato che i loro modelli attuali potrebbero sottostimare quanto il fascio diventi disperso durante il normale funzionamento. Inoltre, i modelli sono stati addestrati su dati simulati, che sono una versione idealizzata della realtà. I fasci reali possono essere più diffusi o avere strutture diverse rispetto a quanto suggerito dalle simulazioni. I ricercatori hanno riconosciuto che, sebbene i loro modelli abbiano funzionato bene, non sono un sostituto perfetto della misurazione diretta, che non è attualmente possibile in questa struttura. Hanno suggerito che il lavoro futuro dovrebbe concentrarsi sul miglioramento del realismo dei dati di addestramento e sull'aggiunta di metodi per stimare l'incertezza di ogni previsione, in modo che gli operatori sappiano quanto fidarsi dell'output dell'IA.

Nonostante queste avvertenze, il lavoro dimostra una chiara strada da seguire per l'uso dell'intelligenza artificiale nella fisica degli acceleratori. La capacità di ricostruire lo stato interno del fascio da misurazioni limitate apre la porta a una sintonizzazione più veloce e a una migliore diagnosi dei problemi della macchina. I ricercatori hanno dimostrato che combinando simulazioni ad alta fedeltà con robuste tecniche di apprendimento automatico, potevano superare i limiti delle diagnostiche tradizionali. Il successo dell'architettura U-Net, in particolare quando combinata con strategie di riduzione dei dati, suggerisce che metodi simili potrebbero essere applicati ad altre parti dell'acceleratore o persino a diversi tipi di fasci di particelle. Mentre il campo della fisica degli acceleratori continua a evolversi, strumenti come questi diventeranno probabilmente essenziali per mantenere le prestazioni di queste complesse macchine, garantendo che possano continuare a supportare la ricerca critica che dipende da esse.