Agentic AI for Multi-Stage Physics Experiments at a Large-Scale User Facility Particle Accelerator

要約

加速器を、Advanced Light Source（ALS）のようなものとして、巨大で極めて複雑なオーケストラだと想像してください。そこには、科学者が使用する光のビームを生成するために完璧に調律される必要がある、23 万 3000 以上の個別の楽器（「プロセス変数」または PV と呼ばれる）が存在します。通常、高度に訓練された指揮者（オペレーター）のチームが、これらの楽器に何をすべきかを指示する複雑な楽譜（スクリプト）を手動で記述しなければなりません。彼らが誤りを犯せば、音楽は停止し、オーケストラは何時間も沈黙し、聴衆（科学者たち）は待ち続けることになります。

本論文は、「アクセラレーター・アシスタント」と呼ばれる新しい種類の「AI 指揮者」を紹介しています。その仕組みを、単純なアナロジーを用いて以下に説明します。

課題：「翻訳者」のボトルネック

過去には、科学者が特定の非日常的な実験を行いたい場合、専門家にカスタムスクリプトの作成を依頼しなければなりませんでした。これは、単純な質問をするために、翻訳者に外国語で法的契約書を書いてもらうようなものでした。タイピング、デバッグ、確認に何時間も費やされました。専門家が疲れたり、タイプミスしたりすれば、機械全体が故障する可能性があります。

解決策：「ルールブック」を持つ「賢いインターン」

チームは、「人間（英語）」と「機械（コード）」の両方を話す、超賢く、極めて組織的なインターンのような AI システムを構築しました。

1. 聴取と計画（「まず計画」アプローチ）：
   AI が単に推測して行動するのではなく、プロジェクトマネージャーのように振る舞います。「過去 3 日間のマグネットのギャップ設定を確認し、その後、それらをゆっくり移動させてください」と言われた場合、AI は飛びつくわけではありません。まず、詳細なステップバイステップの行程表（実行計画）を作成します。大きな要求を小さく管理可能なタスクに分解します。

   • ステップ 1: 「過去 3 日間」を理解する。
   • ステップ 2: 特定のマグネットの「アドレス」を見つける。
   • ステップ 3: 古いデータをダウンロードする。
   • ステップ 4: マグネットを移動させるコードを作成する。
   • ステップ 5: 結果を描画する。

2. 「限定されたツール」の安全網：
   これが最も重要な部分です。AI を巨大なおもちゃ屋にいる子供だと想像してください。通常、高価なものを壊すのではないかと心配するでしょう。しかし、この AI には特定のロックされた工具箱が与えられています。触れることを許可されたツールしか使用できません。

   • データを見るための「読み取り専用」ツールを持っています。
   • マグネットを移動させるための「書き込み」ツールを持っていますが、最初に人間の監督者（オペレーター）からサムズアップ（承認）を得た場合に限ります。
   • 理解していないものに触れてさまようことはできません。これにより、AI が誤りを犯した場合でも、機械をクラッシュさせることがないことが保証されます。

3. 「魔法」のワークフロー：
   実際のテストでは、ユーザーは AI に以下を依頼しました。「過去 3 日間の最小/最大ギャップ値を取得し、ビームを測定しながらマグネットを往復移動させるスクリプトを作成し、最後にグラフを描画してください」。

   • 旧来の方法： 人間の専門家が数時間を費やしてコードを書き、エラーをチェックし、テストしていました。
   • 新しい方法： AI はこれらすべてを数分で行いました。データを発見し、コードを作成し、人間の承認を得て「移動」部分を実行し、実験を実行し、最終的なグラフを自動的に描画しました。

結果：危険を伴わない速度

本論文は、このシステムが複雑なタスクの準備時間を、専門家による手作業と比較して100 倍（2 桁）高速化したと主張しています。

以下のように考えてみてください。以前、機械から特定のレポートを取得することは、スプーンで手作業でトンネルを掘るようなものでした。現在、AI はトンネル掘削機となり、数分でトンネルを掘りますが、ガス管に当たらないように確認する人間の安全担当者が制御の横に立っています。

なぜこれが重要なのか

著者らは、これは単なる面白いトリックではなく、「青写真」であると述べています。厳格な計画、限られたツールのセット、そして危険な動きをダブルチェックする人間を与えさえすれば、高リスクで危険な環境（粒子加速器など）でも、これら賢く言語を話す AI エージェントを使用しても何も壊さずに済むことを証明しました。

本論文は、これが医療治療や他の分野で機能すると主張しているわけではありません。特定の粒子加速器における物理学実験の実行に対してのみ機能することを具体的に示しています。

技術概要

「大規模ユーザー施設における多段階物理実験のためのエージェンティック AI」論文の詳細な技術的サマリーです。

1. 問題提起

ローレンス・バークレー国立研究所のアドバンスト・ライト・ソース（ALS）などの粒子加速器は、多分野にわたるチームによる継続的な監視を必要とする、極めて複雑な科学機器です。

• 運用の複雑さ: 制御システムは 23 万を超えるプロセス変数（PV）を露出させています。トラブルシューティングや高度な調整には、カスタムスクリプト、深いドメイン知識、およびその場限りのデータ分析が頻繁に必要とされます。
• 高いリスク: 誤り（例えば、誤った磁石設定や RF パラメータ）は、長時間の停止（30 分以上から数時間）、ビームの損失、またはハードウェアの損傷を引き起こす可能性があり、40 以上のビームラインにまたがる数十の同時実験に影響を及ぼします。
• 非効率性: 非定型タスクの準備には、大きな認知的負荷と準備時間を要します。オペレーターは頻繁に専門家に依存せざるを得ず、ボトルネックが生じています。
• 既存 AI の限界: 加速器における大規模言語モデル（LLM）の以前の試みは、単一タスクの実証、概念的なロードマップ、またはシミュレーション環境に限定されていました。これらは、本番環境に必要な安全性、監査可能性、および多段階のオーケストレーションを欠いていました。

2. 手法：アクセラレーター・アシスタント

著者らは、本番環境のシンクロトロンに展開された最初の言語モデル駆動型エージェンティック AI システムである「アクセラレーター・アシスタント」を提示します。このシステムは、自然言語のプロンプトを構造化され、再現可能な実験手順に変換します。

コアアーキテクチャ

このシステムは、Alpha Berkeley フレームワークに基づく、モジュール化された能力中心の設計に従います。

• 入力処理: 自然言語クエリは、構造化されたタスク記述に正規化されます。外部知識（ユーザーメモリ、ドキュメント、加速器データベース）は、用語の根拠付けに使用されます。
• 動的な能力選択: モデルにツール全体のインベントリを供給する代わりに、システムは現在のタスクに関連する特定のツール（能力）を分類するために、ReAct スタイルのエージェントを使用します。これにより、プロンプトの肥大化を防ぎ、スケーラビリティを確保します。
• 計画優先オーケストレーション: どのツールも実行する前に、システムは完全で検査可能な「実行計画」を生成します。この計画は、入力 - 出力の依存関係を明示的にエンコードし、安全性ゲートのチェックポイントとして機能します。
• 制限されたツールアクセスと安全性:
  • 読み取り専用モード: 分析と可視化のためのデフォルトモード。
  • 書き込み有効モード: アクセレーターハードウェアとのあらゆる相互作用の前に、明確なオペレーターの承認（ヒューマン・イン・ザ・ループ）が必要です。
  • PV 解決: 専用の「PV ファインダー」サブシステムは、MATLAB ミドルレイヤー（MML）の正規化されたエクスポートを使用し、厳密に制限された API を介して自然言語の用語（例：「ID ギャップ」）を正確な EPICS チャンネル名にマッピングします。
• 実行環境:
  • コード生成は 3 つのステップに分解されます：(1) 高レベルの計画、(2) 期待される結果のための JSON スキーマ定義、(3) 最小限の Python コード生成。
  • スクリプトは、再現性と分離を確保するために、コンテナ化された Jupyter カーネル（Podman）で実行されます。
  • ハイブリッド推論: 低遅延・セキュリティのためのローカル推論（H100 GPU 上の Ollama）と、最先端モデルへのアクセスのためのクラウド推論（CBorg ゲートウェイ経由）をサポートします。

ワークフローのステップ

1. 時間範囲の解析: 軽量モデルが時間的なフレーズ（例：「過去 3 日間」）を解釈します。
2. チャンネル発見: MML データベースを使用して、ユーザーの意図を特定の PV に解決します。
3. アーカイバ検索: 過去の時系列データを取得します。
4. データ分析とスクリプト生成: データを分析するかマシンを制御するための Python コードを生成します。
5. 可視化: プロットと Jupyter ノートブックを生成します。

3. 主要な貢献

• 初の本番環境展開: ライブのシンクロトロン光源上での、最初の自律的かつ多段階の物理実験実行を実証しました。
• 安全性を考慮したエージェンティック AI: 「計画優先」ロジックの強制、制限されたツールアクセス、および書き込み操作に対する必須の人間による承認を課すことで、LLM を高リスク環境に統合するための青写真を確立しました。
• モジュール化されたオーケストレーション: 能力が動的に選択および構成されるスケーラブルなアーキテクチャを導入し、再トレーニングなしに複雑なタスクを処理できるようにしました。
• 再現性と監査可能性: すべての実行は、構造化されたアーティファクト（ログ、JSON 出力、Jupyter ノートブック、生成された監視パネル）を生成し、監査とデバッグのための完全な追跡可能性の痕跡を作成します。
• 移植性: 広く使用されている MML データモデルへの依存により、このアプローチは最小限の適応で他のストレージリングや大規模科学インフラストラクチャに移転可能です。

4. 結果

このシステムは、挿入装置（IDs） に関わる代表的なマシンフィジックスタスクでテストされました。

• タスク: 過去 3 日間の最小/最大 ID ギャップ値を取得し、これらの値の間でギャップを掃引するスクリプトを作成し、ビームライン 3.1 における垂直ビームサイズを測定（30 点、5Hz サンプリング）し、ヒステリシスプロットを生成します。
• パフォーマンス:
  • 時間の短縮: 熟練オペレーターと比較して、準備時間は2 桁短縮されました（数時間に及ぶ手動のスクリプト作成とデバッグから数分へ）。
  • 安全性: すべてのオペレーター標準の安全性制約が厳格に守られ、不正なハードウェア変更は発生しませんでした。
  • 出力の品質: システムは、有意なビームサイズヒステリシスの欠如を確認する、一貫性があり出版可能なプロットを正常に生成しました。
• アーティファクト生成: システムは、リアルタイム監視用の CS-Studio Phoebus データブラウザファイルを自動的に生成し、手動の PV 検索とデータ入力を排除しました。

5. 意義

この研究は、大規模科学施設の運用におけるパラダイムシフトを表しています。

• 専門知識の民主化: 複雑なマシンフィジックスタスクへの参入障壁を下げ、オペレーターが複雑なスクリプトを一から作成する必要なく、自然言語を通じて洗練された実験を実行できるようにします。
• 運用効率: 「グルーコード」とデータ取得を自動化することで、マシンの稼働率と科学的スループットを最大化します。
• 信頼性の高い AI: 自律エージェンシーの力と厳格な安全性プロトコルのバランスを取りながら、AI を重要インフラに安全に統合する方法に関する具体的な枠組みを提供します。
• 広範な影響: 実証された原則（計画優先、制限されたツール、アーティファクト生成）は、核融合エネルギー、望遠鏡、および他の複雑な科学ユーザー施設など、他のドメインに直接移植可能です。