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

ロスアラモス中性子科学センターにある、50年の歴史を持つ巨大な加速器の内部では、粒子のビームがターゲットに向かって疾走している。数十年にわたり、オペレーターたちは、まるでバックミラーなしでスピードメーターだけを頼りに車を運転するかのように、限られた一連のツールに頼ってこのビームを制御してきた。彼らはビームがどれだけの電流を運んでいるかは測定できるが、ビームの内部形状や、粒子が時間とエネルギーの中でどのように配置されているかを容易に把握することはできない。この「縦方向位相空間」として知られる隠れた配置は極めて重要である。もしビームがわずかにずれていたり、広がりすぎていたりすると、装置の壁に衝突して損傷を引き起こしたり、効率を低下させたりする可能性がある。これらの問題を解決するために、物理学者は伝統的に、間接的な手がかりに基づいて設定を推測しながら、低速で手動の調整を行わなければならない。彼らは、機械を停止させて直接測定を行うことがしばしば不可能な状況下で、ビرش（ビーム）の目に見えない構造を見る方法を必要としているのである。

ロスアラモス国立研究所の研究チームは、機械学習を用いてこの隠れた構造を可視化する新しい手法を見出した。彼らは、ビームの電流を示す二次元マップから、その完全な内部形状を即座に再構成できるコンピュータシステムを開発した。低速で手動のチューニングに頼る代わりに、彼らのシステムはニューラルネットワークと呼ばれる一種の人工知能を使用している。このネットワークは、数百万ものシミュレーション・シナリオを用いて学習し、装置が収集する生のデータと実際のビーム分布との間の複雑な関係性を習得した。テストの結果、システムは、膨大な時間を要する手動のキャリブレーションの結果と一致する、明瞭なビームの状態を描き出した。また研究者たちは、このシステムが動作するためにマップ全体を必要としないことも発見した。データの中心部分だけに焦点を当てることで、精度を損なうことなく、測定に要する時間を3分の2削減できることが分かったのである。この画期的な成果は、世界で最も重要な粒子加速器の一つを、より速く、より効率的に調整する方法を提供するものである。

この研究の中核にある課題は、「逆問題」である。物理学において、逆問題とは、結果は分かっているが、その原因を突き止める必要がある場合を指す。ここでのケースでは、科学者たちは加速器内の2つの異なるタンクによって調整された後、コレクターを通過する際のビーム電流を測定できる。彼らはこれら2つのタンクの設定を知っているが、システムに入る前の正確なビームの形状は分かっていない。電流の測定値からその形状を再構成することは、粒子が互いに複雑かつ非線形に相互作用するため、極めて困難である。従来の物理モデルは、計算負荷が大きすぎることや、ダイナミクスが複雑すぎて迅速に解くことができないため、この問題に苦慮してきた。研究者たちは、すべての方程式をゼロから解く必要がなく、複雑なデータの中からパターンを見つけ出すことに長けた機械学習へと目を向けた。

解決策を構築するために、チームはHPSimというシミュレーション・コードを用いて加速器の「デジタルツイン」を作成した。彼らは数千回のシミュレーションを実行し、加速器のタンクの設定を変化させることで、膨大なデータライブラリを生成した。各シミュレーションについて、結果としての電流マップと、それに対応する真のビーム形状を記録した。その後、これらのデータを、画像から別の画像への変換を得意とするU-Netとして知られる特定のニューラルネットワークに投入した。ネットワークは、電流の測定値を直接、ビームの内部形状へとマッピングすることを学習した。モデルが現実世界のデータでも機能するように、研究者たちは訓練用のシミュレーションにノイズを加え、実際の実験で見られるランダムな変動や不完全さを模倣した。この準備は不可欠であった。なぜなら、現実世界のデータはコンピュータによるシミュレーションのように、決してクリーンではないからである。

チームが2025年5月に収集された実験データを用いてモデルをテストしたところ、驚くべき結果が得られた。機械学習モデルは、1秒足らずでビーム形状の再構成を生成した。この速度は、物理学者が加速器のパラメータを手動で調整し、モデルが実験データと一致するまでシミュレーションを繰り返し実行するという、数時間を要することもある従来の手法と比較して、劇的な改善である。ニューラルネットワークによって生成された再構成形状は、広範な手動チューニングを通じて得られるものと同等であった。再構成の正確性を検証するために、研究者たちは自己整合性チェックを行った。AIが予測したビーム形状をシミュレーション・コードを通して順方向に走らせ、どのような電流マップになるかを確認した。得られたマップは、実際に使用した実験データと酷似しており、AIがビームの構造を正しく特定したことを裏付けた。

この研究における最も実用的な発見の一つは、システムが機能するために完全なデータセットを必要としないことである。説明可能な機械学習（explainable machine learning）という手法を用いて、研究者たちは電流マップのどの部分がネットワークの決定に最も重要であるかを分析した。その結果、ビーム電流が最も強いデータの中心核に、必要な情報のほぼすべてが含まれていることが判明した。ノイズや関連性の低いデータが含まれやすいマップの外縁部は、最終的な予測にほとんど寄与していなかった。この発見により、データ削減戦略のテストが可能となった。スキャンの角や端からの測定値を取り除くことで、データの3分の2が欠落していても、モデルが依然として正確な結果を出せることを突き止めた。これは将来、オペレーターが「ウォームスタート」のスキャン（ビーム設定がすでに最適に近い状態でのスキャン）を行う際、従来必要だった時間のわずか3分の1で済むことを意味する。このような効率性の向上は、ビームの使用時間が極めて貴重であり、一分一秒が重要となるロスアラモスの施設にとって大きな意義を持つ。

一方で、本研究は彼らのアプローチの限界についても明らかにしている。テストに使用された実験データは、装置の通常の動作レベルよりも低いビーム電流で収集されたものである。ビーム内の粒子は、電流が高いほど互いに強く押し合うため、現在のモデルでは、通常の運用時におけるビームの広がりを過小評価する可能性があると研究者らは指摘している。さらに、モデルはシミュレーションデータ、つまり理想化された現実に基づいて訓練されている。現実のビームは、シミュレーションが示唆するものよりも拡散していたり、異なる構造を持っていたりする場合がある。研究者たちは、自分たちのモデルは優れた性能を示しているものの、現在この施設では不可能な「直接測定」の完全な代わりにはならないことを認めている。彼らは、今後の課題として、訓練データのリアリズムを向上させることや、予測の不確実性を推定する手法を追加することを示唆した。これにより、オペレーターはAIの出力がどの程度信頼できるかを知ることができるようになる。

こうした制約はあるものの、本研究は、加速器物理学における人工知能活用の明確な道筋を示している。限られた測定値からビームの内部状態を再構成する能力は、より迅速なチューニングと、装置の問題に対するより優れた診断への扉を開くものである。研究者たちは、高精度なシミュレーションと堅牢な機械学習技術を組み合わせることで、従来の診断法の限界を克服できることを示した。U-Netアーキテクチャの成功、特にデータ削減戦略との組み合わせは、同様の手法が加速器の他の部分や、異なる種類の粒子ビームにも適用できる可能性を示唆している。加速器物理学の分野が進化し続ける中で、このようなツールは、複雑な装置の性能を維持し、それらが支える重要な研究を継続させるために、不可欠なものとなっていくであろう。