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

De kern

Stel je een deeltjesversneller voor, zoals die bij de Advanced Light Source (ALS), als een enorm, ongelooflijk complex orkest. Het heeft meer dan 230.000 individuele instrumenten (zogenaamde "process variables" of PV's) die perfect moeten worden afgestemd om een lichtbundel te creëren die wetenschappers kunnen gebruiken. Meestal moet een team van hoogopgeleide dirigenten (operators) handmatig complexe partituren (scripts) schrijven om deze instrumenten te vertellen wat ze moeten doen. Als ze een fout maken, stopt de muziek, valt het orkest urenlang stil en blijft het publiek (de wetenschappers) wachten.

Dit artikel introduceert een nieuw soort "AI-dirigent" genaamd de Accelerator Assistant. Hieronder wordt uitgelegd hoe dit werkt, met behulp van eenvoudige analogieën:

Het probleem: de "vertaler"-flesnek

In het verleden, als een wetenschapper een specifiek, niet-standaard experiment wilde uitvoeren, moest hij een menselijk expert vragen om een aangepast script te schrijven. Dit was alsof je een vertaler vraagt om een juridisch contract in een vreemde taal te schrijven, alleen maar om een simpele vraag te stellen. Het kostte uren typen, debuggen en controleren. Als de expert moe werd of een typefout maakte, kon de hele machine kapot gaan.

De oplossing: de "slimme stagiair" met een regelboek

Het team bouwde een AI-systeem dat fungeert als een superslimme, hyper-georganiseerde stagiair die zowel "Mens" (Engels) als "Machine" (code) spreekt.

1. Luisteren en plannen (de "eerst-plannen"-aanpak):
   In plaats dat de AI zomaar gokt wat ze moet doen, gedraagt ze zich als een projectmanager. Als je zegt: "Controleer de instellingen van de magneten van de afgelopen drie dagen en verplaats ze vervolgens langzaam", springt de AI niet direct in actie. Ze schrijft eerst een gedetailleerd, stap-voor-stap reisplan (een uitvoeringsplan). Ze breekt het grote verzoek op in kleine, beheersbare taken:

   • Stap 1: Begrijp "de afgelopen drie dagen".
   • Stap 2: Zoek de specifieke "adressen" van de magneten.
   • Stap 3: Download de oude data.
   • Stap 4: Schrijf de code om de magneten te verplaatsen.
   • Stap 5: Teken de resultaten.

2. Het "beperkt gereedschap"-veiligheidsnet:
   Dit is het belangrijkste deel. Stel je voor dat de AI een kind is in een enorme speelgoedwinkel. Normaal gesproken zou je je zorgen maken dat ze iets duurs kapot maakt. Maar deze AI krijgt een specifieke, vergrendelde gereedschapskist. Ze kan alleen de gereedschappen gebruiken die haar zijn toegestaan.

   • Ze heeft een "Alleen-lezen"-gereedschap om data te bekijken.
   • Ze heeft een "Schrijf"-gereedschap om magneten te verplaatsen, maar alleen als een menselijk toezichthouder (de operator) eerst een duim omhoog geeft.
   • Ze kan niet afdwalen en dingen aanraken die ze niet begrijpt. Dit zorgt ervoor dat, zelfs als de AI een fout maakt, ze de machine niet kan laten crashen.

3. De "magische" workflow:
   In een echte test vroeg een gebruiker de AI: "Haal de min/max-gapwaarden van de afgelopen drie dagen, schrijf vervolgens een script om de magneten heen en weer te bewegen terwijl je de bundel meet, en teken tot slot een grafiek."

   • Oude manier: Een menselijk expert zou uren besteden aan het schrijven van code, het controleren op fouten en het testen ervan.
   • Nieuwe manier: De AI deed dit alles in een paar minuten. Ze vond de data, schreef de code, vroeg een mens om goedkeuring voor het "verplaatsen"-deel, voerde het experiment uit en tekende de uiteindelijke grafiek automatisch.

Het resultaat: snelheid zonder gevaar

Het artikel beweert dat dit systeem de voorbereidingstijd voor deze complexe taken 100 keer sneller (twee ordes van grootte) maakte dan het handmatig doen, zelfs voor experts.

Denk er zo over: voorheen was het krijgen van een specifiek rapport van de machine als het handmatig graven van een tunnel met een lepel. Nu is de AI een tunnelboormachine die de tunnel in minuten graaft, maar er staat nog steeds een menselijke veiligheidsagent naast de bediening om ervoor te zorgen dat ze niet op een gasleiding botst.

Waarom dit belangrijk is

De auteurs zeggen dat dit niet zomaar een cool trucje is; het is een "blauwdruk". Ze bewezen dat je deze slimme, taal-sprekende AI-agenten kunt gebruiken in hoog-risico, gevaarlijke omgevingen (zoals een deeltjesversneller) zonder iets kapot te maken, zolang je ze maar een strikt plan geeft, een beperkte set gereedschappen en een mens om de gevaarlijke bewegingen te dubbelcontroleren.

Het artikel beweert niet dat dit al werkt voor medische behandelingen of andere gebieden; het toont specifiek aan dat het werkt voor het uitvoeren van natuurkunde-experimenten bij deze specifieke deeltjesversneller.

Technische samenvatting

1. Probleemstelling

Deeltjesversnellers, zoals de Advanced Light Source (ALS) bij het Lawrence Berkeley National Laboratory, zijn uiterst complexe wetenschappelijke instrumenten die continue toezicht vereisen van multidisciplinaire teams.

• Operationele Complexiteit: Het controlesysteem blootlegt meer dan 230.000 procesvariabelen (PV's). Het oplossen van problemen en geavanceerde afstelling vereisen vaak aangepaste scripts, diepgaande domeinkennis en ad-hoc data-analyse.
• Hoge Risico's: Fouten (bijvoorbeeld onjuiste magneetinstellingen of RF-parameters) kunnen leiden tot langdurige stilstand (30+ minuten tot uren), verlies van de deeltjesbundel of hardware-schade, wat invloed heeft op tientallen gelijktijdige experimenten over 40+ bundellijnen.
• Inefficiëntie: Voorbereiding op niet-standaard taken behelst een aanzienlijke cognitieve belasting en voorbereidingstijd. Operators vertrouwen vaak op specialisten, wat knelpunten creëert.
• Beperkingen van Bestaande AI: Eerdere pogingen om Large Language Models (LLM's) in versnellers te gebruiken, waren beperkt tot demonstraties van een enkele taak, conceptuele roadmaps of gesimuleerde omgevingen. Ze misten de veiligheid, controleerbaarheid en multi-stadium-orkestratie die vereist zijn voor productieomgevingen.

2. Methodologie: De Versneller-assistent

De auteurs presenteren de Versneller-assistent, het eerste door taalmodellen aangedreven agentic AI-systeem dat is ingezet op een productiesynchrotron. Het systeem vertaalt natuurlijke taalprompts naar gestructureerde, reproduceerbare experimentele procedures.

Kernarchitectuur

Het systeem volgt een modulair, capability-gericht ontwerp gebaseerd op het Alpha Berkeley-framework:

• Inputverwerking: Natuurlijke taalqueries worden genormaliseerd naar gestructureerde taakbeschrijvingen. Externe kennis (gebruikersgeheugen, documentatie, versnellerdatabases) wordt gebruikt om terminologie te verankeren.
• Dynamische Capability-selectie: In plaats van het volledige tool-inventaris aan het model te voeden, gebruikt het systeem een ReAct-stijl agent om te classificeren welke specifieke tools (capabilities) relevant zijn voor de huidige taak. Dit voorkomt prompt-inflatie en zorgt voor schaalbaarheid.
• Plan-eerst Orkestratie: Voordat er een tool wordt uitgevoerd, genereert het systeem een volledig, inspecteerbaar Uitvoeringsplan. Dit plan codeert expliciet input-output-afhankelijkheden en dient als controlepunt voor veiligheidshekken.
• Beperkte Tool-toegang & Veiligheid:
  • Alleen-lezen Modus: Standaardmodus voor analyse en visualisatie.
  • Schrijf-geactiveerde Modus: Vereist expliciete goedkeuring van de operator (mens-in-de-lus) voordat er interactie plaatsvindt met versnellerhardware.
  • PV-resolutie: Een dedicated "PV Finder"-subsysteem gebruikt een genormaliseerde export van de MATLAB Middle Layer (MML) om natuurlijke taaltermen (bijvoorbeeld "ID gap") te mappen naar precieze EPICS-kanaalnamen via een strikt begrenste API.
• Uitvoeringsomgeving:
  • Code-generatie wordt ontbonden in drie stappen: (1) Hoog niveau planning, (2) JSON-schema-definitie voor verwachte resultaten, en (3) Minimale Python-code-generatie.
  • Scripts worden uitgevoerd in gecontaineriseerde Jupyter-kernels (Podman) om reproduceerbaarheid en isolatie te garanderen.
  • Hybride Inferentie: Ondersteunt lokale inferentie (Ollama op H100 GPU) voor lage latentie/beveiliging en cloud-inferentie (via CBorg-gateway) voor toegang tot state-of-the-art modellen.

Werkstroomstappen

1. Tijdsbereik-parsing: Een lichtgewicht model interpreteert temporele uitdrukkingen (bijvoorbeeld "laatste 3 dagen").
2. Kanaal zoeken: Lost de intentie van de gebruiker op tot specifieke PV's met behulp van de MML-database.
3. Archiver-halen: Haalt historische tijdreeksdata op.
4. Data-analyse & Script-generatie: Genereert Python-code om data te analyseren of machines te besturen.
5. Visualisatie: Produceert grafieken en Jupyter-notebooks.

3. Belangrijkste Bijdragen

• Eerste Productie-inzet: Demonstreert de eerste autonome, multi-stadium uitvoering van een fysica-experiment op een live synchrotronlichtbron.
• Veiligheidsbewuste Agentic AI: Vestigt een blauwdruk voor het integreren van LLM's in hoog-risico omgevingen door "plan-eerst" logica af te dwingen, beperkte tool-toegang en verplichte menselijke goedkeuring voor schrijfbewerkingen.
• Modulaire Orkestratie: Introduceert een schaalbare architectuur waarbij capabilities dynamisch worden geselecteerd en samengesteld, waardoor het systeem complexe taken kan afhandelen zonder hertraining.
• Reproduceerbaarheid & Controleerbaarheid: Elke uitvoering produceert gestructureerde artefacten (logs, JSON-outputs, Jupyter-notebooks en gegenereerde bewakingspanelen), waardoor een volledige herleidbaarheidslijn ontstaat voor auditing en debugging.
• Portabiliteit: De afhankelijkheid van het veelgebruikte MML-datamodel maakt de aanpak overdraagbaar naar andere opslagringen en groot-schaal wetenschappelijke infrastructuur met minimale aanpassing.

4. Resultaten

Het systeem werd getest op een representatieve machinefysica-taak met betrekking tot Insertie-apparaten (IDs):

• Taak: Haal min/max ID-gap-waarden op van de laatste 3 dagen, schrijf een script om gappen tussen deze waarden te doorlopen, meet de verticale bundelgrootte op bundellijn 3.1 (30 punten, 5Hz sampling), en genereer een hysteresis-grafiek.
• Prestaties:
  • Tijdsreductie: De voorbereidingstijd werd met twee ordes van grootte verminderd (van enkele uren handmatig scripten en debuggen naar een paar minuten) in vergelijking met een expert-operator.
  • Veiligheid: Alle door operators gestelde veiligheidsbeperkingen werden strikt in acht genomen; er vonden geen ongeautoriseerde hardware-wijzigingen plaats.
  • Outputkwaliteit: Het systeem genereerde succesvol consistente, publicatieklare grafieken die de afwezigheid van significante bundelgrootte-hysteresis bevestigden.
• Artefact-generatie: Het systeem genereerde automatisch een CS-Studio Phoebus Data Browser-bestand voor real-time bewaking, waardoor handmatige PV-opzoeking en datainvoer werden geëlimineerd.

5. Betekenis

Dit werk vertegenwoordigt een paradigma-verschuiving in de exploitatie van groot-schaal wetenschappelijke faciliteiten:

• Democratisering van Expertise: Het verlaagt de instapdrempel voor complexe machinefysica-taken, waardoor operators geavanceerde experimenten kunnen uitvoeren via natuurlijke taal zonder complexe scripts vanaf nul te hoeven schrijven.
• Operationele Efficiëntie: Door het automatiseren van de "lijmcode" en data-oproep, maximaliseert het de machinebeschikbaarheid en wetenschappelijke doorvoer.
• Betrouwbare AI: Het biedt een concreet kader voor hoe AI veilig kan worden geïntegreerd in kritieke infrastructuur, waarbij de kracht van autonome agenten in evenwicht wordt gebracht met rigoureuze veiligheidsprotocollen.
• Breder Impact: De gedemonstreerde principes (plan-eerst, beperkte tools, artefact-generatie) zijn direct overdraagbaar naar andere domeinen zoals fusie-energie, telescopen en andere complexe wetenschappelijke gebruikersfaciliteiten.