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

Binnen de enorme, vijftig jaar oude versneller bij het Los Alamos Neutron Science Center raast een bundel deeltjes naar zijn doelwit. Decennialang hebben operators vertrouwd op een beperkte set instrumenten om deze bundel te sturen, vergelijkbaar met het rijden in een auto met alleen een snelheidsmeter en zonder achteruitkijkspiegel. Ze kunnen meten hoeveel stroom de bundel draagt, maar ze kunnen de interne vorm van de bundel of de manier waarop de deeltjes in tijd en energie zijn gerangschikt, niet gemakkelijk zien. Deze verborgen rangschikking, bekend als de longitudinale fase-ruimte, is cruciaal. Als de bundel licht uit het midden is of te breed uitgespreid is, kan deze tegen de wanden van de machine botsen, wat schade veroorzaakt of de efficiëntie vermindert. Om deze problemen op te lossen, moeten natuurkundigen traditioneel langzame, handmatige aanpassingen maken, waarbij ze op basis van indirecte aanwijzingen gokken naar de juiste instellingen. Ze hebben een manier nodig om de onzichtbare structuur van de bundel te zien zonder de machine te stoppen voor een directe meting, wat vaak onmogelijk is.

Een team van onderzoekers bij het Los Alamos National Laboratory heeft een nieuwe manier gevonden om deze verborgen structuur te zien met behulp van machine learning. Ze hebben een computersysteem ontwikkeld dat een tweedimensionale kaart van de bundelstroom kan bekijken en direct de volledige interne vorm kan reconstrueren. In plaats van te vertrouwen op trage, handmatige afstemming, gebruikt hun systeem een type kunstmatige intelligentie genaamd een neuraal netwerk. Dit netwerk werd getraind op miljoenen gesimuleerde scenario's en leerde de complexe relatie tussen de ruwe gegevens die de machine verzamelt en de werkelijke bundelverdeling. Bij tests produceerde het systeem een duidelijk beeld van de conditie van de bundel dat overeenkwam met de resultaten van een tijdrovende, urenlange handmatige kalibratie. De onderzoekers ontdekten ook dat het systeem niet de volledige kaart nodig heeft om te werken; door zich alleen op het centrale deel van de gegevens te concentreren, konden ze de tijd die nodig is om metingen te verzamelen met twee derde verminderen zonder nauwkeurigheid te verliezen. Deze doorbraak biedt een snellere, efficiëntere manier om een van de belangrijkste deeltjesversnellers ter wereld af te stemmen.

De uitdaging die centraal staat bij dit werk is een invers probleem. In de natuurkunde treedt een invers probleem op wanneer je het resultaat van een gebeurtenis kent, maar moet uitzoeken wat de oorzaak was. Hier kunnen de wetenschappers de stroom van de bundel meten terwijl deze door een collector passeert nadat deze is aangepast door twee verschillende tanks in de versneller. Ze kennen de instellingen van deze tanks, maar ze weten niet de exacte vorm van de bundel voordat deze het systeem binnenkwam. Het reconstrueren van die vorm vanuit de stroommeting is extreem moeilijk omdat de deeltjes op complexe, niet-lineaire manieren met elkaar interageren. Traditionele natuurkundige modellen worstelen hiermee omdat de berekeningen te zwaar zijn en de dynamiek te chaotisch om snel op te lossen. De onderzoekers wenden zich tot machine learning, dat uitblinkt in het vinden van patronen in complexe gegevens zonder elke vergelijking vanaf nul te hoeven oplossen.

Om hun oplossing te bouwen, creëerde het team een digitale tweeling van de versneller met behulp van een simulatiecode genaamd HPSim. Ze voerden duizenden simulaties uit, waarbij de instellingen van de accelerator-tanks varieerden om een enorme bibliotheek aan gegevens te genereren. Voor elke simulatie legden ze de resulterende stroomkaart en de bijbehorende ware vorm van de bundel vast. Vervolgens voedden ze deze gegevens aan een neuraal netwerk, specifiek een type dat bekend staat als een U-Net, dat is ontworpen om de ene afbeelding in de andere te vertalen. Het netwerk leerde de stroommetingen direct te koppelen aan de interne vorm van de bundel. Om ervoor te zorgen dat het model zou werken met echte gegevens, voegden de onderzoekers ruis toe aan de trainingssimulaties, om de willekeurige fluctuaties en imperfecties na te bootsen die in werkelijke experimenten voorkomen. Deze voorbereiding was essentieel, aangezien echte gegevens zelden zo schoon zijn als een computersimulatie.

Toen het team hun modellen testte op experimentele gegevens verzameld in mei 2025, waren de resultaten opmerkelijk. De machine learning-modellen genereerden een reconstructie van de vorm van de bundel in minder dan een seconde. Deze snelheid is een enorme verbetering ten opzichte van de traditionele methode, waarbij natuurkundigen handmatig de parameters van de versneller aanpassen en herhaaldelijk simulaties draaien totdat het model overeenkomt met de experimentele gegevens, een proces dat uren kan duren. De gereconstrueerde vormen geproduceerd door de neurale netwerken waren vergelijkbaar met de resultaten die werden verkregen door deze uitgebreide handmatige afstemming. Om te verifiëren dat de reconstructies accuraat waren, voerden de onderzoekers een zelfconsistentiecontrole uit. Ze namen de door de AI voorspelde bundelvorm en draalden deze voorwaarts door de simulatiecode om te zien hoe de stroomkaart eruit zou zien. De resulterende kaart kwam zeer nauw overeen met de werkelijke experimentele gegevens waarmee ze waren begonnen, wat bevestigde dat de AI de structuur van de bundel correct had geïdentificeerd.

Een van de meest praktische bevindingen van de studie was dat het systeem niet de volledige dataset nodig heeft om te functioneren. Met behulp van een techniek genaamd 'explainable machine learning' analyseerden de onderzoekers welke delen van de stroomkaart het belangrijkst waren voor de beslissing van het netwerk. Ze ontdekten dat de centrale kern van de gegevens, waar de bundelstroom het sterkst is, bijna alle noodzakelijke informatie bevat. De buitenranden van de kaart, die vaak ruis of minder relevante gegevens bevatten, droegen zeer weinig bij aan de uiteindelijke voorspelling. Deze ontdekking maakte hen in staat een datareductiestrategie te testen. Door metingen uit de hoeken en randen van de scan te verwijderen, ontdekten ze dat het model nog steeds nauwkeurige resultaten kon produceren, zelfs wanneer twee derde van de gegevens ontbrak. Dit betekent dat operators in de toekomst "warm start"-scans kunnen uitvoeren, waarbij de bundelinstellingen al dicht bij het optimale liggen, in slechts één derde van de voorheen vereiste tijd. Deze winst in efficiëntie is aanzienlijk voor een faciliteit als Los Alamos, waar de tijd voor de bundel zeer gewild is en elke minuut telt.

De studie benadrukte ook de beperkingen van hun aanpak. De experimentele gegevens die voor testen werden gebruikt, werden verzameld bij een lagere bundelstroom dan het typische operationele niveau van de machine. Omdat de deeltjes in de bundel elkaar sterker wegduwen bij hogere stromen, merkten de onderzoekers op dat hun huidige modellen de mate waarin de bundel zich tijdens de normale bedrijfsvoering verspreidt, mogelijk onderschatten. Daarnaast werden de modellen getraind op gesimuleerde gegevens, wat een geïdealiseerde versie van de werkelijkheid is. Echte bundels kunnen diffuser zijn of andere structuren hebben dan de simulaties suggereren. De onderzoekers erkenden dat hoewel hun modellen goed presteerden, ze geen perfect vervanging zijn voor directe meting, wat momenteel niet mogelijk is bij deze faciliteit. Ze suggereerden dat toekomstig werk zich zou moeten richten op het verbeteren van de realiteitszin van de trainingsgegevens en het toevoegen van methoden om de onzekerheid van elke voorspelling te schatten, zodat operators weten hoeveel ze de output van de AI kunnen vertrouwen.

Ondanks deze kanttekeningen toont het werk een duidelijke weg vooruit voor het gebruik van kunstmatige intelligentie in de deeltjesversnellerfysica. Het vermogen om de interne staat van de bundel te reconstrueren uit beperkte metingen opent de deur naar snellere afstemming en een betere diagnose van machineproblemen. De onderzoekers lieten zien dat door hoogwaardige simulaties te combineren met robuuste machine learning-technieken, zij de beperkingen van traditionele diagnostiek konden overwinnen. Het succes van de U-Net architectuur, met name wanneer deze wordt gecombineerd met datareductiestrategieën, suggereert dat vergelijkbare methoden kunnen worden toegepast op andere delen van de versneller of zelfs op andere soorten deeltjesbundels. Naarmate het veld van de deeltjesversnellerfysica zich blijft ontwikkelen, zullen instrumenten zoals deze waarschijnlijk essentieel worden voor het onderhoud van de prestaties van deze complexe machines, om ervoor te zorgen dat ze de cruciale research die zij ondersteunen kunnen blijven faciliteren.