The Multi-Office Accelerator Team (MOAT) Seed project

Deeltjesversnellers behoren tot de meest complexe machines die ooit door mensen zijn gebouwd. Het zijn uitgestrekte, ingewikkelde netwerken van magneten, vacuümkamers en elektronische sensoren die bundels subatomaire deeltjes bij bijna de snelheid van het licht sturen. Deze machines dienen als krachtige microscopen voor wetenschappers, waardoor zij de fundamentele bouwstenen van materie kunnen onderzoeken, nieuwe materialen kunnen creëren en geavanceerde medische behandelingen kunnen ontwikkelen. Het is echter een monumentale taak om deze enorme motoren soepel te laten draaien. De machines genereren elke seconde miljoenen datapunten, en hun gedrag verandert voortdurend naarmate de omstandigheden verschuiven. Decennialang hebben de mensen die ze bedienen vertrouwd op een combinatie van diepgaande expertise, handmatige datacontroles en op maat geschreven computerscripts om problemen te diagnosticeren, de bundel af te stemmen en experimenten draaiende te houden. Dit proces is traag, arbeidsintensief en vaak beperkt tot wat een enkele expert kan beheren bij een specifiek faciliteit.

De uitdaging is niet alleen de enorme hoeveelheid informatie, maar ook de moeilijkheid om deze met elkaar te verbinden. Een probleem kan zichtbaar zijn in een logboeknotitie die uren geleden door een operator is geschreven, verborgen in een stroom gearchiveerde sensordata, of onthuld worden door een complexe simulatie die uren duurt om uit te voeren. Traditioneel moest een menselijke operator optreden als de brug, door handmatig gegevens uit verschillende bronnen te halen, code te schrijven om ze te analyseren en vervolgens te beslissen wat de volgende stap was. Dit artikel beschrijft een nieuwe aanpak voor dit probleem, ontwikkeld door een team van wetenschappers van zeven grote nationale laboratoria in de Verenigde Staten. Zij hebben een gedeeld softwareplatform genaamd Osprey gebouwd, ontworpen om te fungeren als een intelligente assistent die natuurlijke taal kan lezen, toegang heeft tot al deze verschillende databronnen en complexe analyses automatisch kan uitvoeren. In plaats van menselijke experts te vervangen, is het systeem ontworpen om het zware werk van gegevensretrieval en berekeningen op zich te nemen, zodat de experts zich op het grotere plaatje kunnen concentreren.

De kern van dit werk is het concept van een "agentic" kunstmatige intelligentie. In tegenstelling tot een eenvoudige chatbot die vragen beantwoordt, is een agent een softwareprogramma dat een reeks acties kan plannen om een doel te bereiken. In dit project hebben de onderzoekers deze geavanceerde redeneermodellen gekoppeld aan de werkelijke controlesystemen van deeltjesversnellers. Het systeem werd getest bij een grote verscheidenheid aan faciliteiten, waaronder elektronische opslagringen, protonenversnellers en laser-plasma-apparaten. Het doel was om te zien of één enkel, gedeeld softwareframework kon leren de taal van verschillende machines te spreken, historische records kon ophalen, live data kon analyseren en zelfs de code kon schrijven die nodig is om een probleem op te lossen of een bundel af te stemmen.

De resultaten laten zien dat deze aanpak werkt. In één demonstratie bij het Jefferson Lab merkte een operator een vreemd signaal op een bundelmonitor op dat niet overeenkwam met de werkelijke beweging van de deeltjesbundel. In plaats van urenlang handmatig de gegevens te inspecteren, kreeg de agent de opdracht om onderzoek te doen. De agent haalde automatisch het signaal op, brak het op in verschillende delen, identificeerde de oscillerende secties en berekende de frequentie van de verstoring. Vervolgens presenteerde het een duidelijke, geannoteerde grafiek en een samenvatting van de bevindingen aan de operator in een fractie van de tijd die een mens nodig zou hebben om hetzelfde werk handmatig te doen. In een ander geval analyseerde het systeem bij de Advanced Photon Source duizenden gearchiveerde datapunten om patronen in apparatuurfouten te vinden. Het identificeerde succesvol een specifieke voeding die anders reageerde dan de andere, een subtiel probleem dat tijdens een routinecontrole mogelijk over het hoofd zou worden gezien.

Het systeem bleek ook in staat te zijn om complexere, meerstaps-taken aan te pakken. Bij de Advanced Light Source vroegen onderzoekers de agent om te analyseren waarom een specifiek onderdeel van de machine vreemd gedrag vertoonde. De agent keek niet alleen naar de cijfers; het doorzocht ook de elektronische logboeken, die fungeren als digitale dagboeken waarin operators opschrijven wat ze deden en wat ze observeerden. Door de ruwe data te combineren met de menselijke aantekeningen, ontdekte de agent dat een vacuümalarm een kettingreactie had veroorzaakt, waardoor de bundel versprong. Het legde de gehele sequentie van gebeurtenissen uit, waarbij de link tussen het alarm en de bundelbeweging werd gelegd, iets wat een mens handmatig tussen twee verschillende systemen zou moeten kruisverwijzen.

Naast het louter bekijken van data, werd de agent getest op zijn vermogen om de machine aan te sturen. Bij het Jefferson Lab kreeg het systeem de opdracht om een wankelend bundelsignaal te stabiliseren. Het schreef zijn eigen besturingscode, identificeerde de juiste magneten om aan te passen en begon in realtime correcties uit te voeren om de bundel stabiel te houden. Het paste zijn eigen instellingen aan terwijl het bezig was, waarbij het leerde wat wel en niet werkte, allemaal zonder dat een mens ook maar één regel van het besturingsscript schreef. Op dezelfde manier hielp de agent bij het SLAC National Accelerator Laboratory bij het afstemmen van een lasergestuurde versneller. Het analyseerde prestatiegegevens uit het verleden, selecteerde de beste algoritmen voor de taak en configureerde een complexe optimalisatieroutine. Dit proces, dat normaal gesproken een aanzienlijke tijd kost voor een expert om op te zetten, werd in minuten voltooid, en de resulterende bundelkwaliteit werd aanzienlijk verbeterd.

Het project onderzocht ook hoe deze agents kunnen helpen bij het ontwerpen van nieuwe versnellers. In één test kreeg het systeem de taak om vanaf nul een kort gedeelte van een deeltjesbundellijn te ontwerpen. Het doel was om een bundel van het ene deel van een machine naar een ander te transporteren terwijl deze gefocust en stabiel bleef. De agent kreeg de natuurkundige regels en de specificaties van de machine, en was vrij om te beslissen hoeveel magneten hij zou gebruiken en waar hij deze zou plaatsen. Het schreef zijn eigen simulatiescripts, voerde duizenden tests uit en iterreerde op zijn ontwerp totdat het een oplossing vond die overeenkwam met de prestaties van een door menselijke experts gemaakt ontwerp. Dit hele proces duurde slechts ongeveer vijftien minuten, een taak die normaal gesproken dagen aan handmatig werk en simulatie zou vergen.

De onderzoekers benadrukken dat dit niet gaat over het vervangen van de menselijke operators of natuurkundigen. Het systeem is ontworpen om onder strikte veiligheidsregels te werken, waarbij een mens elke wijziging aan de machine moet goedkeuren voordat deze wordt doorgevoerd. De agent fungeert als een krachtig hulpmiddel dat de saaie, repetitieve en data-intensieve delen van de baan kan afhandelen. Het kan binnen enkele seconden door jaren aan records zoeken, patronen opsporen die onzichtbaar zijn voor het menselijk oog, en complexe berekeningen uitvoeren die anders te traag zouden zijn om praktisch bruikbaar te zijn. Door deze capaciteiten over verschillende laboratoria heen te verbinden, toonde het team aan dat een oplossing die bij één faciliteit is ontwikkeld, kan worden aangepast en gebruikt bij een andere, waardoor de barrières die deze instrumenten in het verleden geïsoleerd hielden, worden doorbroken.

Het artikel concludeert dat deze gedeelde aanpak een significante verschuiving vertegenwoordigt in de manier waarop versnelerwetenschap wordt uitgevoerd. Het beweegt het vakgebied weg van geïsoleerde, faciliteit-specifieke experimenten naar een collaboratief ecosysteem waarin instrumenten en kennis worden gedeeld. De eerste resultaten suggereren dat met dit soort assistentie de tijd die nodig is om een machine af te stemmen drastisch kan worden verminderd en de kwaliteit van de bundels kan worden verbeterd. Hoewel er nog steeds uitdagingen zijn om te overwinnen, met name het waarborgen van de betrouwbaarheid en veiligheid van deze autonome systemen, toont het werk een duidelijk pad vooruit. Het laat zien dat door geavanceerde kunstmatige intelligentie te combineren met de diepgaande expertise van menselijke wetenschappers, het mogelijk is om nieuwe niveaus van prestatie en efficiëntie te ontsluiten in de wereld van de meest complexe machines.