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

O essencial

Imagine um acelerador de partículas, como o do Advanced Light Source (ALS), como uma orquestra massiva e incrivelmente complexa. Ela possui mais de 230.000 instrumentos individuais (chamados de "variáveis de processo" ou PVs) que precisam ser afinados perfeitamente para criar um feixe de luz para uso dos cientistas. Geralmente, uma equipe de maestros altamente treinados (operadores) precisa escrever manualmente partituras complexas (scripts) para dizer a esses instrumentos o que fazer. Se eles cometerem um erro, a música para, a orquestra fica em silêncio por horas e o público (os cientistas) fica esperando.

Este artigo apresenta um novo tipo de "Maestro de IA" chamado Assistente do Acelerador. Eis como funciona, usando analogias simples:

O Problema: O Gargalo do "Tradutor"

No passado, se um cientista quisesse realizar um experimento específico e não rotineiro, precisava pedir a um especialista humano que escrevesse um script personalizado. Era como pedir a um tradutor que escrevesse um contrato legal em um idioma estrangeiro apenas para fazer uma pergunta simples. Levava horas de digitação, depuração e verificação. Se o especialista ficasse cansado ou cometesse um erro de digitação, toda a máquina poderia quebrar.

A Solução: O "Estagiário Inteligente" com um Manual de Regras

A equipe construiu um sistema de IA que age como um estagiário superinteligente e hiperorganizado que fala tanto "Humano" (inglês) quanto "Máquina" (código).

1. Ouvir e Planejar (A Abordagem "Planejar Primeiro"):
   Em vez de a IA apenas adivinhar o que fazer, ela age como um gerente de projetos. Quando você diz: "Verifique as configurações de folga dos ímãs dos últimos três dias e depois mova-os lentamente", a IA não apenas se lança na tarefa. Primeiro, ela escreve um itinerário detalhado, passo a passo (um plano de execução). Ela divide a grande solicitação em tarefas pequenas e gerenciáveis:

   • Passo 1: Entender "últimos três dias".
   • Passo 2: Encontrar os "endereços" específicos dos ímãs.
   • Passo 3: Baixar os dados antigos.
   • Passo 4: Escrever o código para mover os ímãs.
   • Passo 5: Gerar os resultados.

2. A Rede de Segurança de "Ferramentas Limitadas":
   Esta é a parte mais importante. Imagine que a IA é uma criança em uma loja de brinquedos gigante. Normalmente, você se preocuparia que ela pudesse quebrar algo caro. Mas esta IA recebe uma caixa de ferramentas específica e trancada. Ela só pode usar as ferramentas que tem permissão para tocar.

   • Ela tem uma ferramenta "Somente Leitura" para examinar dados.
   • Ela tem uma ferramenta "Gravação" para mover ímãs, mas apenas se um supervisor humano (o operador) der um sinal positivo primeiro.
   • Ela não pode se afastar e tocar em coisas que não entende. Isso garante que, mesmo se a IA cometer um erro, ela não possa derrubar a máquina.

3. O Fluxo de Trabalho "Mágico":
   Em um teste real, um usuário pediu à IA: "Obtenha os valores mínimos/máximos de folga dos últimos três dias, depois escreva um script para mover os ímãs para frente e para trás enquanto mede o feixe e, finalmente, gere um gráfico."

   • Antigo Jeito: Um especialista humano gastaria várias horas escrevendo código, verificando erros e testando-o.
   • Novo Jeito: A IA fez tudo isso em poucos minutos. Ela encontrou os dados, escreveu o código, pediu a um humano para aprovar a parte de "movimento", executou o experimento e gerou o gráfico final automaticamente.

O Resultado: Velocidade sem Perigo

O artigo afirma que este sistema tornou o tempo de preparação para essas tarefas complexas 100 vezes mais rápido (duas ordens de grandeza) do que fazê-lo manualmente, mesmo para especialistas.

Pense nisso assim: antes, obter um relatório específico da máquina era como cavar manualmente um túnel com uma colher. Agora, a IA é uma perfuratriz de túneis que cava o túnel em minutos, mas ainda tem um oficial de segurança humano ao lado dos controles para garantir que ela não atinja um gasoduto.

Por Que Isso Importa

Os autores dizem que isso não é apenas um truque legal; é um "modelo". Eles provaram que é possível usar esses agentes de IA inteligentes e falantes de linguagem em ambientes de alto risco e perigosos (como um acelerador de partículas) sem quebrar nada, desde que você lhes dê um plano estrito, um conjunto limitado de ferramentas e um humano para verificar os movimentos perigosos.

O artigo não afirma que isso funciona para tratamentos médicos ou outros campos ainda; ele mostra especificamente que funciona para executar experimentos de física neste acelerador de partículas específico.

Resumo técnico

1. Declaração do Problema

Aceleradores de partículas, como a Fonte de Luz Avançada (ALS) no Laboratório Nacional Lawrence Berkeley, são instrumentos científicos altamente complexos que exigem supervisão contínua por equipes multidisciplinares.

• Complexidade Operacional: O sistema de controle expõe mais de 230.000 variáveis de processo (PVs). A solução de problemas e o ajuste avançado frequentemente exigem scripts personalizados, conhecimento profundo de domínio e análise de dados ad hoc.
• Alto Risco: Erros (por exemplo, configurações incorretas de magnetes ou parâmetros de RF) podem causar tempo de inatividade prolongado (30+ minutos a horas), perda de feixe ou danos ao hardware, impactando dezenas de experimentos simultâneos em mais de 40 linhas de luz.
• Ineficiência: A preparação para tarefas não rotineiras envolve uma carga cognitiva significativa e tempo de preparação. Os operadores frequentemente dependem de especialistas, criando gargalos.
• Limitações da IA Existente: Tentativas anteriores de usar Modelos de Linguagem de Grande Escala (LLMs) em aceleradores foram limitadas a demonstrações de tarefas únicas, roteiros conceituais ou ambientes simulados. Elas careciam da segurança, auditabilidade e orquestração multifase necessárias para ambientes de produção.

2. Metodologia: O Assistente de Acelerador

Os autores apresentam o Assistente de Acelerador, o primeiro sistema de IA agêntica impulsionado por modelo de linguagem implantado em um síncrotron de produção. O sistema traduz prompts em linguagem natural em procedimentos experimentais estruturados e reproduzíveis.

Arquitetura Central

O sistema segue um design modular centrado em capacidades baseado na estrutura Alpha Berkeley:

• Processamento de Entrada: Consultas em linguagem natural são normalizadas em descrições de tarefas estruturadas. Conhecimento externo (memória do usuário, documentação, bancos de dados de aceleradores) é utilizado para fundamentar a terminologia.
• Seleção Dinâmica de Capacidades: Em vez de fornecer todo o inventário de ferramentas ao modelo, o sistema usa um agente no estilo ReAct para classificar quais ferramentas (capacidades) específicas são relevantes para a tarefa atual. Isso previne a inflação de prompts e garante escalabilidade.
• Orquestração "Planejar Primeiro": Antes de executar qualquer ferramenta, o sistema gera um Plano de Execução completo e inspecionável. Este plano codifica explicitamente as dependências de entrada-saída e serve como um ponto de verificação para portas de segurança.
• Acesso Limitado a Ferramentas e Segurança:
  • Modo Somente Leitura: Modo padrão para análise e visualização.
  • Modo Habilitado para Escrita: Requer aprovação explícita do operador (humano no loop) antes de qualquer interação com o hardware do acelerador.
  • Resolução de PV: Um subsistema dedicado "Localizador de PV" usa uma exportação normalizada da Camada Média MATLAB (MML) para mapear termos em linguagem natural (por exemplo, "gap do ID") para nomes de canais EPICS precisos via uma API estritamente delimitada.
• Ambiente de Execução:
  • A geração de código é decomposta em três etapas: (1) Planejamento de alto nível, (2) Definição de esquema JSON para resultados esperados e (3) Geração de código Python mínimo.
  • Scripts são executados em kernels Jupyter contêinerizados (Podman) para garantir reproduzibilidade e isolamento.
  • Inferência Híbrida: Suporta inferência local (Ollama em GPU H100) para baixa latência/segurança e inferência em nuvem (via gateway CBorg) para acesso a modelos de última geração.

Etapas do Fluxo de Trabalho

1. Análise de Intervalo de Tempo: Modelo leve interpreta frases temporais (por exemplo, "últimos 3 dias").
2. Localização de Canal: Resolve a intenção do usuário para PVs específicos usando o banco de dados MML.
3. Recuperação do Arquivador: Busca dados históricos de séries temporais.
4. Análise de Dados e Geração de Script: Gera código Python para analisar dados ou controlar máquinas.
5. Visualização: Produz gráficos e notebooks Jupyter.

3. Contribuições Principais

• Primeira Implantação em Produção: Demonstra a primeira execução autônoma de experimentos de física multifase em uma fonte de luz síncrotron ao vivo.
• IA Agêntica Consciente de Segurança: Estabelece um roteiro para integrar LLMs em ambientes de alto risco, impondo lógica "planejar primeiro", acesso limitado a ferramentas e aprovação humana obrigatória para operações de escrita.
• Orquestração Modular: Introduz uma arquitetura escalável onde capacidades são selecionadas e compostas dinamicamente, permitindo que o sistema lide com tarefas complexas sem retreinamento.
• Reproduzibilidade e Auditabilidade: Cada execução produz artefatos estruturados (logs, saídas JSON, Notebooks Jupyter e painéis de monitoramento gerados), criando um rastro completo de proveniência para auditoria e depuração.
• Portabilidade: A dependência do modelo de dados MML amplamente utilizado torna a abordagem transferível para outros anéis de armazenamento e infraestruturas científicas de grande escala com adaptação mínima.

4. Resultados

O sistema foi testado em uma tarefa representativa de física de máquinas envolvendo Dispositivos de Inserção (IDs):

• Tarefa: Recuperar valores mínimos/máximos de gap de ID dos últimos 3 dias, escrever um script para variar gaps entre esses valores, medir o tamanho vertical do feixe na linha de luz 3.1 (30 pontos, amostragem de 5Hz) e gerar um gráfico de histerese.
• Desempenho:
  • Redução de Tempo: O tempo de preparação foi reduzido em duas ordens de magnitude (de várias horas de script e depuração manual para alguns minutos) em comparação com um operador especialista.
  • Segurança: Todas as restrições de segurança padrão do operador foram estritamente mantidas; nenhuma alteração de hardware não autorizada ocorreu.
  • Qualidade da Saída: O sistema gerou com sucesso gráficos consistentes e prontos para publicação, confirmando a ausência de histerese significativa no tamanho do feixe.
• Geração de Artefatos: O sistema gerou automaticamente um arquivo CS-Studio Phoebus Data Browser para monitoramento em tempo real, eliminando a busca manual de PVs e a entrada de dados.

5. Significado

Este trabalho representa uma mudança de paradigma na operação de instalações científicas de grande escala:

• Democratização da Expertise: Reduz a barreira de entrada para tarefas complexas de física de máquinas, permitindo que operadores executem experimentos sofisticados via linguagem natural sem precisar escrever scripts complexos do zero.
• Eficiência Operacional: Ao automatizar o "código de cola" e a recuperação de dados, maximiza a disponibilidade da máquina e o rendimento científico.
• IA Confiável: Fornece um quadro concreto de como a IA pode ser integrada com segurança em infraestruturas críticas, equilibrando o poder de agentes autônomos com protocolos rigorosos de segurança.
• Impacto Mais Amplo: Os princípios demonstrados (planejar primeiro, ferramentas delimitadas, geração de artefatos) são diretamente portáveis para outros domínios, como energia de fusão, telescópios e outras instalações de usuários científicos complexas.