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

Dentro do enorme acelerador de cinquenta anos no Los Alamos Neutron Science Center, um feixe de partículas corre em direção ao seu alvo. Por décadas, os operadores confiaram em um conjunto limitado de ferramentas para guiar este feixe, de forma muito semelhante a dirigir um carro com apenas um velocímetro e sem um espelho retrovisor. Eles podem medir quanta corrente o feixe carrega, mas não conseguem visualizar facilmente a forma interna do feixe ou como suas partículas estão organizadas no tempo e na energia. Essa organização oculta, conhecida como espaço de fase longitudinal, é crucial. Se o feixe estiver ligeiramente desalinhado ou muito espalhado, pode atingir as paredes da máquina, causando danos ou perda de eficiência. Para corrigir esses problemas, os físicos tradicionalmente precisam fazer ajustes manuais lentos, adivinhando as configurações corretas com base em pistas indiretas. Eles precisam de uma maneira de ver a estrutura invisível do feixe sem interromper a máquina para realizar uma medição direta, o que muitas vezes é impossível.

Uma equipe de pesquisadores do Los Alamos National Laboratory encontrou uma nova maneira de enxergar essa estrutura oculta usando aprendizado de máquina. Eles desenvolveram um sistema de computador que pode observar um mapa bidimensional da corrente do feixe e reconstruir instantaneamente sua forma interna completa. Em vez de depender de um ajuste manual lento, o sistema utiliza um tipo de inteligência artificial chamada rede neural. Esta rede foi treinada em milhões de cenários simulados, aprendendo a relação complexa entre os dados brutos que a máquina coleta e a distribuição real do feixe. Ao serem testados, o sistema produziu uma imagem clara da condição do feixe que correspondia aos resultados de uma calibração manual trabalhosa de horas. Os pesquisadores também descobriram que o sistema não precisa de todo o mapa para funcionar; ao focar apenas na parte central dos dados, eles conseguiram reduzir o tempo necessário para coletar medições em dois terços sem perder a precisão. Esta descoberta oferece uma maneira mais rápida e eficiente de ajustar um dos aceleradores de partículas mais importantes do mundo.

O desafio central deste trabalho é um problema inverso. Na física, um problema inverso ocorre quando você conhece o resultado de um evento, mas precisa descobrir a causa. Aqui, os cientistas podem medir a corrente do feixe conforme ele passa por um coletor após ser ajustado por dois tanques diferentes no acelerador. Eles conhecem as configurações desses tanques, mas não sabem a forma exata do feixe antes de ele entrar no sistema. Reconstruir essa forma a partir da medição da corrente é extremamente difícil porque as partículas interagem entre si de maneiras complexas e não lineares. Os modelos físicos tradicionais têm dificuldade com isso porque os cálculos são pesados demais e a dinâmica é complexa demais para serem resolvidos rapidamente. Os pesquisadores recorreram ao aprendizado de máquina, que se destaca em encontrar padrões em dados complexos sem a necessidade de resolver cada equação do zero.

Para construir sua solução, a equipe criou um gêmeo digital do acelerador usando um código de simulação chamado HPSim. Eles executaram milhares de simções, variando as configurações dos tanques do acelerador para gerar uma vasta biblioteca de dados. Para cada simulação, registraram o mapa de corrente resultante e a forma real correspondente do feixe. Em seguida, alimentaram uma rede neural com esses dados, especificamente um tipo conhecido como U-Net, que é projetado para traduzir uma imagem em outra. A rede aprendeu a mapear as medições de corrente diretamente para a forma interna do feixe. Para garantir que o modelo funcionasse com dados do mundo real, os pesquisadores adicionaram ruído às simulações de treinamento, mimetizando as flutuações aleatórias e imperfeições encontradas em experimentos reais. Esta preparação foi vital, pois os dados do mundo real raramente são tão limpos quanto uma simulação de computador.

Quando a equipe testou seus modelos com dados experimentais coletados em maio de 2025, os resultados foram impressionantes. Os modelos de aprendizado de máquina geraram uma reconstrução da forma do feixe em menos de um segundo. Esta velocidade é uma melhoria massiva em relação ao método tradicional, onde os físicos ajustam manualmente os parâmetros do acelerador e executam simulações repetidamente até que o modelo coincida com os dados experimentais, um processo que pode levar horas. As formas reconstruídas produzidas pelas redes neurais foram comparáveis às obtidas através desse extenso ajuste manual. Para verificar se as reconstruções eram precisas, os pesquisadores realizaram uma verificação de autoconsistência. Eles pegaram a forma do feixe prevista pela IA e a rodaram para frente através do código de simulação para ver como o mapa de corrente pareceria. O mapa resultante assemelhou-se de perto ao dado experimental real com o qual haviam começado, confirmando que a IA havia identificado corretamente a estrutura do feixe.

Uma das descobertas mais práticas do estudo foi que o sistema não precisa do conjunto de dados completo para funcionar. Usando uma técnica chamada aprendizado de máquina explicável, os pesquisadores analisaram quais partes do mapa de corrente eram mais importantes para a decisão da rede. Eles descobriram que o núcleo central dos dados, onde a corrente do feixe é mais forte, continha quase toda a informação necessária. As bordas externas do mapa, que frequentemente contêm ruído ou dados menos relevantes, contribuíram muito pouco para a previsão final. Esta descoberta permitiu que testassem uma estratégia de redução de dados. Ao remover medições dos cantos e bordas do escaneamento, descobriram que o modelo ainda poderia produzir resultados precisos mesmo com dois terços dos dados ausentes. Isso significa que, no futuro, os operadores poderiam realizar varreduras de "partida quente" (warm start), onde as configurações do feixe já estão próximas do ideal, em apenas um terço do tempo anteriormente necessário. Este ganho de eficiência é significativo para uma instalação como o Los Alamos, onde o tempo de uso do feixe é altamente demandado e cada minuto conta.

O estudo também destacou as limitações de sua abordagem. Os dados experimentais usados para teste foram coletados em um nível de corrente de feixe inferior ao nível operacional típico da máquina. Como as partículas no feixe empurram umas contra as outras com mais força em correntes mais altas, os pesquisadores observaram que seus modelos atuais podem subestimar o quanto o feixe se espalha durante a operação normal. Além disso, os modelos foram treinados em dados simulados, que são uma versão idealizada da realidade. Feixes reais podem ser mais difusos ou ter estruturas diferentes do que as simulações sugerem. Os pesquisadores reconheceram que, embora seus modelos tenham tido um bom desempenho, eles não são um substituto perfeito para a medição direta, que não é atualmente possível nesta instalação. Eles sugeriram que trabalhos futuros devem focar em melhorar o realismo dos dados de treinamento e adicionar métodos para estimar a incerteza de cada previsão, para que os operadores saibam o quanto podem confiar no output da IA.

Apesar dessas ressalvas, o trabalho demonstra um caminho claro para o uso de inteligência artificial na física de aceleradores. A capacidade de reconstruir o estado interno do feixe a partir de medições limitadas abre as portas para um ajuste mais rápido e um melhor diagnóstico de problemas da máquina. Os pesquisadores mostraram que, ao combinar simulações de alta fidelidade com técnicas robustas de aprendizado de máquina, poderiam superar as limitações dos diagnósticos tradicionais. O sucesso da arquitetura U-Net, particularmente quando combinada com estratégias de redução de dados, sugere que métodos semelhantes poderiam ser aplicados a outras partes do acelerador ou até mesmo a diferentes tipos de feixes de partículas. À medida que o campo da física de aceleradores continua a evoluir, ferramentas como estas provavelmente se tornarão essenciais para manter o desempenho dessas máquinas complexas, garantindo que elas possam continuar a apoiar a pesquisa crítica de que dependem.