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

在洛斯阿拉莫斯国家中子科学中心（Los Alamos Neutron Science Center）那台拥有五十年历史的巨型加速器内部，一束粒子流正向其目标冲刺。几十年来，操作员一直依赖于一套有限的工具来引导这束粒子，就像驾驶一辆只有速度计而没有后视镜的汽车一样。他们可以测量粒子流携带了多少电流，但无法轻易观察到粒子流的内部形状，也无法了解它们的粒子在时间和能量上的排列方式。这种被称为“纵向相空间”（longitudinal phase space）的隐藏排列至关重要。如果粒子流稍微偏移或过于分散，它可能会撞击机器的壁面，导致损坏或降低效率。为了解决这些问题，物理学家传统上必须进行缓慢的手动调整，根据间接线索来猜测正确的设置。他们需要一种方法，能够在不停止机器进行直接测量（这通常是不可能的）的情况下，看到这种不可见的粒子流结构。

洛斯阿拉莫斯国家实验室的一支研究团队发现了一种利用机器学习来观察这种隐藏结构的新方法。他们开发了一个计算机系统，该系统可以观察粒子流电流的二维图谱，并能瞬间重建其完整的内部形状。该系统并非依赖缓慢的手动调优，而是使用了一种被称为“神经网络”的人工智能。这个网络经过了数百万种模拟场景的训练，学习了原始数据与实际粒子分布之间复杂的相互关系。在测试中，该系统生成的粒子流状态清晰图像，与经过数小时艰苦的人工校准结果相吻合。研究人员还发现，该系统并不需要完整的图谱即可工作；通过仅关注数据的中心部分，他们可以在不损失准确性的情况下，将收集测量所需的时间缩减三分之二。这一突破为调优世界上最重要的粒子加速器之一提供了一种更快、更高效的方法。

这项工作的核心挑战是一个“逆问题”（inverse problem）。在物理学中，当你知道事件的结果但需要推测其原因时，就发生了逆问题。在这里，科学家们可以测量粒子流在经过加速器中两个不同储罐（tanks）的调节后穿过收集器时的电流。他们知道这些储罐的设置，但不知道进入系统前的粒子流确切形状。从电流测量值重建这种形状极其困难，因为粒子之间以复杂且非线性的方式相互作用。传统的物理模型难以应对这一点，因为计算量过于庞大，且动力学过程过于混乱，无法快速求解。研究人员转向了机器学习，因为机器学习擅长在不需要从头开始求解每个方程的情况下，寻找复杂数据中的模式。

为了构建解决方案，团队使用名为 HPSim 的模拟代码创建了加速器的“数字孪生”（digital twin）。他们运行了数千次模拟，改变加速器储罐的设置，以生成庞大的数据库。对于每次模拟，他们都记录了产生的电流图谱以及对应的真实粒子流形状。随后，他们将这些数据输入到一个神经网络中，具体是一种被称为 U-Net 的类型，该网络旨在实现一种图像到另一种图像的转换。该网络学习了如何将电流测量值直接映射到粒子流的内部形状。为了确保模型能在现实世界的数据上运行，研究人员在训练模拟中加入了噪声，以模拟实际实验中存在的随机波动和缺陷。这种准备工作至关重要，因为现实世界的数据很少像计算机模拟那样纯净。

当团队在 2025 年 5 月收集的实验数据上测试其模型时，结果令人瞩目。机器学习模型在不到一秒钟的时间内就生成了粒子流形状的重建图。这种速度相比传统方法有了巨大的提升——在传统方法中，物理学家需要反复手动调整加速器参数并运行模拟，直到模型与实验数据匹配，这一过程可能耗时数小时。神经网络生成的重建形状与通过这种广泛的人工调优获得的形状相当。为了验证重建的准确性，研究人员进行了自洽性检查（self-consistency check）：他们将 AI 预测的粒子流形状再次运行通过模拟代码，观察会呈现出什么样的电流图谱。最终得到的图谱与他们最初开始的实际实验数据非常相似，这证实了 AI 已正确识别了粒子流的结构。

该研究中最具实际意义的发现之一是，该系统不需要完整的数据集即可发挥作用。利用一种称为“可解释机器学习”（explainable machine learning）的技术，研究人员分析了电流图谱中哪些部分对网络的决策最为重要。他们发现，电流最强的电流图谱中心区域包含了几乎所有必要的信息。图谱的外边缘（通常包含噪声或相关性较低的数据）对最终预测的贡献微乎其微。这一发现使他们能够测试一种数据缩减策略。通过移除扫描图谱角落和边缘的测量值，他们发现即使缺失三分之二的数据，模型仍能产生准确的结果。这意味着在未来，操作员可以进行“热启动”（warm start）扫描，即在粒子流设置已接近最优状态的情况下，仅需以往所需时间的三分之一即可完成。对于像洛斯阿拉莫斯这样的机构来说，这种效率的提升意义重大，因为那里的粒子流时间需求量极大，每一分钟都至关重要。

研究也强调了该方法的局限性。用于测试的实验数据是在低于机器典型运行水平的电流下收集的。由于粒子流在更高电流下彼此间的相互排斥作用更强，研究人员指出，目前的模型可能会低估在正常运行期间粒子流变得多么分散。此外，模型是基于模拟数据训练的，而模拟是现实的一个理想化版本。真实的粒子流可能比模拟所暗示的更加弥散或具有不同的结构。研究人员承认，尽管他们的模型表现良好，但它们并不能完美替代直接测量（目前在该设施中无法实现直接测量）。他们建议，未来的工作应侧重于提高训练数据的真实性，并增加估算每次预测不确定性的方法，以便操作员了解可以多大程度上信任 AI 的输出。

尽管存在这些限制，这项工作仍展示了利用人工智能进行加速器物理研究的清晰路径。通过有限的测量来重建粒子流内部状态的能力，为更快的调优和更好的机器故障诊断打开了大门。研究人员表明，通过结合高保真模拟和稳健的机器学习技术，他们可以克服传统诊断方法的局限性。U-Net 架构的成功，特别是结合数据缩减策略的应用，表明类似的方法可以应用于加速器的其他部分，甚至可以应用于不同类型的粒子流。随着加速器物理领域的不断演进，这类工具很可能成为维护这些复杂机器性能的关键，确保它们能够继续支持那些依赖于它们的关键研究。