Исследователи Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ и Института ядерной физики СО РАН разработали RLABC — программу, которая помогает подбирать оптимальные настройки ускорителя частиц с помощью обучения с подкреплением. В компьютерном эксперименте программа настроила модель так, что до конца ускорителя доходило около 70% частиц. Исследование опубликовано в журнале Computer Physics Communications. Об этом CNews сообщили представители ВШЭ.
Ускорители частиц — этоф установки, в которых разгоняют заряженные частицы, например электроны или протоны. В науке они помогают изучать строение вещества и свойства новых материалов, а в медицине их используют для лучевой терапии. Схожие технологии применяются и в других устройствах: в телевизорах с кинескопом ускоренные электроны заставляют светиться экран, а в компьютерных томографах с их помощью получают рентгеновское излучение для снимков.
Частицы в ускорителях движутся пучками — узкими потоками. Электрические поля разгоняют их, а магнитные направляют и фокусируют. Если магниты настроены неудачно, часть частиц отклоняется от траектории и теряется. При этом изменение настройки одного магнита влияет на то, как пучок пройдет через следующие. Поэтому специалистам приходится подбирать удачное сочетание десятков параметров. Расчеты нужны и при проектировании ускорителя, и после его запуска, когда их приходится уточнять уже на самой установке.
Исследователи Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ и Института ядерной физики имени Г.И. Будкера СО РАН предложили использовать для оптимизации настроек ускорителей обучение с подкреплением. Для этого они создали программу RLABC, позволяющую использовать алгоритмы машинного обучения с программой Elegant, которой физики пользуются для расчета движения пучков.
«В этой системе нейросеть по очереди задает параметры магнитов в компьютерной модели, а Elegant рассчитывает, что при них происходит с пучком. RLABC передает результат обратно нейросети вместе с оценкой ее действий. Чем больше частиц удается провести дальше, тем выше оценка. После множества попыток сеть учится выбирать настройки все лучше», — Анвар Ибрахим, один из авторов, стажер-исследователь Научно-учебной лаборатории методов анализа больших данных Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ.
Разработку испытали на компьютерной модели, созданной на основе комплекса ВЭПП-5 Института ядерной физики Сибирского отделения РАН. Она включала 11 магнитов с 37 настраиваемыми параметрами. В среднем до конца канала дошло 70% частиц. При подборе всех 37 параметров результат составлял около 66%. Программу также испытали на модели с другой схемой расположения магнитов, где удалось провести 71% частиц. По словам автора исследования, решения модели сопоставимы с настройками, которые предлагают специалисты по ускорительной технике. Это показывает, что инструмент можно использовать, хотя его возможности еще предстоит проверить на более сложных транспортных каналах. В дальнейшем исследователи планируют испытать программу на реальных ускорителях.
«У каждого ускорителя есть особенности, поэтому удачный способ настройки одной установки может хуже работать на другой. RLABC позволяет проверять разные конфигурации и выяснять, в каких задачах обучение с подкреплением будет работать хорошо. При этом мы предполагаем, что алгоритм может подобрать удачные сочетания параметров, которые человек раньше не рассматривал», — Денис Деркач, один из авторов исследования, заведующий Научно-учебной лабораторией методов анализа больших данных Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ.
По замыслу авторов, программа сможет предлагать оператору подходящие настройки и освобождать его от части рутины. Окончательное решение при этом останется за человеком.
«Мы рассчитываем, что этот подход на основе машинного обучения поможет автоматизировать настройку ускорителей. В будущем вся рутинная работа на ускорителях будет выполняться ИИ-агентами, чтобы у специалистов оставалось больше времени на проведение интересных экспериментов и культурный отдых», — Алексей Петренко, один из авторов исследования, научный сотрудник Института ядерной физики имени Г.И. Будкера СО РАН.
Код Rlabs открыт и опубликован, поэтому другие исследователи могут использовать и дорабатывать программу. Исследование выполнено при поддержке гранта для исследовательских центров в области искусственного интеллекта, предоставленного Минэкономразвития России.
Поделиться
