人工智慧大顯神通,實現用機器學習算法:簡化粒子加速器的操作!

2021-01-13 騰訊網

每年來自世界各地的很多科學家都會訪問能源部SLAC國家加速器實驗室,在直線加速器相干光源(LCLS)X射線雷射器上進行數百項化學、材料科學、生物和能源研究的實驗。直線加速器相干光源從巨型線性粒子加速器產生的高能電子束中產生超亮X射線。直線加速器相干光源的實驗日以繼夜地進行,每天有兩個12小時的輪班。

在每次輪班開始時,操作員必須調整加速器的性能,為下一次實驗準備X射線束。有時,在輪班期間也需要額外的調整。在過去,操作員每年都要花費數百個小時來完成這項任務,稱為加速器調諧。現在,SLAC國家加速器實驗室的研究人員,開發了一種使用人工智慧機器學習的新工具,與以前的方法相比,它可能會使部分調優過程快五倍,其研究發表在《物理評論快報》期刊上。

人工智慧機器學習

生產直線加速器相干光源強大的X射線束,首先要準備高質量的電子束。然後,一些電子的能量在特殊磁鐵中被轉化為X射線光。電子束的特性需要是密集和緊密聚焦的,這是決定X射線束好壞的關鍵因素。SLAC國家加速器實驗室人工智慧機器學習計劃負責人、開發這項新技術的團隊成員丹尼爾·拉特納(Daniel Ratner)說:即使是電子束密度的微小差異,也會對最終釋放出的X射線量產生巨大影響。

加速器使用一系列稱為四極磁鐵的24種特殊磁鐵來聚焦電子束,類似於玻璃透鏡聚焦光線的方式。一般人類操作員在輪班之間小心翼翼地轉動旋鈕來調節單個磁鐵,以確保加速器產生特定實驗所需的X射線束。這一過程佔用了操作員大量的時間,本來他們可以花在其他重要的任務上,以改進用於實驗的光束。幾年前,直線加速器相干光源操作員採用了一種自動加速磁鐵調諧的計算機算法。

更好的光束

然而,它也有缺點,其目的是通過隨機調整磁鐵強度來改善X射線束。但與人類操作員不同的是,這個算法事先不知道加速器的結構,也不能在調整過程中做出有根據的猜測,最終可能會產生更好的結果。這就是為什麼SLAC國家加速器實驗室的研究人員,決定開發一種新的算法,將人工智慧機器學習,學習如何隨著時間推移變得更好的「智能」電腦程式,與加速器的物理知識相結合。

新方法使用了一種稱為高斯過程的技術,它預測了特定加速器調整對X射線光束質量的影響。它還為其預測帶來了不確定性,然後,算法決定嘗試哪些調整以獲得最大改進。例如,它可能決定嘗試一次戲劇性的調整,其結果非常不確定,但可能會帶來巨大的回報。這意味著這種新的、富有冒險精神的算法,比以前的算法有更好的機會進行必要調整,以產生儘可能最佳的X射線束。

SLAC國家加速器實驗室的研究人員,還使用之前直線加速器相干光源(LCLS)操作的數據來教授算法,哪些磁體強度通常會導致更亮的X射線,這給了算法一種對應該嘗試的調整,做出有根據的猜測方法。這為算法配備了人類操作員自然擁有的專業知識,而之前的算法缺乏這些知識和專業知識。對磁鐵相互關係的洞察也改進了這項技術,四極磁鐵是成對工作的。

超越直線加速器相干光源

為了增加聚焦功率,必須增加一對磁鐵的強度,而降低另一對磁鐵的強度。研究人員估計,使用新的工藝,調諧四極磁鐵的速度大約快了三到五倍,同時它還傾向於產生比以前使用的算法更高強度的光束。SLAC國家加速器實驗室的加速器操作員簡·什塔倫科娃(Jane Shtalenkova)表示:我們提高調諧效率的能力,是對於能夠更高質量地向來自世界各地進行實驗的人提供光束非常關鍵。

同樣的方法可以擴展到調整科學家們,可能想要為他們實驗優化的其他電子束或X射線束特性。例如,研究人員可以應用這項技術,在直線加速器相干光源(LCLS)的X射線束擊中樣本後,最大化從樣本中獲得的信號,這種靈活性也使得新算法對其他設施很有用,這種機器學習算法的好處是,可以相對容易地進行技術轉移。

博科園|研究/來自:SLAC國家加速器實驗室

研究發表期刊《物理評論快報》

博科園|科學、科技、科研、科普

關注【博科園】看更多大美宇宙科學

相關焦點

  • 光學卷積神經網絡加速器:通過光學實現更強大的人工智慧
    最先進的電子硬體,如圖形處理單元和張量處理單元加速器,有助於緩解這一問題,但受到了串行數據處理的內在挑戰,因為串行數據處理需要迭代數據處理,還會遇到布線和電路限制所造成的延遲。電子硬體的光學替代品可以通過非迭代的方式簡化信息處理,幫助加快機器學習進程。然而,基於光子的機器學習通常受制於光子集成電路上可放置的元件數量,限制了互連性,而自由空間的空間光調製器則受制於較慢的編程速度。
  • 光學卷積神經網絡加速器:通過光學實現更強大的人工智慧!
    導讀據美國喬治·華盛頓大學官網近日報導,該校和加州大學洛杉磯分校的研究人員與深度科技創業公司 Optelligence LLC 共同開發出一種光學卷積神經網絡加速器,每秒能夠處理拍字節(1拍字節=2^50位元組)級的大量信息。
  • 人工智慧(AI) 機器學習(ML) 深度學習(DL),到底他們哥仨是什麼關係?
    原標題:人工智慧(AI) 機器學習(ML) 深度學習(DL),到底他們哥仨是什麼關係? A BOUTBEAUTY 有三個詞,這兩年出現的頻率越來越高:人工智慧(AI),機器學習(ML),深度學習(DL),到底他們哥仨是什麼關係?今天小編化繁為簡,用幾張圖帶你迅速看明白。
  • FPGA加速N粒子重力並行模擬實現和仿真案例
    類似地,所有其他(N-1)個粒子同時經歷了系統中其他粒子對它作用的力。所得到的的所有粒子的加速度,結合空間裡的初始位置,初始速度和時間不長分別得到所有N個粒子的新位置。為了簡化模型的實現,做出了以下的假設: 1. 所有粒子都是點質量(質點模型) 2. G=1 3. 在重力計算中引入一個修正係數,以避免當兩個點質量處於完全相同的坐標時候產生的誤差。
  • 人工智慧、機器學習及認知計算初學者指南
    千年以來,人類一直在思考如何構建智能機器。從那時起,人工智慧 (AI) 經歷過高潮與低谷,既展現了成功的一面,也有許多潛力有待發掘。時至今日,採用機器學習算法來解決新問題屢屢見諸報端。較早期的研究主要專注於強人工智慧,但在這一時期所引入的概念構成了當今所有機器學習與深度學習算法的基礎概念。
  • 粒子加速器是一種機器,一種什麼樣的機器呢?為什麼我們需要它?
    概況粒子加速器是一種能夠將基本粒子(如電子或質子)加速到非常高的能量機器。有兩種主要類型的粒子加速器:線性加速器和循環加速器。線性加速器是粒子沿著光束的線性或直線移動,而循環加速器是粒子在圓形路徑周圍移動;線性加速器用於固定目標實驗,而圓形加速器可用于波束碰撞和固定目標實驗。
  • 自學習AI算法發現高性能材料,未來遠程科研或成現實
    利用 CAMEO 算法實現的 AI 系統,可以有效地減少科學家在實驗室中花費的「反覆」實驗時間,同時最大限度地提高科研效率。那麼,CAMEO 算法如何實現這一點?CAMEO 是基於機器學習的一個自學習 AI 算法,為材料研究領域的探索提供了一種全新的範式。
  • CERN研發「迷你 LHC」粒子加速器
    歐洲粒子物理研究所CERN正在研發一種「迷你大型強子對撞機」,使用一臺2m長的機器產生的高強度束流治療癌症。
  • Google發布了用於機器學習應用程式的硬體加速器
    谷歌發布了一系列內部設計的硬體加速器,以加速公司雲平臺上的某些機器學習工作負載。Google的新Cloud Tensor處理單元(TPU)將於本周開始用於Beta評估。每個TPU包含四個專用集成電路(ASIC)。單個TPU在單個板上可以提供多達180 teraflops的性能和高達64 GB的高帶寬內存。
  • 人工智慧,「吃一塹長一智」的機器
    在各種文學作品裡面我們看到的「思考的機器」,就是人工智慧的起源。到了20世紀50年代,科學家和數學家們邁出了實現機器思考這個可能性的第一步。人工智慧(Articial Intelligencee,AI)這個概念被正式提出。
  • 院士說丨戴瓊海院士:人工智慧——算法·算力·交互
    現在往人工智慧發展,這個時期正在這樣往前推進。到人工智慧時代以後,大家發現學科的概念好像更加模糊了,更加是一種交叉的概念在這裡面討論。這個裡面也有力量,剛才楊強老師說的,機器學習模型,包括周志華老師也是在做機器學習,包括我們的算法,這個時候我們想解析的問題更多,想把更多大腦的思考和不可解析的問題交給機器來做。
  • 人工智慧首次實現多重量子關聯的同時分類
    人工智慧首次實現多重量子關聯的同時分類 2019-11-19 01:45:56 來源:科技日報 作者:陳海峰 責任編輯:陳海峰
  • 為什麼說用現有馮諾伊曼架構的計算機即可實現通用人工智慧AGI?
    如果將來把人腦視覺智能的算法移植入計算機,機器視覺就能超越人類視覺;如果成功移植了人類自主學習的算法,計算機在一小時內所學到的知識,就能比一個人在一年內所學的知識還要多;如果把人類的語言形成和語言理解的算法移植入計算機,就能實現無障礙的人機對話,而且,計算機還能比人類更好更快地學習和理解人類語言;如果把人類的科學發現和技術發明算法移植入計算機,那麼,其科學發現和技術發明能力就能達到人類的億倍以上,從而極大地推動科技和生產力的發展
  • 人工智慧之問:機器能夠像人一樣思考嗎?
    一些學者認為機器思維是一種相互作用,來源於許多非智能但半自主的組成大腦的物質之間,可以通過某種教學模型去重建一個簡化的神經元網絡,從而讓計算機模仿人類大腦,進而擁有機器思維這一相互作用。另一些學者認為,機器思維實質上是具體問題的求解能力, 運用形式推理和數理邏輯的方法進行決策和推理,最終解決問題。
  • 大型強子對撞機,再加上機器學習算法,能否加速破解暗物質之謎?
    挑戰更多的數據,更強的計算能力這是對機器學習服務如何支持一個已經有大量數據只會變得更大領域有希望的一瞥。研究人員目前正在升級大型強子對撞機,使其能以目前速度的五倍粉碎質子。到2026年,歐洲核子研究中心(CERN)的27千米環形地下機器將產生比現在多20倍的數據。
  • AI研究:如何讓機器學習算法解釋自己的決策?
    它解決了分類算法更簡單的問題,但它也可以通過突出顯示圖像的某些部分來進行預測,從而在圖像處理算法方面發揮作用。英偉達提出了一種更簡單的方法,可以在處理自動駕駛汽車的PilotNet系統所使用的視頻時實現同樣的效果。通過把網絡的更高層次的輸出疊加到下層上,他們就能創建一個「可視化的面具」,突出顯示網絡認為重要的實時視頻消息流的功能。
  • 粒子加速器出現故障,此人把頭伸進去查看,不料被高能粒子流擊中
    高能粒子流攜帶的能量可以輕易穿透人體,並對人體造成傷害。甚至會讓人失去生命,所以科學家在做實驗的時候,都會做好保護措施,而且嚴格按照要求操作實驗儀器。即使是這樣,科學家被輻射傷害的概率依然不小,兩彈元勳鄧稼先就是受到了核輻射才去世的。科學家研究高能粒子的時候,都要承擔風險。
  • 走近粒子加速器
    歐洲核子研究中心的「Linac 4」線性加速器為該機構包括大型強子對撞機LHC在內的加速器組合注入更高能量的離子束,幫助LHC實現更高亮度。 黑洞首張照片的發布,在全球範圍內引起巨大轟動。「黑洞是什麼?黑洞裡面有什麼?
  • 人工智慧算法可以學習量子力學定律
    人工智慧可以用來預測分子的波函數和電子性質。華威大學、柏林技術大學和盧森堡大學的一個研究小組開發的這種創新人工智慧方法可以用來加速藥物分子或新材料的設計。人工智慧和機器學習算法通常被用來預測我們的購買行為和識別我們的臉或筆跡。
  • 深度| 機器的自我進化:走向自主編程的人工智慧(附提交ICLR 2017的...
    人工智慧具有解決軟體代碼中舊問題——這是讓開發者最頭疼的東西——的天生潛力。一段代碼操作其他代碼的方式——被稱為元編程(metaprogramming )——已經存在很久了(它在1950年代的Lisp中被創造),但目前這些代碼只能解決人類想像範圍之內的問題。 人工智慧可以超過這個界限。