ИИ-пучок

Исследователи Института искусственного интеллекта и цифровых наук факультета компьютерных наук НИУ «Высшая школа экономики» и Института ядерной физики им. Г. И. Будкера СО РАН разработали RLABC — программу, которая помогает подбирать оптимальные настройки ускорителя частиц с помощью обучения с подкреплением. В цифровом эксперименте программа настроила модель так, что до конца ускорителя доходило около 70 % частиц. Исследование опубликовано в журнале Computer Physics Communications.  

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 ВШЭ и ИЯФ 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», — поясняет один из авторов, стажер-исследователь Научно-учебной лаборатории методов анализа больших данных Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ Анвар Ибрахим.

Разработку испытали на компьютерной модели, созданной на основе комплекса ВЭПП-5 ИЯФ СО РАН. Эта модель включала 11 магнитов с 37 настраиваемыми параметрами, и в итоге 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 авторов 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 специалисты 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», — комментирует один из авторов работы, заведующий Научно-учебной лабораторией методов анализа больших данных Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ Денис Александрович Деркач.

По замыслу ученых, 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 них будет выполняться ИИ-агентами, чтобы у специалистов оставалось больше времени на проведение интересных экспериментов и культурный отдых», — поясняет один из авторов исследования, ведущий научный сотрудник Института ядерной физики имени Г. И. Будкера СО РАН кандидат физико-математических наук Алексей Васильевич Петренко.

Код RLABC открыт и опубликован, поэтому другие исследователи могут использовать и дорабатывать программу.

Пресс-служба НИУ ВШЭ

Изображение - Наука Mail