蓋世汽車訊 人工智能的一種形式——機器學習，極大地加快了計算任務的速度，并在語音和圖像識別、自動駕駛汽車、股票市場交易和醫(yī)療診斷等領域推動新技術的發(fā)展。在執(zhí)行給定任務之前，機器學習算法通常需要對預先存在的數(shù)據(jù)進行訓練，以便這些算法能夠?qū)W會獨自對未來場景做出快速準確的預測。但如果是全新任務，且沒有可用于培訓的數(shù)據(jù)，這些算法又該如何處理？

據(jù)外媒報道，日前，美國能源部SLAC國家加速器實驗室（National Accelerator Laboratory）的研究人員已證明，通過教授算法加速器操作背后的基本物理原理，可以使用機器學習來優(yōu)化粒子加速器的性能，且無需先前數(shù)據(jù)。

（圖片來源：SLAC國家加速器實驗室）

前SLAC研究助理Adi Hanuka表示：“在許多研究領域，如材料科學、環(huán)境科學、電池研究和粒子物理學等領域，將物理學引入機器學習是一個非常熱門的話題。”

物理學教學人工智能

加速器是強大的機器，可為電子束或其他粒子束提供能量，且應用十分廣泛，包括基礎物理實驗、分子成像和癌癥放射治療。為了獲得給定應用的最佳光束，操作員需要調(diào)整加速器以獲得最佳性能。但當涉及到大型粒子加速器時，操作會因為需要調(diào)整的組件太多而非常具有挑戰(zhàn)性。更復雜的是，并非所有組件都是獨立的，這意味著如果要調(diào)整一個組件，它可能會影響另一個組件的設置。

SLAC最近的研究表明，機器學習可以通過加快優(yōu)化過程并找到先前未被發(fā)現(xiàn)的有用加速器設置給人類操作員提供巨大支持。此外，機器學習還可以幫助診斷粒子束的質(zhì)量，且不會像其他技術一樣干擾到粒子束。為了使這些程序起作用，研究人員首先必須訓練機器學習算法，使用的數(shù)據(jù)來自先前加速器操作，或計算機仿真，或兩者皆有。然而，他們還發(fā)現(xiàn)，將物理模型中的信息與可用的實驗數(shù)據(jù)相結(jié)合，可以大大減少所需的新數(shù)據(jù)量。

新研究表明，如果對描述加速器工作原理的物理知識足夠了解，則實際上并不需要先前的數(shù)據(jù)。該團隊使用這種方法調(diào)整SLAC的SPEAR3加速器。該加速器可為實驗室的斯坦福同步輻射光源（SSRL）提供動力。研究人員說，通過使用直接從基于物理的模型中獲得的信息，他們得到的結(jié)果與通過使用實際檔案數(shù)據(jù)訓練算法所獲得的結(jié)果一樣，甚至更好。

該研究的首席研究員、SLAC工作人員科學家Joe Duris表示：“此次研究結(jié)果是SLAC逐步推動開發(fā)用于調(diào)整加速器的機器學習工具的最新亮點?！?/p>

預測未知

但這并不意味著預先存在的數(shù)據(jù)沒有幫助。即使物理性能下降，這些數(shù)據(jù)仍然有用。在SPEAR3案例中，研究人員能夠通過將其與加速器的實際數(shù)據(jù)配對，從而進一步改進基于物理的機器學習模型。該團隊還采用該方法改進SLAC的直線加速器相干光源（Linac Coherent Light Source，LCLS）X射線激光器的調(diào)諧，其歸檔數(shù)據(jù)可從之前的實驗運行中獲得。

返回第一電動網(wǎng)首頁 >