Современные ускорители заряженных частиц — это колоссальные по сложности научные и медицинские комплексы, где потоки электронов или протонов разгоняются до околосветовых скоростей. От точности фокусировки пучка зависит успех фундаментальных экспериментов по изучению материи и эффективность лучевой терапии в онкологии. Теперь эту ювелирную работу взяли на себя алгоритмы машинного обучения: исследователи создали систему RLABC, способную автоматически подбирать оптимальные параметры магнитных систем ускорителя с помощью обучения с подкреплением.
Почему настройка ускорителя — задача со звёздочкой
Внутри ускорителя заряженные частицы движутся узкими направленными пучками. Электрические поля придают им ускорение, а система мощных электромагнитов удерживает поток на нужной траектории и фокусирует его. Малейшая погрешность в настройке хотя бы одного магнита приводит к тому, что пучок рассеивается, а часть частиц отклоняется и теряется по пути.
Главная трудность заключается в нелинейной взаимосвязи всех элементов: изменение тока в одном магните неизбежно меняет поведение пучка на всех последующих участках канала. Инженерам и физикам приходится вручную рассчитывать и корректировать десятки взаимосвязанных параметров — как на этапе проектирования установки, так и после её физического запуска.
Как работает система RLABC и обучение с подкреплением
Команда специалистов из Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ и Института ядерной физики имени Г. И. Будкера СО РАН предложила доверить поиск идеальной конфигурации магнитов искусственному интеллекту. Результаты работы были опубликованы в научном журнале Computer Physics Communications.
Разработанный программный комплекс RLABC связывает алгоритмы обучения с подкреплением (Reinforcement Learning) со специализированным физическим симулятором Elegant, который используется в научных центрах по всему миру для моделирования динамики пучков:
- Шаг 1: Нейросеть последовательно задаёт параметры магнитных элементов в цифровой модели ускорителя.
- Шаг 2: Пакет Elegant вычисляет траекторию и плотность пучка при заданных настройках.
- Шаг 3: Программа RLABC возвращает нейросети результат вместе с «наградой» (оценкой): чем больше частиц успешно дошло до конца канала, тем выше балл.
- Шаг 4: После тысяч итераций алгоритм самостоятельно находит оптимальный баланс десятков параметров.
Результаты испытаний: 70% сохранённого пучка и нетривиальные решения
Технологию протестировали на компьютерной модели инжекционного комплекса ВЭПП-5, включающей 11 магнитов с 37 настраиваемыми параметрами. В ходе экспериментов нейросеть смогла провести до конца транспортного канала в среднем около 70% частиц (а на альтернативной схеме расположения магнитов — до 71%).
Как отмечают авторы разработки Анвар Ибрахим, Денис Деркач и Алексей Петренко, найденные искусственным интеллектом режимы работы уже сопоставимы с настройками опытных физиков-операторов. Более того, алгоритм способен находить неочевидные комбинации параметров, которые человек при стандартной настройке мог бы не рассматривать.
От фундаментальной науки до медицины
Ускорительные технологии давно вышли за пределы лабораторий физики высоких энергий: компактные ускорители применяются в современных онкологических центрах для высокоточной протонной и лучевой терапии, в медицинской томографии и материаловедении. Автоматизация рутинной настройки с помощью ИИ-агентов позволит быстрее выводить установки на рабочий режим, а исходный код проекта RLABC уже опубликован в открытом доступе для научного сообщества.