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、股票市場交易和醫療診斷等領域推動新技術的發展。在執行給定任務之前，機器學習算法通常需要對預先存在的數據進行訓練，以便這些算法能夠學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據，這些算法又該如何處理？

據外媒報道，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化粒子加速器的性能，且無需先前數據。

（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，操作會因為需要調整的組件太多而非常具有挑戰性。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化過程并找到先前未被發現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，使用的數據來自先前加速器操作，或計算機仿真，或兩者皆有。然而，他們還發現，將物理模型中的信息與可用的實驗數據相結合，可以大大減少所需的新數據量。

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據。該團隊使用這種方法調整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，他們得到的結果與通過使用實際檔案數據訓練算法所獲得的結果一樣，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：“此次研究結果是SLAC逐步推動開發用于調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據沒有幫助。即使物理性能下降，這些數據仍然有用。在SPEAR3案例中，研究人員能夠通過將其與加速器的實際數據配對，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射線激光器的調諧，其歸檔數據可從之前的實驗運行中獲得。

返回第一電動網首頁 >