El Instituto de Física de Altas Energías de la Academia China de Ciencias, el Instituto de Física Moderna de la Academia China de Ciencias, el Instituto de Ciencias Físicas de Hefei de la Academia China de Ciencias, junto con múltiples instituciones de investigación y universidades, han publicado conjuntamente un artículo de revisión que sistematiza las rutas de aplicación técnica de la inteligencia artificial en la física de partículas y la física nuclear. El artículo se centra en áreas como el control autónomo de aceleradores, la actualización inteligente de detectores, el procesamiento en tiempo real de grandes volúmenes de datos, la reconstrucción de eventos experimentales, el cálculo de modelos teóricos y la operación inteligente de grandes instalaciones científicas, discutiendo principalmente cómo los modelos de IA se integran en los sistemas experimentales y los flujos de trabajo de investigación.
En los sistemas de aceleradores, la IA se utiliza principalmente para la identificación del estado del haz, la optimización de parámetros, la detección de anomalías operativas y el control autónomo. La operación de un acelerador involucra una gran cantidad de equipos, como imanes, fuentes de alimentación, radiofrecuencia, vacío, diagnóstico del haz y sistemas de control. La posición, la dispersión de energía, la emitancia, el brillo y la estabilidad del haz se ven afectados por el acoplamiento de múltiples parámetros. Los modelos de aprendizaje automático pueden establecer una relación de mapeo entre el estado del haz y los parámetros de control basándose en datos históricos de operación y señales de diagnóstico en tiempo real, lo que ayuda a ajustar el campo magnético, el voltaje, la fase y las condiciones de inyección, reduciendo el proceso de ajuste manual repetitivo.
La actualización inteligente de los detectores se centra en la identificación de señales, la supresión de ruido, la reconstrucción de eventos y el filtrado en línea. Los detectores en experimentos de física de partículas y nuclear generalmente necesitan funcionar en condiciones de alta tasa de conteo, alto fondo y superposición compleja de señales. Los algoritmos tradicionales dependen en gran medida de la configuración manual de características y umbrales. Los modelos de aprendizaje profundo pueden procesar datos de imágenes, formas de onda, trayectorias y series temporales generados por los detectores para identificar trazas de partículas, deposición de energía, posiciones de vértices y señales candidatas de eventos raros.
El procesamiento en tiempo real de grandes volúmenes de datos es un escenario técnico clave destacado en el artículo. Los experimentos de física de altas energías generan flujos de datos de alta frecuencia, y los datos brutos no pueden almacenarse completamente a largo plazo; deben someterse a un juicio rápido en las etapas de disparo, compresión, filtrado y reconstrucción. Los modelos de IA pueden integrarse en los sistemas de disparo en línea para clasificar rápidamente las señales de los detectores, eliminar de antemano los eventos de fondo de bajo valor y retener los datos que tienen más probabilidades de contener los procesos físicos objetivo. Para el análisis posterior, la IA también se puede utilizar para la clasificación de eventos, el ajuste de parámetros, la estimación de errores y el modelado de fondo, mejorando la eficiencia del procesamiento de muestras de datos complejas.
El artículo también discute el papel de la IA en el cálculo teórico y la simulación. La investigación en física de partículas y nuclear requiere una gran cantidad de simulaciones de Monte Carlo, cálculos de secciones transversales de reacción, modelos de estructura nuclear, modelos de transporte y cálculos de sistemas de muchos cuerpos. Los métodos de aprendizaje automático se pueden utilizar para acelerar la generación de simulaciones, reemplazar algunos cálculos numéricos de alto costo, construir modelos sustitutos y buscar parámetros de modelo óptimos en espacios de parámetros de alta dimensión. Para la fase de diseño experimental, la IA también puede participar en la optimización de la geometría del detector, el filtrado de condiciones experimentales y el ajuste de las estrategias de adquisición de datos.
En sistemas relacionados con fuentes de luz de sincrotrón, fuentes de neutrones, instalaciones de ciencia nuclear y energía nuclear, la aplicación de la IA se inclina más hacia el control de instalaciones, el diagnóstico de estado y el mantenimiento predictivo. Los modelos pueden leer el estado operativo de los equipos, datos de sensores, datos de imágenes y datos de procesos experimentales para identificar deriva de equipos, fluctuaciones anómalas, signos de fallo y cambios en la eficiencia operativa. Para las grandes instalaciones científicas que requieren un funcionamiento continuo a largo plazo, este tipo de tecnología puede integrarse en las salas de control, los sistemas de monitoreo de equipos y los sistemas de programación de experimentos, participando en la retroalimentación en línea y el ajuste de los parámetros operativos.
Esta revisión desglosa la tecnología de IA en múltiples eslabones específicos de los experimentos de física de partículas y nuclear: el lado de adquisición frontal se encarga de la identificación de señales de detección y el filtrado de disparo, el lado de procesamiento intermedio se encarga de la reconstrucción de eventos, la compresión de datos y la extracción de características, el lado de análisis posterior se encarga de la clasificación, el ajuste, la aceleración de la simulación y la inferencia del modelo, y el lado de operación de la instalación se encarga del ajuste del haz, el diagnóstico de equipos y la optimización del flujo de trabajo experimental. Toda la ruta técnica se desarrolla en torno a la coordinación de datos, modelos, sistemas de control y grandes instalaciones científicas.