Das Institut für Hochenergiephysik der Chinesischen Akademie der Wissenschaften, das Institut für moderne Physik der Chinesischen Akademie der Wissenschaften, das Hefei Institute of Physical Science der Chinesischen Akademie der Wissenschaften sowie mehrere andere Forschungseinrichtungen und Hochschulen haben gemeinsam eine Übersichtsarbeit veröffentlicht, die systematisch die technischen Anwendungswege der künstlichen Intelligenz in der Teilchen- und Kernphysik darlegt. Der Artikel konzentriert sich auf Bereiche wie die autonome Steuerung von Beschleunigern, die intelligente Aufrüstung von Detektoren, die Echtzeitverarbeitung großer Datenmengen, die Rekonstruktion von Experimentereignissen, die Berechnung theoretischer Modelle und den intelligenten Betrieb großer wissenschaftlicher Anlagen. Ein besonderer Schwerpunkt liegt darauf, wie KI-Modelle in experimentelle Systeme und wissenschaftliche Arbeitsabläufe integriert werden können.
In Beschleunigersystemen wird KI hauptsächlich zur Identifizierung des Strahlzustands, zur Parameteroptimierung, zur Erkennung von Betriebsanomalien und zur autonomen Steuerung eingesetzt. Der Betrieb eines Beschleunigers umfasst eine Vielzahl von Geräten wie Magnete, Netzteile, Hochfrequenzsysteme, Vakuumsysteme, Strahldiagnose und Steuerungssysteme. Die Strahlposition, Energieverteilung, Emittanz, Helligkeit und Stabilität werden durch die Kopplung mehrerer Parameter beeinflusst. Maschinelle Lernmodelle können auf der Grundlage historischer Betriebsdaten und Echtzeit-Diagnosesignalen eine Abbildung zwischen dem Strahlzustand und den Steuerparametern erstellen. Dies dient dazu, die Einstellung von Magnetfeldern, Spannungen, Phasen und Injektionsbedingungen zu unterstützen und den manuellen, wiederholten Abstimmungsprozess zu reduzieren.
Die intelligente Aufrüstung von Detektoren konzentriert sich auf die Signalidentifizierung, Rauschunterdrückung, Ereignisrekonstruktion und Online-Selektion. Detektoren in der Teilchen- und Kernphysik müssen oft unter Bedingungen mit hohen Zählraten, hohem Untergrund und komplexen Signalüberlagerungen arbeiten. Herkömmliche Algorithmen sind auf eine Vielzahl manuell festgelegter Merkmale und Schwellenwerte angewiesen. Deep-Learning-Modelle können die von Detektoren ausgegebenen Bild-, Wellenform-, Spur- und Zeitreihendaten verarbeiten, um Teilchenspuren, Energiedepositionen, Vertexpositionen und Kandidatensignale für seltene Ereignisse zu identifizieren.
Die Echtzeitverarbeitung großer Datenmengen ist ein vom Artikel hervorgehobener technischer Schwerpunkt. Hochenergiephysik-Experimente erzeugen hochfrequente Datenströme. Rohdaten können nicht vollständig langfristig gespeichert werden; sie müssen während der Triggerung, Komprimierung, Selektion und Rekonstruktion schnell bewertet werden. KI-Modelle können in Online-Triggersysteme eingebettet werden, um Detektorsignale schnell zu klassifizieren, niederwertige Hintergrundereignisse vorzeitig zu verwerfen und Daten zu behalten, die mit höherer Wahrscheinlichkeit die angestrebten physikalischen Prozesse enthalten. Für die nachgelagerte Analyse kann KI auch zur Ereignisklassifizierung, Parameteranpassung, Fehlerabschätzung und Hintergrundmodellierung eingesetzt werden, um die Verarbeitungseffizienz komplexer Datenproben zu verbessern.
Der Artikel diskutiert auch die Rolle der KI in theoretischen Berechnungen und Simulationen. Die Forschung in der Teilchen- und Kernphysik erfordert eine Vielzahl von Monte-Carlo-Simulationen, Wirkungsquerschnittsberechnungen, Kernstrukturmodellen, Transportmodellen und Berechnungen für Vielteilchensysteme. Methoden des maschinellen Lernens können eingesetzt werden, um die Simulationserzeugung zu beschleunigen, teure numerische Berechnungen teilweise zu ersetzen, Ersatzmodelle zu erstellen und in hochdimensionalen Parameterräumen nach besseren Modellparametern zu suchen. In der Experimentplanungsphase kann KI auch an der Optimierung der Detektorgeometrie, der Auswahl von Versuchsbedingungen und der Anpassung der Datenerfassungsstrategie beteiligt sein.
In Systemen wie Synchrotronstrahlungsquellen, Neutronenquellen, kernphysikalischen Anlagen und kerntechnischen Anwendungen tendiert der KI-Einsatz eher zur Anlagensteuerung, Zustandsdiagnose und vorausschauenden Wartung. Modelle können Betriebszustände von Geräten, Sensordaten, Bilddaten und experimentelle Prozessdaten auslesen, um Gerätedriften, anomale Schwankungen, Fehlersymptome und Änderungen der Betriebseffizienz zu identifizieren. Für große wissenschaftliche Anlagen, die einen langfristigen Dauerbetrieb erfordern, können solche Technologien in Kontrollräume, Geräteüberwachungssysteme und Experimentablaufsteuerungen integriert werden, um an der Online-Rückkopplung und der Anpassung von Betriebsparametern teilzunehmen.
Diese Übersichtsarbeit zerlegt die KI-Technologie in mehrere spezifische Phasen von Teilchen- und Kernphysikexperimenten: Die frontale Erfassungsseite ist für die Erkennung von Detektorsignalen und die Triggerauswahl zuständig, die mittlere Verarbeitungsseite für die Ereignisrekonstruktion, Datenkomprimierung und Merkmalsextraktion, die nachgelagerte Analyse für Klassifizierung, Anpassung, Simulationsbeschleunigung und Modellinferenz, und die Anlagenbetriebsseite für die Strahlregelung, Gerätediagnose und Optimierung der Experimentabläufe. Die gesamte technische Route ist auf die Zusammenarbeit von Daten, Modellen, Steuerungssystemen und großen wissenschaftlichen Anlagen ausgerichtet.