एल्गोरिदम व्यापक डेटा प्रोसेसिंग की आवश्यकता को कम करने के लिए मशीन-लर्निंग तकनीकों के साथ शास्त्रीय बीम भौतिकी समीकरणों को जोड़ती है।
जब एसएलएसी राष्ट्रीय त्वरक प्रयोगशाला में रैखिक त्वरक चालू होता है, लगभग एक अरब इलेक्ट्रॉनों के समूह लगभग प्रकाश की गति से धातु के पाइपों के माध्यम से यात्रा करते हैं। ये इलेक्ट्रॉन समूह त्वरक के कण बीम का निर्माण करते हैं, जिसका उपयोग अणुओं, नवीन सामग्रियों और कई अन्य विषयों के परमाणु व्यवहार की जांच के लिए किया जाता है।

हालांकि एक कण बीम की वास्तविक उपस्थिति का निर्धारण करना एक त्वरक के माध्यम से चलता है, चुनौतीपूर्ण है, वैज्ञानिकों को केवल एक अनुमानित अनुमान के साथ छोड़ दिया जाता है कि बीम एक प्रयोग के दौरान कैसे व्यवहार करेगा।
अब, ऊर्जा विभाग के एसएलएसी, डीओई की आर्गन नेशनल लेबोरेटरी, और शिकागो विश्वविद्यालय के शोधकर्ताओं ने एक एल्गोरिथ्म विकसित किया है जो एक बीम के कणों की स्थिति और वेग के वितरण की अधिक सटीक भविष्यवाणी करता है क्योंकि यह एक त्वरक के माध्यम से ज़िप करता है।
यह विस्तृत बीम जानकारी वैज्ञानिकों को अपने प्रयोग अधिक मज़बूती से करने में मदद करेगी – एक आवश्यकता जो तेजी से महत्वपूर्ण होती जा रही है क्योंकि त्वरक सुविधाएं उच्च और उच्च ऊर्जा पर काम करती हैं और अधिक जटिल बीम प्रोफाइल उत्पन्न करती हैं। शोधकर्ताओं ने अप्रैल 2023 में अपने एल्गोरिथ्म और विधि का विस्तृत विवरण दिया।
हमारे पास त्वरक के अंदर कण बीम में हेरफेर करने के कई अलग-अलग तरीके हैं, लेकिन बीम के आकार और गति का वर्णन करने के लिए हमारे पास वास्तव में सटीक तरीका नहीं है, “एसएलएसी त्वरक वैज्ञानिक और लीड सह-लेखक रयान रसेल ने कहा। “हमारा एल्गोरिथ्म एक बीम के बारे में जानकारी लेता है जिसे सामान्य रूप से छोड़ दिया जाता है और उस जानकारी का उपयोग बीम के अधिक विस्तृत चित्र को चित्रित करने के लिए करता है।”
आमतौर पर, शोधकर्ता कुछ सारांश आँकड़ों के संदर्भ में बीम में कणों की स्थिति और गति का वर्णन करते हैं जो समग्र रूप से बीम का एक मोटा आकार प्रदान करते हैं – लेकिन यह दृष्टिकोण संभावित रूप से उपयोगी जानकारी का एक बहुत बाहर फेंकता है। वैकल्पिक रूप से, बीम वैज्ञानिक स्वयं बीम के कई माप ले सकते हैं और पुनर्निर्माण का प्रयास कर सकते हैं, कभी-कभी मशीन लर्निंग का उपयोग करके, विभिन्न प्रायोगिक परिस्थितियों में बीम कैसा दिखेगा – लेकिन उन विधियों के लिए बहुत अधिक डेटा और बहुत अधिक कम्प्यूटेशनल शक्ति की आवश्यकता होती है।
इस अध्ययन में, टीम ने एक नए दृष्टिकोण की कोशिश की: उन्होंने एक मशीन-लर्निंग मॉडल बनाया जो बीम के भीतर कणों की स्थिति और गति के वितरण की भविष्यवाणी करने के लिए बीम गतिशीलता की हमारी समझ का उपयोग करता है, जिसे सामूहिक रूप से बीम के चरण अंतरिक्ष वितरण के रूप में जाना जाता है।