O Instituto de Física de Altas Energias da Academia Chinesa de Ciências, o Instituto de Física Moderna da Academia Chinesa de Ciências, o Instituto de Ciências Físicas de Hefei da Academia Chinesa de Ciências, juntamente com várias outras instituições de pesquisa e universidades, publicaram em conjunto um artigo de revisão que sistematiza os caminhos de aplicação técnica da inteligência artificial na física de partículas e nuclear. O artigo aborda direções como o controle autônomo de aceleradores, a atualização inteligente de detectores, o processamento em tempo real de grandes volumes de dados, a reconstrução de eventos experimentais, o cálculo de modelos teóricos e a operação inteligente de grandes instalações científicas, com foco em como os modelos de IA são integrados em sistemas experimentais e fluxos de trabalho científico.
Em sistemas de aceleradores, a IA é usada principalmente para identificação do estado do feixe, otimização de parâmetros, detecção de anomalias operacionais e controle autônomo. A operação de aceleradores envolve um grande número de equipamentos, como ímãs, fontes de alimentação, radiofrequência, vácuo, diagnóstico de feixe e sistemas de controle. A posição do feixe, dispersão de energia, emitância, brilho e estabilidade são influenciados pelo acoplamento de múltiplos parâmetros. Modelos de aprendizado de máquina podem estabelecer uma relação de mapeamento entre o estado do feixe e os parâmetros de controle com base em dados históricos de operação e sinais de diagnóstico em tempo real, auxiliando no ajuste de campos magnéticos, tensões, fases e condições de injeção, reduzindo o processo de tentativa e erro manual repetitivo.
A atualização inteligente de detectores concentra-se na identificação de sinais, supressão de ruído, reconstrução de eventos e triagem online. Detectores em experimentos de física de partículas e nuclear geralmente precisam operar sob condições de alta taxa de contagem, alto fundo e sobreposição complexa de sinais. Algoritmos tradicionais dependem fortemente de um grande número de características e limiares definidos manualmente. Modelos de aprendizado profundo podem processar dados de imagem, forma de onda, trajetória e séries temporais gerados pelos detectores para identificar traços de partículas, deposição de energia, posições de vértices e sinais candidatos a eventos raros.
O processamento em tempo real de grandes volumes de dados é um cenário técnico chave destacado no artigo. Experimentos de física de altas energias geram fluxos de dados de alta frequência. Os dados brutos não podem ser todos armazenados a longo prazo, exigindo julgamento rápido nas fases de trigger, compressão, triagem e reconstrução. Modelos de IA podem ser incorporados em sistemas de trigger online para classificar rapidamente os sinais dos detectores, descartar eventos de fundo de baixo valor antecipadamente e reter dados com maior probabilidade de conter processos físicos alvo. Para a análise posterior, a IA também pode ser usada para classificação de eventos, ajuste de parâmetros, estimativa de erros e modelagem de fundo, melhorando a eficiência do processamento de amostras de dados complexas.
O artigo também discute o papel da IA em cálculos teóricos e simulações. A pesquisa em física de partículas e nuclear requer um grande número de simulações de Monte Carlo, cálculos de seção de choque de reação, modelos de estrutura nuclear, modelos de transporte e cálculos de sistemas de muitos corpos. Métodos de aprendizado de máquina podem ser usados para acelerar a geração de simulações, substituir parte dos cálculos numéricos de alto custo, construir modelos substitutos e pesquisar parâmetros de modelo mais otimizados em espaços de parâmetros de alta dimensão. Para a fase de projeto experimental, a IA também pode participar da otimização da geometria do detector, triagem de condições experimentais e ajuste de estratégias de coleta de dados.
Em fontes de luz síncrotron, fontes de nêutrons, instalações de ciência nuclear e sistemas relacionados à energia nuclear, as aplicações de IA são mais voltadas para o controle de instalações, diagnóstico de estado e manutenção preditiva. Os modelos podem ler dados de estado operacional do equipamento, dados de sensores, dados de imagem e dados de processo experimental para identificar deriva de equipamento, flutuações anômalas, sinais de falha e mudanças na eficiência operacional. Para grandes instalações científicas que exigem operação contínua de longo prazo, tais tecnologias podem ser integradas em salas de controle, sistemas de monitoramento de equipamentos e sistemas de agendamento experimental, participando de feedback online e ajuste de parâmetros operacionais.
Esta revisão decompõe a tecnologia de IA em várias etapas específicas de experimentos de física de partículas e nuclear: a etapa de coleta frontal é responsável pela identificação de sinais de detecção e triagem de trigger; a etapa de processamento intermediário é responsável pela reconstrução de eventos, compressão de dados e extração de características; a etapa de análise posterior é responsável por classificação, ajuste, aceleração de simulação e inferência de modelo; e a etapa de operação da instalação é responsável pelo ajuste do feixe, diagnóstico de equipamento e otimização do fluxo de trabalho experimental. Todo o roteiro técnico é desenvolvido em torno da coordenação de dados, modelos, sistemas de controle e grandes instalações científicas.