ИИ настроил модель ускорителя так, что дошло 70% частиц

RLABC использует обучение с подкреплением и работает вместе с программой Elegant, которую физики применяют для расчета движения пучков. Нейросеть задает параметры магнитов в компьютерной модели, Elegant рассчитывает движение частиц, а система оценивает результат. Чем больше частиц проходит дальше, тем выше оценка; после множества попыток алгоритм учится выбирать более удачные настройки. Так принцип работы программы описал один из авторов исследования Анвар Ибрахим, стажер-исследователь лаборатории методов анализа больших данных НИУ ВШЭ.

Разработку проверили на модели, созданной на основе комплекса ВЭПП-5 Института ядерной физики Сибирского отделения РАН. В ней было 11 магнитов и 37 настраиваемых параметров. При подборе всех параметров до конца канала дошло около 66% частиц, а в среднем результат составил 70%. На модели с другой схемой расположения магнитов удалось провести 71% частиц. По словам авторов, предложенные алгоритмом решения сопоставимы с настройками специалистов по ускорительной технике.

Исследователи отмечают, что возможности RLABC еще предстоит проверить на более сложных транспортных каналах. В дальнейшем они планируют испытать программу на реальных ускорителях. По словам заведующего лабораторией НИУ ВШЭ Дениса Деркача, настройки, подходящие для одной установки, могут хуже работать на другой; алгоритм также способен находить сочетания параметров, которые специалисты прежде не рассматривали.

Авторы рассчитывают, что программа будет предлагать оператору подходящие параметры и снимет с него часть рутинной работы, но окончательное решение останется за человеком. Код RLABC опубликован в открытом доступе, его можно использовать и дорабатывать. Исследование поддержано грантом для исследовательских центров в области искусственного интеллекта, предоставленным Минэкономразвития России.