L'Institut de physique des hautes énergies de l'Académie des sciences de Chine, l'Institut de physique moderne de l'Académie des sciences de Chine, l'Institut des sciences physiques de Hefei de l'Académie des sciences de Chine, ainsi que plusieurs autres instituts de recherche et universités, ont publié conjointement un article de synthèse qui examine systématiquement les voies d'application technologique de l'intelligence artificielle en physique des particules et en physique nucléaire. L'article se concentre sur des domaines tels que le contrôle autonome des accélérateurs, la mise à niveau intelligente des détecteurs, le traitement en temps réel des données massives, la reconstruction des événements expérimentaux, le calcul des modèles théoriques et le fonctionnement intelligent des grandes installations scientifiques. Il met l'accent sur la manière dont les modèles d'IA peuvent être intégrés dans les systèmes expérimentaux et les processus de recherche scientifique.

Dans les systèmes d'accélérateurs, l'IA est principalement utilisée pour l'identification de l'état du faisceau, l'optimisation des paramètres, la détection des anomalies de fonctionnement et le contrôle autonome. Le fonctionnement d'un accélérateur implique de nombreux équipements tels que les aimants, les alimentations électriques, la radiofréquence, le vide, le diagnostic du faisceau et les systèmes de contrôle. La position du faisceau, la dispersion en énergie, l'émittance, la luminosité et la stabilité sont affectées par le couplage de multiples paramètres. Les modèles d'apprentissage automatique peuvent, sur la base des données historiques de fonctionnement et des signaux de diagnostic en temps réel, établir une relation de correspondance entre l'état du faisceau et les paramètres de contrôle. Ils sont utilisés pour aider à ajuster le champ magnétique, la tension, la phase et les conditions d'injection, réduisant ainsi le processus de réglage manuel itératif.

La mise à niveau intelligente des détecteurs se concentre sur les étapes d'identification des signaux, de suppression du bruit, de reconstruction des événements et de filtrage en ligne. Les détecteurs utilisés dans les expériences de physique des particules et de physique nucléaire doivent souvent fonctionner dans des conditions de taux de comptage élevé, de bruit de fond important et de chevauchement complexe des signaux. Les algorithmes traditionnels dépendent d'un grand nombre de caractéristiques et de seuils définis manuellement. Les modèles d'apprentissage profond peuvent traiter les images, les formes d'onde, les trajectoires et les données de séries temporelles produites par les détecteurs, afin d'identifier les traces des particules, les dépôts d'énergie, les positions des vertex et les signaux candidats d'événements rares.

Le traitement en temps réel des données massives est un scénario technique clé souligné dans l'article. Les expériences de physique des hautes énergies génèrent des flux de données à haute fréquence. Les données brutes ne peuvent pas toutes être stockées à long terme ; elles doivent subir un jugement rapide lors des étapes de déclenchement, de compression, de filtrage et de reconstruction. Les modèles d'IA peuvent être intégrés dans les systèmes de déclenchement en ligne pour classer rapidement les signaux des détecteurs, éliminer à l'avance les événements de bruit de fond de faible valeur et conserver les données les plus susceptibles de contenir les processus physiques cibles. Pour l'analyse en aval, l'IA peut également être utilisée pour la classification des événements, l'ajustement des paramètres, l'estimation des erreurs et la modélisation du bruit de fond, améliorant ainsi l'efficacité du traitement des échantillons de données complexes.

L'article aborde également le rôle de l'IA dans le calcul théorique et la simulation. La recherche en physique des particules et en physique nucléaire nécessite un grand nombre de simulations Monte Carlo, de calculs de sections efficaces de réaction, de modèles de structure nucléaire, de modèles de transport et de calculs de systèmes à plusieurs corps. Les méthodes d'apprentissage automatique peuvent être utilisées pour accélérer la génération de simulations, remplacer certains calculs numériques coûteux, construire des modèles de substitution et rechercher de meilleurs paramètres de modèle dans des espaces de paramètres de haute dimension. Pour la phase de conception expérimentale, l'IA peut également participer à l'optimisation de la géométrie des détecteurs, à la sélection des conditions expérimentales et à l'ajustement des stratégies d'acquisition de données.

Dans les systèmes liés aux sources de rayonnement synchrotron, aux sources de neutrons, aux installations scientifiques nucléaires et à l'énergie nucléaire, les applications de l'IA sont davantage orientées vers le contrôle des installations, le diagnostic d'état et la maintenance prédictive. Les modèles peuvent lire l'état de fonctionnement des équipements, les données des capteurs, les données d'image et les données des processus expérimentaux pour identifier les dérives des équipements, les fluctuations anormales, les signes de défaillance et les changements d'efficacité opérationnelle. Pour les grandes installations scientifiques nécessitant un fonctionnement continu à long terme, ces technologies peuvent être intégrées dans les salles de contrôle, les systèmes de surveillance des équipements et les systèmes de planification expérimentale, participant à la rétroaction en ligne et à l'ajustement des paramètres de fonctionnement.

Cette revue décompose la technologie de l'IA en plusieurs étapes spécifiques des expériences de physique des particules et de physique nucléaire : le côté acquisition en amont est responsable de l'identification des signaux de détection et du filtrage de déclenchement, le côté traitement intermédiaire est responsable de la reconstruction des événements, de la compression des données et de l'extraction des caractéristiques, le côté analyse en aval est responsable de la classification, de l'ajustement, de l'accélération des simulations et de l'inférence des modèles, et le côté fonctionnement de l'installation est responsable du réglage du faisceau, du diagnostic des équipements et de l'optimisation des processus expérimentaux. L'ensemble de la feuille de route technologique se déploie autour de la coordination des données, des modèles, des systèmes de contrôle et des grandes installations scientifiques.