Hacia el diseño de experimentos asistido por inteligencia artificial

Este es el título de un breve artículo que acabo de publicar (es en línea aquí, pero cuidado: en este momento necesita acceso de una institución que tenga acceso a los contenidos de la revista), en Nuclear Instruments and Methods, una conocida revista de física de partículas y dispositivos de física nuclear. Los contenidos no son nada nuevo, en el sentido de que no son más que un resumen de cosas que la colaboración MODE publicó aquí el pasado mes de marzo. Pero para aquellos de ustedes que puedan estar distraídos, resumiré el resumen a continuación.

El artículo son las actas de la Conferencia de Elba llamada “Frontier Detectors for Frontier Physics”, un evento muy popular que tiene lugar cada tres años en la bahía de Biodola en la isla de Elba, frente a la costa de la Toscana. Además de la atención y el carácter de primera, el congreso se destaca por la exquisita comida que se deleita a los invitados en el Hotel Hermitage, un magnífico resort de 5 estrellas.

Solo tuve el placer de asistir a la conferencia tres veces. La primera vez fue en 2000, cuando presenté un póster sobre una actualización del sistema de muones para el experimento CDF en el colisionador Fermilab Tevatron. Las etiquetas no suelen ser una adición importante a un currículum, pero en este caso mi hoja de acción extensamente escrita terminó siendo el recurso principal para un currículum. Descripción del sistema operativo 2 muon de CDF, por lo que actualmente contiene 85 citas, ¡no está nada mal para el artículo de procedimiento de un solo autor! Así que espero que el nuevo artículo que estoy discutiendo aquí, que también es un resumen de un póster, termine en un camino similar.

De todos modos, volvamos al resumen resumen. En el póster y en los procedimientos, mostré cómo estamos siendo equipados para explotar la programación diferenciable para la optimización integral de los detectores de partículas. Debido a que los detectores de partículas son instrumentos increíblemente complejos, y diseñar dichos instrumentos es un arte delicado que lleva décadas dominar, la oración anterior es un poco menos ofensiva para cualquiera que se considere un experto en detectores.

Por lo tanto, es importante aclarar que los nuevos enfoques impulsados ​​por IA, que se basan en modelos alternativos de procesos de generación de datos, que suelen ser de naturaleza aleatoria y, por lo tanto, imposibles de integrar en un modelo diferenciable (que es fundamental para los gradientes basados ​​en gradientes) son no. optimización): están destinados a ser herramientas en manos del fabricante del detector, no herramientas plug and play que usted llama jubilación. Con estas herramientas, será considerablemente más eficiente y rápido para probar diferentes diseños y determinar, dentro de las opciones y especificaciones de tecnología de detección específicas, qué arreglos de ingeniería funcionan mejor y cómo se pueden acomodar mejor las restricciones en el diseño.

Mencioné en el artículo solo algunos de los proyectos en curso. Quizás el más impactante y vanguardista de estos es la mejora del calorímetro electromagnético LHCb, que impulsará el diseño del tubo fotomultiplicador en este detector, que se está actualizando a la etapa de alto brillo del LHC.

Por otro lado, una serie de otros casos de uso, no menos interesantes, aparecen en el horizonte: optimizar el diseño de los tanques Cherenkov para la detección de rayos gamma de ultra alta energía utilizando la matriz de detectores SWGO y diseñar un moderador de neutrones para el LEGEND- Experimento de desintegración beta doble sin neutrones de 1000, optimizando el calorímetro electromagnético del detector que alimenta el futuro colisionador de muones, y muchos más. MODO colaboración (https://mode-collaboration.github.io) está liderando la investigación en esta intrigante área de investigación y desarrollo, y está creciendo en tamaño, con científicos informáticos y físicos que se unen de varios institutos de todo el mundo.

Para mostrar el tipo de trabajo que estamos haciendo, estoy pegando debajo un GIF animado que muestra cómo la posición de los tanques Cherenkov de la matriz SWGO se puede optimizar automáticamente, una vez que se crea una tubería diferente. El concepto se muestra en el siguiente diagrama:

Como puede ver, uno necesita simular el diseño, luego simular la física (en este caso, rayos gamma de alta energía y protones de rayos cósmicos de alta energía, el fondo que se distinguirá mediante el experimento), generar una estadística de prueba que caracterice la gamma de protones, y luego calcular, con la ayuda de lotes de datos, qué tan bien se mide la señal y la función auxiliar resultante. Si se pudiera calcular la derivada de la función de utilidad con respecto a la posición de todos los detectores, el sistema podría aprender la mejor configuración por medio del descenso de gradiente estocástico.

El siguiente GIF muestra varios diagnósticos de control, pero probablemente pueda concentrarse en el segundo gráfico de la izquierda, que muestra puntos negros donde se colocan los detectores en la Tierra (una gran área de gran altitud en Chile) y puntos de colores más pequeños que muestran la posición. de la lluvia de protones y gamma en cada lote A de eventos durante el ciclo de optimización. Verá, el sistema reconoce que los detectores se pueden separar de manera productiva para interceptar más chubascos, sin reducir la precisión en la medición de los que están cerca del centro y mejorando el poder estadístico general de la medición.

No hace falta decir que compilar el código que lleva a cabo este truco no es fácil, ¡pero es muy satisfactorio ver cómo la máquina interpreta su trabajo de encontrar soluciones óptimas!