نشرت عدة مؤسسات بحثية وجامعات، من بينها معهد فيزياء الطاقة العالية التابع للأكاديمية الصينية للعلوم، ومعهد الفيزياء النووية الحديثة التابع للأكاديمية الصينية للعلوم، ومعهد هيفي لعلوم المواد التابع للأكاديمية الصينية للعلوم، ورقة مراجعة مشتركة تستعرض بشكل منهجي مسارات التطبيق التقني للذكاء الاصطناعي في فيزياء الجسيمات والفيزياء النووية. تركز الورقة على مجالات مثل التحكم الذاتي في المسرعات، والترقية الذكية للكاشفات، والمعالجة الآنية للبيانات الضخمة، وإعادة بناء الأحداث التجريبية، وحسابات النماذج النظرية، والتشغيل الذكي للمنشآت العلمية الكبرى، مع مناقشة كيفية دمج نماذج الذكاء الاصطناعي في الأنظمة التجريبية وسير العمل البحثي.
في أنظمة المسرعات، يُستخدم الذكاء الاصطناعي بشكل أساسي في التعرف على حالة الحزمة، وتحسين المعاملات، واكتشاف الحالات الشاذة في التشغيل، والتحكم الذاتي. يتضمن تشغيل المسرعات عددًا كبيرًا من المعدات مثل المغناطيسات، ومصادر الطاقة، والترددات الراديوية، وأنظمة التفريغ، وأجهزة تشخيص الحزمة، وأنظمة التحكم، وتتأثر معاملات مثل موضع الحزمة، وتشتت الطاقة، والانبعاثية، واللمعان، والاستقرارية بتأثيرات متعددة المعاملات المترابطة. يمكن لنماذج التعلم الآلي، بالاستناد إلى بيانات التشغيل التاريخية وإشارات التشخيص الآنية، بناء علاقة ترابط بين حالة الحزمة ومعاملات التحكم، للمساعدة في ضبط المجال المغناطيسي، والجهد، والطور، وظروف الحقن، مما يقلل من عمليات الضبط اليدوي المتكررة.
تتركز الترقية الذكية للكاشفات في مجالات التعرف على الإشارات، وكبت الضوضاء، وإعادة بناء الأحداث، والفرز الآني. تعمل الكاشفات في تجارب فيزياء الجسيمات والفيزياء النووية عادةً تحت ظروف معدلات عد عالية، وخلفية عالية، وتداخل إشارات معقد، وتعتمد الخوارزميات التقليدية بشكل كبير على ميزات وعتبات محددة يدويًا. يمكن لنماذج التعلم العميق معالجة بيانات الصور، والأشكال الموجية، والمسارات، والسلاسل الزمنية الناتجة عن الكاشفات، واستخدامها في التعرف على مسارات الجسيمات، وترسب الطاقة، ومواقع القمم، وإشارات الأحداث النادرة المرشحة.
تعد المعالجة الآنية للبيانات الضخمة سيناريو تقنيًا رئيسيًا تركز عليه الورقة. تنتج تجارب فيزياء الطاقة العالية تدفقات بيانات عالية التردد، ولا يمكن تخزين جميع البيانات الأولية لفترات طويلة، مما يستلزم إجراء تقييم سريع في مراحل الإثارة، والضغط، والفرز، وإعادة البناء. يمكن دمج نماذج الذكاء الاصطناعي في أنظمة الإثارة الآنية لتصنيف إشارات الكاشف بسرعة، واستبعاد أحداث الخلفية منخفضة القيمة مسبقًا، والاحتفاظ بالبيانات التي تحتمل احتواءها على العمليات الفيزيائية المستهدفة. بالنسبة للتحليل اللاحق، يمكن استخدام الذكاء الاصطناعي أيضًا في تصنيف الأحداث، وملاءمة المعاملات، وتقدير الأخطاء، ونمذجة الخلفية، مما يعزز كفاءة معالجة عينات البيانات المعقدة.
تناقش الورقة أيضًا دور الذكاء الاصطناعي في الحسابات النظرية والمحاكاة. تتطلب أبحاث فيزياء الجسيمات والفيزياء النووية قدرًا كبيرًا من محاكاة مونت كارلو، وحسابات المقاطع العرضية للتفاعلات، ونماذج البنية النووية، ونماذج النقل، وحسابات الأنظمة متعددة الأجسام. يمكن استخدام أساليب التعلم الآلي لتسريع توليد المحاكاة، واستبدال جزء من الحسابات العددية عالية التكلفة، وبناء نماذج وكيلة، والبحث عن معاملات نموذجية مثلى في فضاءات معاملات عالية الأبعاد. بالنسبة لمرحلة تصميم التجارب، يمكن للذكاء الاصطناعي أيضًا المشاركة في تحسين الهندسة الهندسية للكاشفات، وفرز الظروف التجريبية، وتعديل استراتيجيات جمع البيانات.
في أنظمة مثل مصادر إشعاع السنكروترون، ومصادر النيوترونات، والمنشآت النووية العلمية، والأنظمة المرتبطة بالطاقة النووية، يتجه تطبيق الذكاء الاصطناعي بشكل أكبر نحو التحكم في المنشآت، وتشخيص الحالة، والصيانة التنبؤية. يمكن للنماذج قراءة بيانات حالة تشغيل المعدات، وبيانات أجهزة الاستشعار، وبيانات الصور، وبيانات العمليات التجريبية، والتعرف على الانجراف في المعدات، والتقلبات الشاذة، وعلامات الأعطال، والتغيرات في كفاءة التشغيل. بالنسبة للمنشآت العلمية الكبرى التي تتطلب تشغيلًا مستمرًا طويل الأمد، يمكن لهذه التقنيات الدخول إلى غرف التحكم، وأنظمة مراقبة المعدات، وأنظمة جدولة التجارب، والمشاركة في التغذية الراجعة الآنية وتعديل معاملات التشغيل.
تقوم ورقة المراجعة هذه بتفكيك تقنيات الذكاء الاصطناعي إلى عدة حلقات محددة في تجارب فيزياء الجسيمات والفيزياء النووية: حلقة الجمع الأمامية المسؤولة عن التعرف على إشارات الكشف والفرز بالإثارة، وحلقة المعالجة الوسيطة المسؤولة عن إعادة بناء الأحداث، وضغط البيانات، واستخراج الميزات، وحلقة التحليل الخلفية المسؤولة عن التصنيف، والملاءمة، وتسريع المحاكاة، والاستدلال النموذجي، وحلقة تشغيل المنشآت المسؤولة عن ضبط الحزمة، وتشخيص المعدات، وتحسين سير العمل التجريبي. يدور مسار التقنية بأكمله حول التعاون بين البيانات، والنماذج، وأنظمة التحكم، والمنشآت العلمية الكبرى.