نگه‌داشتن شتاب‌دهنده‌های ذرات پرقدرت در بالاترین سطح عملکرد، نیازمند سیستم‌های کنترلی فوق‌پیشرفته و دقیق است. یکی از مهم‌ترین این تجهیزات، شتاب‌دهنده CEBAF در Thomas Jefferson National Accelerator Facility است؛ مرکزی وابسته به وزارت انرژی آمریکا که بیش از ۱۶۵۰ فیزیکدان هسته‌ای از سراسر جهان از آن استفاده می‌کنند. این تأسیسات نخستین نمونه بزرگ‌مقیاس بهره‌برداری از فناوری ابررسانای فرکانس رادیویی (SRF) در جهان محسوب می‌شود.

در این سامانه، الکترون‌ها تا ۹۹.۹۹۹ درصد سرعت نور شتاب می‌گیرند. این افزایش سرعت از طریق امواج رادیوفرکانسی در ساختارهایی به نام «حفره‌های تشدیدی» (Cavities) انجام می‌شود. این حفره‌ها از نایوبیوم فوق‌خالص ساخته شده‌اند و در دمای حدود ۲ کلوین (نزدیک به صفر مطلق) به حالت ابررسانا می‌رسند. شرایط فوق‌سرد باعث می‌شود مقاومت الکتریکی تقریباً به صفر برسد و انتقال انرژی با بیشترین بازده انجام شود.

چالش اصلی: وقوع System Trip

با وجود طراحی پیشرفته، کوچک‌ترین تغییر در ویژگی‌های حرارتی حفره‌ها می‌تواند منجر به افزایش بار گرمایی و از دست رفتن حالت ابررسانایی شود. در این شرایط، سیستم به‌طور خودکار برای محافظت از خود خاموش می‌شود؛ رخدادی که به آن System Trip گفته می‌شود. این اختلال‌ها موجب توقف آزمایش‌ها و ایجاد تأخیرهای پرهزینه در تحقیقات علمی می‌شوند. از آنجا که CEBAF شامل ۴۱۸ حفره ابررسانا است و هرکدام رفتار حرارتی منحصربه‌فردی دارند، مدل‌سازی کل سامانه به‌صورت یکپارچه کار بسیار دشواری است. برای حل این مشکل، تیمی از دانشمندان داده و متخصصان شتاب‌دهنده در آزمایشگاه جفرسون، با همکاری دانشگاه‌ها و آزمایشگاه‌های ملی، از هوش مصنوعی و به‌ویژه یادگیری ماشین برای شبیه‌سازی رفتار سیستم استفاده کردند.

یادگیری تقویتی عمیق؛ سلاح مخفی کنترل هوشمند

محققان تمرکز خود را بر تکنیکی به نام یادگیری تقویتی (Reinforcement Learning) گذاشتند؛ روشی که مشابه آموزش بازی شطرنج به یک عامل هوشمند است. در این روش، به‌جای ارائه داده‌های آماده، قوانین سیستم در اختیار الگوریتم قرار می‌گیرد و مدل با تکرار میلیون‌ها بار تعامل، بهترین تصمیم‌ها را می‌آموزد. نسخه پیشرفته‌تری به نام یادگیری تقویتی عمیق تفاضلی (DDRL) نیز در این پروژه به‌کار گرفته شد. مزیت کلیدی DDRL قابلیت «تفاضل‌پذیری» است که امکان بازانتشار خطا و بهینه‌سازی سریع شبکه عصبی را فراهم می‌کند. پژوهشگران اعلام کردند این روش نسبت به سایر الگوریتم‌ها عملکرد بهتری داشته و توانسته یک فضای تقریباً ۲۰۰ بُعدی از حفره‌های SRF را به‌صورت دقیق مدل‌سازی کند.

ترکیب فیزیک و هوش مصنوعی قابل توضیح

یکی از نوآوری‌های مهم این پروژه، استفاده از هوش مصنوعی قابل توضیح (Explainable AI) بود. معمولاً شبکه‌های عصبی به‌عنوان «جعبه سیاه» شناخته می‌شوند، اما در این پژوهش، مدل‌های یادگیری ماشین با معادلات فیزیکی شناخته‌شده سیستم محدود شدند. این رویکرد باعث شد خروجی مدل شفاف‌تر و قابل اعتمادتر شود. محققان با تحلیل رابطه بین تولید گرما و احتمال بروز اختلال، نموداری موسوم به «جبهه پارتو (Pareto Front)» ترسیم کردند تا تعادل بهینه میان این دو عامل را بیابند. نتیجه نشان داد ترکیب محدودیت‌های فیزیکی با الگوریتم‌های RL، امکان پیش‌بینی رفتار سیستم و جلوگیری از اختلال‌های ناگهانی را فراهم می‌کند.

آینده کنترل شتاب‌دهنده‌ها با هوش مصنوعی

نتایج این مطالعات که در نشریه Machine Learning: Science and Technology منتشر شده، نشان می‌دهد «تفاضل‌پذیری» کلید حل مسائل پیچیده و با ابعاد بالا در سامانه‌های فیزیکی پیشرفته است. این فناوری می‌تواند به اپراتورهای CEBAF کمک کند پیش از وقوع System Trip، شرایط بحرانی را شناسایی کرده و تنظیمات لازم را انجام دهند. به‌کارگیری هوش مصنوعی در فیزیک ذرات نه‌تنها بهره‌وری تجهیزات عظیم علمی را افزایش می‌دهد، بلکه نمونه‌ای موفق از همگرایی علوم داده و فیزیک پیشرفته محسوب می‌شود؛ مسیری که آینده تحقیقات علمی را هوشمندتر و پایدارتر خواهد کرد.

منبع خبر: phys