Select Language

AI社区

数据要素产业

人工智能模型不用数据,用物理知识,优化粒子加速器性能

原名“斯坦福直线加速器中心”的SLAC国家加速器实验室(SLAC National Accelerator Laboratory)位于美国加州旧金山湾区的门洛帕克,是美国能源部下属的国家实验室,由斯坦福大学负责运行管理,成立于1962年。

加速器是强大的机器,可为电子束或其他粒子束提供能量,用于广泛的应用,包括癌症放射治疗、基础物理实验、分子成像,可是,大型粒子加速器的调控非常难。

能源部 SLAC 国家加速器实验室的研究人员已经证明,他们可以使用机器学习来优化粒子加速器的性能,方法奇思妙想是:给算法“教”加速器操作背后的基本物理原理无需先验数据。

先验数据是,先前加速器操作的数据、对加速器性能做出计算机模拟。这部分,不是不要了,会有别的用武之地。

“用到的数据”是用物理公式生成的,并不是真的不要数据。

准确地说,是不要“先验数据”。

也许有人觉得给猫主子,教高等数学已经够荒谬了。这个报道看上去像是瞎编的。没听错。新研究表明,如果对描述加速器工作原理的物理知识足够了解,则实际上不需要先前的数据。

看来是,名师出高徒。物理知识教得好,“人工智能模型”不怕学不会。

研究人员必须首先使用,或两者都机器学习算法训练。然而,实验发现,将物理模型中的信息与可用的实验数据相结合,可以大大减少所需的新数据量。

让已经学习了一些加速器物理基础知识的 AI 提高研究者的效率,实在是大快人心。