详细内容或原文请订阅后点击阅览
科学家正在开发用于改善粒子加速器操作的机器学习工具
成为美国能源部托马斯·杰斐逊国家加速器设施的主要粒子加速器的一件事是，它是第一个提供连续电子流的线性加速器。如今，加速器的效率和稳定性对于世界各地的核物理学家的开创性实验至关重要，以探测物质的最小构建基础。
来源:英国物理学家网首页成为美国能源部托马斯·杰斐逊国家加速器设施的主要粒子加速器的一件事是，它是第一个提供连续电子流的线性加速器。如今，加速器的效率和稳定性对于世界各地的核物理学家的开创性实验至关重要，以探测物质的最小构建基础。
但是，当加速器中出现异常时，它们会导致这些连续的电子梁自动关闭，就像翻转断路器一样。当预定的实验时间（称为Beamtime）的每一刻都是宝贵的，这是一个昂贵的后果。
加速器现在，科学家正在使用高级计算技术来帮助早日识别这些异常，甚至可能在光束关闭之前。最终目标是进行实验的更多束缚时间，而花费更少的时间来追踪问题。
这次停机时间的最大贡献者之一是为加速器提供动力的基础技术可能引起的问题：超导射频（SRF）腔。 SRF腔推动用于揭示核内部世界的强大电子束。
，由于其400多个SRF腔，该实验室的连续电子束加速器设施（CEBAF）非常有效。但是，该技术确实有可能遇到可能限制该效率的独特问题。
杰斐逊实验室的科学家们已经结束了三个研究项目，这些研究项目展示了人工智能（AI）和机器学习（ML）可用于使SRF粒子加速器更加有效的方法。
腔