首個以人工智能為核心的電子離子對撞機在美國建設中

電子-離子對撞機（EIC）每秒將記錄五十萬次碰撞。以這樣的速度，機器學習將對發生在探測器內的事件進行排序、過濾和重建。這一需求影響了整個設施的設計。位於紐約布魯克海文國家實驗室的這台對撞機是同類中首個從一開始就將人工智能和機器學習整合到加速器和探測系統中的粒子對撞機。這是布魯克海文與美國能源部的湯瑪斯·傑斐遜國家加速器設施之間的聯合項目，全球有超過三百個機構參與合作。

預算介於 17 億至 28 億美元之間，預計於 2030 年代中期開始運行。

教導加速器自我調整

電子-離子對撞機將於 2030 年代中期開始運行

早期的粒子物理設施，包括布魯克海文自身的相對論重離子對撞機（RHIC），在建設多年後才引入人工智能工具。對於 EIC，一個名為 EIC-BeamAI 的多機構團隊正在利用布魯克海文的現場加速器硬件開發機器學習系統。這一挑戰相當艱巨：保持粒子加速器的穩定意味著需要同時管理數萬個參數，並在一個長達 2.4 英里的環形路徑中以接近光速的速度運行兩束粒子。康奈爾大學教授兼布魯克海文共同任職的 Georg Hoffstaetter de Torquat 表示：「一個人難以始終保持對所有這些設置和束特性的掌控。

利用機器學習，我們所編寫的基本上是計算機監控——系統監測條件並自動調整控制。」

BeamAI 已經證明瞭這一概念。在 RHIC 的預加速器中，機器學習算法達到了專業人員通常能夠實現的束質量。該系統還生成了一個加速器的數位雙胞胎，即一個實時虛擬模型，使研究人員可以在不觸碰現場設備的情況下測試變更。該雙胞胎還能及早捕捉到異常的磁場行為，並在任何損壞發生之前觸發受控關閉。

重新思考探測器設計

機器學習將改變粒子探測器的設計過程

建造粒子探測器意味著在製造任何組件之前需進行大量模擬：測試幾何形狀、材料和配置以應對無數碰撞情境。一個名為 AID2E 的美國能源部支持項目，涵蓋布魯克海文、喬治城大學、杜克大學、傑佛遜實驗室和威廉與瑪麗學院，正將機器學習應用於該過程中。經過訓練的算法預測設計變更如何影響粒子識別，讓研究人員能夠在更低的計算成本和能耗下探索更多配置。

數據問題

當 EIC 上線時，其探測器——一個名為 ePIC 的房屋大小儀器，將每秒產生高達 100 吉位的數據。基於人工智能的系統將實時排序這股數據流，在碰撞發生時分離信號與噪聲。深度學習模型隨後將重建每次事件發生的情況：將粒子在探測器內留下的微弱痕跡轉化為可用的能量和動量測量。布魯克海文的一個相關項目在期刊《Patterns》中發表，展示了一種能在不損失物理分析所需細節的情況下，對碰撞數據進行大規模壓縮的算法，該算法在 RHIC 硬件上構建和測試。

「我們的目標是確保 EIC 配備人工智能驅動的系統，當其於 2030 年代中期啟用時，能加速發現的進程。」布魯克海文核子與粒子物理副實驗室主任及 EIC 科學主任 Abhay Deshpande 表示。