Коллайдер, который строится в Брукгейвенской национальной лаборатории в Нью-Йорке, является первым в своем роде — первым ускорителем частиц, где искусственный интеллект и машинное обучение интегрированы как в систему ускорения, так и в детекторные системы еще с самого начала.
Это совместный проект Brookhaven и Thomas Jefferson National Accelerator Facility Министерства энергетики США, в котором участвуют более 300 научных учреждений по всему миру. Коллайдер Electron-Ion Collider стоимостью $2,8 млрд будет опираться на машинное обучения для стабилизации пучков, оптимизации дизайна детекторов и обработки массивных потоков данных столкновений в режиме реального времени.
Пятьсот тысяч раз в секунду Electron-Ion Collider (EIC) будет фиксировать столкновения. При такой скорости машинное обучение будет сортировать, фильтровать и реконструировать происходящее внутри детектора. Именно это требование сформировало всю архитектуру установки. Стоимость проекта составляет от $1,7 до $2,8 млрд. Начало работы запланировано на середину 2030-х годов.
Обучение ускорителя самонастройке
Более ранние установки физики частиц, включая самый Brookhaven’s Relativistic Heavy Ion Collider, который был выведен из эксплуатации в феврале 2026 года, начали использовать инструменты ИИ только спустя годы после строительства. Для EIC же многоустановочная группа под названием EIC-BeamAI разрабатывает системы машинного обучения, используя реальное оборудование ускорителя в Brookhaven.
Задача сложная: стабилизация ускорителя частиц означает управление десятками тысяч параметров одновременно в двух пучках, движущихся в противоположных направлениях по кольцу длиной 2,4 мили почти со скоростью света.
«Очень сложно для человека постоянно отслеживать все эти настройки и характеристики пучка», — сказал Георг Гоффштеттер де Торкуат, профессор Корнельского университета с совместной должностью в Brookhaven.
BeamAI уже доказала концепцию. В предускорителях RHIC алгоритмы машинного обучения достигли качества пучка, которое обычно обеспечивают опытные операторы-люди.
«С машинным обучением мы фактически пишем компьютерный надзор — система мониторит условия и автоматически корректирует управление», — добавил Гоффштеттер де Торкуат.
Система также создает цифрового двойника ускорителя — виртуальную модель в реальном времени, которая позволяет тестировать изменения без влияния на реальную установку. Этот же двойник может обнаруживать аномальное поведение магнитов достаточно рано, чтобы инициировать контролируемое отключение до того, как произойдет повреждение.
Пересмотр дизайна детекторов
Создание детектора частиц требует выполнения огромного количества симуляций еще до изготовления первого компонента: проверки геометрии, материалов и конфигураций во множестве сценариев столкновений. Проект под эгидой DOE под названием AID2E, который объединяет Brookhaven, Catholic University of America, Duke University, Jefferson Lab и William & Mary, применяет машинное обучение для этого процесса.
СпецпроектыGoogle Cloud Next ’26: Як AI-агенти змінюють бізнесHighload: як команда готується до пікових подій. Найкращі практики від SharksCode
Алгоритмы, обученные прогнозировать, как изменения конструкции влияют на идентификацию частиц, позволяют исследователям перебирать значительно больше конфигураций, чем традиционные симуляционные методы, при более низких вычислительных затратах и меньшем потреблении энергии.
Проблема данных
Когда EIC начнет работу, его детектор — установка размером со здание под названием ePIC — будет генерировать до 100 гигабит данных в секунду. ИИ-системы в режиме реального времени будут сортировать этот поток, отделяя сигнал от шума во время самих столкновений.
«Модели глубокого обучения затем будут реконструировать события: превращая слабые следы частиц в измеряемые параметры энергии и импульса», — говорят разработчики.
Связанный проект Brookhaven, опубликованный в журнале Patterns, продемонстрировал алгоритм, способный сжимать данные столкновений в масштабе без потери детализации, необходимой для физического анализа — система была создана и протестирована на оборудовании RHIC.
«Цель состоит в том, чтобы обеспечить готовность EIC с AI-системами, которые ускорят путь к открытиям, когда он начнет работу в середине 2030-х годов», — сказал Абхай Дешпанде, заместитель директора лаборатории по физике ядерных и частиц и научный директор EIC.
Кроме ИИ-инфраструктуры, ключевая научная цель Electron-Ion Collider заключается в исследовании протонов и нейтронов на принципиально новом уровне детализации. В частности, физики планируют изучать распределение глюонов и кварков в ядре, а также явления вроде насыщения глюонной плотности (так называемое состояние «color glass condensate»), которое может объяснить поведение сильного взаимодействия в экстремальных условиях. EIC также будет использовать поляризованные пучки электронов и ионов, что позволит впервые точно измерить, как именно внутренние составляющие протона формируют его спин — одну из главных нерешенных задач современной физики частиц.
Алхимия в действии: Большой адронный коллайдер превращает свинец в золото
Источник: Interesting Engineering
