Mới đây, các nhà khoa học Mỹ đã công bố một trong những yếu tố làm cho máy gia tốc hạt tại Cơ sở Gia tốc quốc gia Thomas Jefferson của Bộ Năng lượng Hoa Kỳ trở nên đặc biệt là khả năng cung cấp các dòng electron liên tục. Hiệu suất và độ ổn định của máy gia tốc đóng vai trò quan trọng đối với các thí nghiệm mang tính đột phá của các nhà vật lý hạt nhân trên khắp thế giới, nhằm thăm dò các khối nhỏ nhất của vật chất. Nhưng khi có bất thường phát sinh, chúng có thể khiến các chùm electron liên tục tự động tắt, như cầu dao điện.
Hiện nay, các nhà khoa học sử dụng các kỹ thuật tính toán tiên tiến để giúp xác định sớm những bất thường và thậm chí có thể là trước khi chùm tia tắt. Mục tiêu cuối cùng là chùm tia có nhiều thời gian tồn tại hơn cho các thí nghiệm và giảm thời gian cần quan sát hơn. Một trong những nguyên nhân lớn nhất dẫn đến thời gian bị ngừng này là các vấn đề có thể phát sinh do công nghệ cung cấp năng lượng cho máy gia tốc: các khoang tần số vô tuyến siêu dẫn (SRF). Các khoang SRF đẩy chùm electron mạnh có thể khám phá các vấn đề bên trong của hạt nhân. Và nhờ có hơn 400 khoang SRF, Cơ sở gia tốc chùm electron liên tục (CEBAF) của phòng thí nghiệm Thomas Jefferson vận hành cực kỳ hiệu quả. Tuy nhiên, công nghệ này có khả năng gặp phải các vấn đề hạn chế hiệu quả đó.
Các nhà khoa học của Phòng thí nghiệm Jefferson đã hoàn thành ba dự án nghiên cứu chứng minh những cách thức mà trí tuệ nhân tạo (AI) và máy thuật toán (ML) có thể được sử dụng để làm cho các máy gia tốc hạt SRF hiệu quả hơn. Dự án đầu tiên tiếp tục hướng nghiên cứu sử dụng ML để xác định các bất thường SRF theo thời gian thực. Dự án khác tập trung vào khả năng dự đoán các bất thường. Và dự án cuối cùng nhằm mục đích giảm mức độ tác động có hại của bức xạ có thể phát triển bên trong quá trình hoạt động.
Các nhà khoa học tập trung khám phá các ứng dụng của trí tuệ nhân tạo cho CEBAF. Nhìn chung, nghiên cứu mở ra con đường hướng tới máy gia tốc ổn định và hiệu quả hơn, đảm bảo Phòng thí nghiệm Jefferson có thể tối đa hóa sản lượng khoa học và duy trì vị thế dẫn đầu trong nghiên cứu vật lý hạt nhân. Các dự án này dựa trên công trình khoa học tại Phòng thí nghiệm Jefferson bắt đầu vào năm 2018 để khám phá cách các kỹ thuật ML có thể giúp phân loại dữ liệu. Công trình thành công đến mức nhóm đã phát triển một đề xuất không chỉ để phân loại lỗi sau khi chúng xảy ra mà còn có thể dự đoán được trước. Tennant, Dennis Turner, Riad Suleiman và Adam Carpenter đã củng cố đề xuất đó qua hai khái niệm nghiên cứu phù hợp với mục tiêu rộng là tối ưu hóa hoạt động SRF thông qua AI.
CEBAF, cơ sở của Văn phòng Khoa học DOE, ứng dụng công nghệ SRF quy mô lớn đầu tiên trên thế giới. Cơ sở này sử dụng một cặp máy gia tốc SRF, hay còn gọi là máy gia tốc tuyến tính, được cấu hình giống như một đường đua ngầm, để truyền chùm electron phân cực năng lượng cao. Chùm tia này bắn với tốc độ gần bằng tốc độ ánh sáng qua các mô-đun siêu lạnh, mỗi mô-đun chứa tám khoang SRF để bắn vào mục tiêu đã chọn trong. Các nhà khoa học tìm hiểu thêm về cấu trúc của hạt nhân bằng cách nghiên cứu các hạt cơ bản từ các vụ va chạm.
Duy trì sự ổn định trong các khoang SRF là thách thức đối với các nhà khoa học. Ngay cả khi sự bất ổn không khiến chùm tia bị ngắt, nó vẫn có thể gây ra những tác động tiêu cực khác trên các máy gia tốc tuyến tính. Hành vi thất thường của chúng có thể làm gián đoạn hoạt động của máy gia tốc, làm giảm thời gian chùm tia và ảnh hưởng đến chất lượng kết quả nghiên cứu. Những sự kiện như vậy chiếm khoảng 15% thời gian và gây ra sự chậm trễ trong các hoạt động nghiên cứu và thu thập dữ liệu. Một khoang không ổn định có thể truyền dẫn nhiều lần mỗi giờ cho đến khi đạt kết quả. Chuyên môn của Ferguson nằm ở việc sử dụng các mô hình học máy để phát hiện các bất thường trong hệ thống an ninh mạng. Đối với dự án này, ông đã phát triển các kỹ thuật ML để tập trung vào việc phát hiện các bất ổn và hành vi bất thường.
Là một phần của công trình nghiên cứu, các nhà khoa học đã phát triển hệ thống thu thập dữ liệu tần số cao nhanh, lấy mẫu hành vi khoang ở tần số 5 kHz hoặc 5.000 lần mỗi giây, nhanh hơn đáng kể so với tốc độ lấy mẫu 1 Hz truyền thống là một lần mỗi giây. Điều này cho phép họ nắm bắt các sự kiện tồn tại thời gian siêu ngắn và các bất thường nhỏ theo thời gian thực. Sau đó, họ áp dụng phân tích thành phần chính, kỹ thuật ML không giám sát, để phân tích dữ liệu và giúp xác định các hành vi bất thường bằng cách tìm hiểu các mô hình hoạt động bình thường của khoang. Sau đó, bằng cách liên tục so sánh dữ liệu mới với đường cơ sở đó, hệ thống có thể xác định khi nào khoang hoạt động bình thường.
Khả năng dự đoán lỗi khoang cung cấp cơ can thiệp và đưa ra các chiến lược nhằm ngăn chặn thời gian ngừng hoạt động của chùm tia ngay từ đầu. Việc dự đoán lỗi thành công là rất khó. Nó liên quan đến phân tích tín hiệu từ mỗi khoang SRF để phân biệt giữa hoạt động bình thường và lỗi. Các đặc điểm của lỗi trước có thể khác nhau giữa các khoang, vì vậy mỗi khoang được giám sát phải có mô hình riêng. Trong khi một số lỗi phát triển dần dần, một số lỗi khác đột nhiên xuất hiện mà không có dấu hiệu cảnh báo rõ ràng, vì vậy nhóm phải tập trung vào việc dự đoán lỗi phát triển chậm. Vì dự đoán lỗi nhầm có thể gây ra các can thiệp không cần thiết, nên điều quan trọng là phải cân bằng đúng mức giữa lỗi trước và lỗi sau.
Dự án được triển khai bao gồm thu thập và quản lý các tập dữ liệu lớn về tín hiệu bình thường và trước lỗi, xử lý trước dữ liệu và tạo một mô hình để phân biệt giữa các điều kiện ổn định và trước lỗi. Tennant chỉ ra rằng hệ thống hiện không thể triển khai tại CEBAF do những hạn chế cơ bản về phần cứng. Ví dụ, các khoang SRF không được thiết kế để cung cấp loại dữ liệu phát trực tuyến thời gian thực cần thiết để sử dụng hệ thống trong quá trình vận hành. Thay vào đó, nhóm đã sử dụng dữ liệu từ hai giai đoạn khác nhau của CEBAF đang chạy để tạo ra một tập dữ liệu riêng biệt nhằm mô phỏng những gì mô hình sẽ thấy nếu được triển khai tại CEBAF. Kết quả là Mô hình dự đoán lỗi có thể dự đoán chính xác 80% các lỗi SRF phát triển chậm trong khi vẫn duy trì độ chính xác 99,99% trong việc xác định các điều kiện vận hành bình thường. Điều này xác thực khả năng phân biệt giữa các điều kiện bình thường và lỗi của mô hình trong một tập dữ liệu mất cân bằng cao, chứng minh tiềm năng triển khai theo thời gian thực của mô hình.
Một yếu tố hạn chế chính trong hoạt động của các khoang SRF là phát xạ trường. Phát xạ trường bao gồm các electron bên trong máy gia tốc nhưng không phải là một phần của chùm electron được kiểm soát. Các electron tự do này có thể kích hoạt bức xạ bất lợi bên trong máy, có thể gây nhiễu chùm electron, làm hỏng các thành phần hoặc cơ sở hạ tầng của máy gia tốc hạt hoặc tạo ra các điểm nóng tiếp tục phát ra bức xạ. Ví dụ, sự kích hoạt từ bức xạ neutron do các electron phát xạ trường tạo ra có thể gây nguy hiểm trong nhiều ngày, nhiều tuần hoặc nhiều tháng sau khi hoạt động SRF đã dừng lại. Một nguồn phát xạ trường chính là các electron có nguồn gốc từ các thành khoang SRF. Khi CEBAF đang chạy, người vận hành sẽ kiểm soát lượng điện áp được cung cấp cho mỗi khoang để tăng tốc chùm tia. Các electron phát xạ trường có thể bắt nguồn từ một khoang khi điện áp của khoang tăng quá cao. Điện áp kích hoạt phát xạ trường trong khoang thay đổi tùy theo lịch sử và đặc điểm riêng của khoang.
Hiện tại, vận hành phát xạ trường bằng cách điều chỉnh thủ công điện áp khoang trên tất cả 416 khoang trong CEBAF và theo dõi mức độ bức xạ. Sau khi xác định được khoang nào đang gây ra bức xạ, người vận hành sẽ hạ điện áp trong khoang gây ra bức xạ và tăng điện áp trên các khoang khác để bù đắp cho lượng năng lượng bị mất. Điều này tiếp tục trong suốt quá trình chạy máy gia tốc, vì phát xạ trường có thể bất ngờ xuất hiện bất cứ lúc nào.
Các nhà khoa học đã giải quyết vấn đề bằng cách thiết lập các mức điện áp khác nhau trên máy gia tốc tuyến tính và đo phản ứng bức xạ. Sau đó, tạo một bộ sưu tập các mô hình thay thế ML cho từng máy dò bức xạ và sử dụng thuật toán tối ưu hóa ngoại tuyến để xác định các thiết lập điện áp nhằm giảm bức xạ trong khi vẫn cung cấp cho người thử nghiệm chùm tia họ cần. Sau đó, các thiết lập này được đưa vào hoạt động trên máy gia tốc tuyến tính. Hệ thống này có thể giảm bức xạ tới 45% so với mức CEBAF đang hoạt động, bằng chứng cho thấy các công cụ AI đã được thiết lập tốt có thể được khai thác để mô hình hóa và giảm thiểu phát xạ trường mà không cần can thiệp thủ công liên tục.
Từ khóa: máy gia tốc;
– CMD –
