Kako tehnologija akceleratora čestica prelazi u eru visokog sjaja, potreba za ekstremnom preciznošću i energijom sudara bez presedana raste. Imajući u vidu i želju Laboratorije da smanji potrošnju energije i troškove, dizajn i rad CERN-ovih akceleratora moraju se stalno usavršavati kako bi bili što efikasniji.
Da bi se ovo rešilo, osnovan je projekat Efficient Particle Accelerators (EPA)—tim ljudi iz različitih akceleratorskih, opreme i kontrolnih grupa širom CERN-a koji zajedno rade na poboljšanju efikasnosti akceleratora.
Nakon radionice 2022. osnovan je think-tank za planiranje nadogradnje za LHC visokog sjaja (HL-LHC), i došao je sa sedam preporuka o efikasnosti na kojima bi EPA trebalo da radi.
„Ideja je bila da se efikasnost sagleda u najširem smislu“, kaže Aleks Hušauer, glavni inženjer CERN PS i član EPA. „Želeli smo okvir koji bi se mogao primeniti na svaku mašinu u kompleksu akceleratora.
Da bi to uradio, tim je kreirao devet radnih paketa o efikasnosti koji će biti raspoređeni tokom godina koje su prethodile početku HL-LHC serije.
„Iz naših diskusija u istraživačkom centru za efikasnost proizašlo je da je automatizacija put napred“, kaže vođa projekta EPA, Verena Kain. „To znači korišćenje automatizacije i na konvencionalni način i korišćenje veštačke inteligencije i mašinskog učenja.“
Na primer, AI može pomoći fizičarima u borbi protiv histereze magneta akceleratora. Ovo se dešava kada se polje magneta akceleratora kojim dominira gvožđe ne može opisati jednostavnim mapiranjem struje u elektromagnetu u polje.
Ako se ovo ne uzme u obzir, to može dovesti do nedoslednih programiranih polja i štetnih efekata na kvalitet zraka, kao što je smanjenje stabilnosti i preciznosti putanje zraka. Danas se ove greške u polju ručno podešavaju da isprave polje, proces koji zahteva i vreme i energiju.
„Histereza se dešava zato što stvarno magnetno polje nije definisano samo strujom u napajanju, već i istorijom magneta“, kaže Kain. „Ono što je teško je to što ne možemo to da modelujemo analitički – ne možemo tačno da utvrdimo koja je struja potrebna da se stvori ispravno polje za snop u magnetu akceleratora – barem ne sa potrebnom preciznošću. Ali AI može da uči od istorijske podatke magneta i razraditi precizan model“.
Tim je uradio početne testove koristeći magnete u SPS-u i nada se da će u narednim godinama obučiti AI na svim CERN-ovim ubrzavajućim magnetima.
Dok eksperimenti širom CERN-ovog akceleratorskog kompleksa već koriste automatizaciju, veštačku inteligenciju i mašinsko učenje kako bi pomogli u prikupljanju podataka, do sada se veći deo kontrole zraka i akceleratora obavljao ručno.
„Većina mašina niže energije, poput PS-a, izgrađena je u eri kada automatizacija kakvu danas poznajemo jednostavno nije bila moguća“, nastavlja Kain. Još jedna oblast u kojoj automatizacija može da promeni efikasnost je planiranje.
„Različiti snopovi u akceleratorskom kompleksu proizvode se jedan za drugim i to mora biti orkestrirano tako da se snop može izvući iz jedne mašine i ubrizgati u sledeću u pravom trenutku“, kaže ona. „Ponekad moramo da promenimo raspored između 20 i 40 puta dnevno, a svaki put to može da potraje oko 5 minuta. Taj zadatak, koji se trenutno obavlja ručno, čini veliki deo posla ljudi u kontrolnom centru.“
Automatizacijom ovog procesa, operateri kontrolnog centra će moći da provedu više vremena radeći na gredama nego na planiranju.
Ostale oblasti fokusa za EPA su automatizovano punjenje LHC-a, autopiloti, automatski oporavak i prevencija kvarova, automatsko testiranje i sekvenciranje, automatska kontrola parametara i optimizacija. Tim se nada da će nastaviti svoje istraživanje u narednih pet godina, koristeći LHC Run 3 i Long Shutdovn 3 za sprovođenje testova.
„Zahvaljujući projektu EPA, po prvi put ćemo koristiti veštačku inteligenciju i automatizaciju za akceleratore u velikim razmerama“, nastavlja Hušauer. „Ako možemo da proizvodimo grede boljeg kvaliteta, moći ćemo da pokrećemo kompleks za kraće vreme, stvarajući bolje fizičke podatke i smanjujući ukupnu potrošnju energije.“
