Key points are not available for this paper at this time.
برز التعلم الآلي كحل قوي للتحديات الحديثة في فيزياء المسرعات. ومع ذلك، فإن التوافر المحدود لوقت الشعاع، والتكلفة الحاسوبية للمحاكاة، والبعد العالي لمشكلات التحسين تمثل تحديات كبيرة في توليد البيانات المطلوبة لتدريب نماذج التعلم الآلي المتطورة. في هذا العمل، نقدم heetah، وهو رمز ديناميات شعاعية خطية عالية السرعة وقابلة للاشتقاق يعتمد على يورك. يمكّن heetah من جمع مجموعات بيانات كبيرة بسرعة من خلال تقليل أوقات الحساب بمقادير متعددة ويُسهّل تحسينًا يعتمد على التدرج لتوليف المسرعات وتحديد الأنظمة. هذا يضع heetah كأداة سهلة الاستخدام وقابلة للتوسيع تندمج بسلاسة مع أدوات التعلم الآلي المعتمدة على نطاق واسع. نحن نعرض فائدة heetah من خلال five أمثلة، بما في ذلك تدريب التعلم المعزز، وتوليف خط الشعاع القائم على التدرج، وتحديد النظام القائم على التدرج، والافتراضات المعلومة فيزيائيًا من تحسين بايزي، ونمذجة الشبكات العصبية التكافلية لمؤثرات الشحن الفراغي. سيساعد استخدام رمز محاكاة سريع وقابل للاشتقاق في تبسيط تطوير الطرق المعتمدة على التعلم الآلي لمسرعات الجسيمات وتسريع دمجها في العمليات اليومية لمنشآت المسرعات. نُشر بواسطة الجمعية الفيزيائية الأمريكية 2024.
درس كايسر وآخرون (الثلاثاء) هذا السؤال.