自动化太空望远镜正在激发新一代粒子加速器的诞生，这些设备主要由人工智能操作。欧洲核子研究中心的维雷娜·凯恩（Verena Kain）强调了机器学习已经在使大型强子对撞机（LHC）更高效地运作的四个方面。

詹姆斯·韦伯太空望远镜和大型强子对撞机 受詹姆斯·韦伯太空望远镜（顶部）等难以企及的仪器启发，欧洲核子研究中心正致力于未来对撞机的自动化研发。大型强子对撞机（上图）在加速链的多个环节已取得令人瞩目的初步进展。图片来源：NASA-GSFC

粒子加速器堪称“难以驾驭的机器”，其运行状态往往难以预测。要维持设备性能，必须依靠专业知识、专业技能和丰富经验。非线性效应与共振现象总让工程师和物理学家夜不能寐。面对需要协调和微调的众多变量，即便是经验最丰富的专家，在面对未来的对撞机时也会感到力不从心。人工智能（AI）能否成为破局关键？

提出的解决方案从太空望远镜中汲取灵感。自1990年搭载少量自动化设备的哈勃太空望远镜发射以来，这两个领域就一直在竞相创新。2000年代期间，多项太空任务测试了人工智能在故障检测和机载决策中的应用，随后大型强子对撞机（LHC）在2010年代通过将机器学习（ML）融入触发决策流程，为对撞机技术迈出了重要一步。最近，2021年发射的詹姆斯·韦伯太空望远镜采用了由AI驱动的自主控制系统，实现了镜面校准、热平衡调节以及科学观测调度的自动化操作，地面干预大幅减少。我自2023年领导的欧洲核子研究中心（CERN）高效粒子加速器项目，目前正在其加速器综合体中大规模推广人工智能应用（参见“动态自适应”示意图）。

人工智能驱动的自动化技术在未来将愈发不可或缺。未来的加速器不仅规模和复杂度将突破历史极限，还需应对风能、太阳能等间歇性能源供应波动等全新挑战，这要求设备必须具备高度自适应性和动态调节能力。这种技术革新将带来复杂程度与规模的双重飞跃。新型设备集成范式将实现加速器运行、设备维护、故障分析与修复的全流程自动化。所有设备都需实现全数字化转型，具备自动配置、自动稳定、自动分析和自动恢复功能。如同无人驾驶汽车，必须同步完善仪器系统与软件架构，确保设备运行安全高效。

对大型强子对撞机的现场人工干预可以被视为最后的手段，或者可能被完全排除在外

最后一个需要考虑的是完全虚拟化。虽然太空望远镜一旦部署就难以访问，但像未来环形对撞机（FCC）这样的机器也会面临类似的挑战。鉴于其规模和组件数量，现场人工干预应被视为最后手段，或者干脆完全设计排除。这需要一种新方法：设备必须从一开始就设计为自主运行，具备内置余量、高可靠性、模块化设计和冗余性。机器人检测、自动化恢复系统和数字孪生等新兴技术将在实现这一目标中发挥核心作用。数字孪生：即加速器的实时数据驱动虚拟复制品，可用于训练和约束控制算法、安全测试场景并支持预测性诊断。结合可微分模拟和分层仪器，这些工具不仅能使自主操作成为可能，还能实现最优状态。

这个领域发展势头迅猛。最新突破让我们能够重新思考人类与复杂机器的互动方式，不再局限于调整硬件参数，而是通过更高层次的意图表达。生成式预训练转换器作为大型语言模型的代表，为用概念而非分步指令来指导机器打开了新大门。尽管需要进一步研发具备坚固性的AI副驾驶系统，但定制化机器学习模型已作为标准工具，在欧洲核子研究中心的加速器网络中广泛应用于参数优化、虚拟诊断和异常检测等领域。

人工智能的应用形式多种多样。它能通过墙上电流监测器的信号重建大型强子对撞机的束流轮廓，分析摄像机图像以识别安全移除束流的“束流吸收器”中的异常情况，甚至还能检测出故障的束流位置监测器。在下文中，我将介绍已在欧洲核子研究中心加速器系统中成功部署的四种不同类型的AI技术。这些技术仅仅是开启全新运营模式的开端，标志着欧洲核子研究中心加速器运行方式的全面革新。

1.利用强化学习进行波束转向

2020年，LINAC4成为大型强子对撞机现代化质子加速器链中的第一个新环节，并迅速成为粒子加速器中人工智能辅助控制的早期成功案例。

粒子束在真空腔内的微小路径偏差可能引发重大影响，包括束流损失、设备损坏或束流质量下降。为确保稳定性和效率，粒子束必须精确居中于束管内。但其运动轨迹对磁铁强度、温度、射频相位乃至地面振动的细微变化都极为敏感。更棘手的是，误差往往会在加速器中逐级累积，使问题雪上加霜。束流位置监测器（BPM）通过离散点进行测量，这些数据通常存在噪声干扰，而转向校正则通过小型偶极校正磁铁实现，通常采用基于模型的校正算法。

束流转向 一项开创性的2019年实验运用强化学习技术，成功将直线加速器4（LINAC4）中H型束流水平轨迹的均方根误差（RMS）从初始未校准值（绿色曲线）大幅降低。随着训练进程推进（横轴），算法仅需三步或更少迭代即可确定校正器参数设置，最终实现的RMS误差（蓝色曲线）优于1毫米的目标值（红色虚线）。图片来源： V Kain

2019年，强化学习（RL）算法的归一化优势函数（NAF）在LINAC4设备调试期间被在线训练，用于控制水平面内的H型束流。强化学习中，智能体通过与环境互动并接收奖励来学习，这些反馈会引导其做出更优决策。NAF采用神经网络构建Q函数模型，该模型能估算强化学习中的奖励，并据此持续优化控制策略。

最初，该算法需要多次尝试才能找到有效的策略，在早期迭代中偶尔会恶化束流轨迹，但随着训练的进行，性能迅速提升。最终，智能体实现了比目标更好的最终轨迹对齐，达到了1毫米的均方根误差（见“束流转向”图）。

该实验表明，强化学习（RL）能够在合理时间内为加速器物理问题学习到有效的控制策略。智能体仅需约300次迭代（相当于30分钟的束流时间）即可完成全部训练，这使得在线训练成为可能。自2019年以来，人工智能技术在全球加速器实验室的应用显著扩展，越来越多没有传统解决方案的难题开始采用这种技术。在欧洲核子研究中心（CERN），研究人员开发了GeOFF（通用优化框架与前端）等工具，旨在标准化并推广这些方法在整个加速器装置中的应用。

2.通过贝叶斯优化实现高效注入

贝叶斯优化（BO）是一种全局优化技术，通过概率模型在探索与利用之间取得平衡，从而找到系统的最优参数，特别适合用于成本高昂或存在噪声的评估场景。其最具颠覆性的应用案例当属2024年创下纪录的大型强子对撞机离子束运行。该技术贯穿整个离子链系统，在低能离子环（LEIR，即链中首个同步加速器）和超级质子同步加速器(SPS，大型强子对撞机前最后一个加速器）中发挥了关键作用。在LEIR系统中，虽然大多数工艺流程已实现自动化优化，但多圈注入过程仍需精心设计，其纵向和横向参数均依赖于注入器LINAC3的多种设置。

在重离子加速器中，粒子以部分剥离的电荷态注入，必须通过不同阶段的电荷转换才能实现高效加速。在大型强子对撞机（LHC）的离子注入链中，位于直线加速器3（LINAC3）与低能离子反射器（LEIR）之间的剥离箔，可将铅离子的电荷从Pb²⁷⁺提升至Pb⁵⁴⁺。第二个剥离箔位于质子同步加速器（PS）与同步质子对撞机（SPS）之间，可将束流完全电离为Pb⁸²⁺离子，最终加速至LHC。这些剥离箔会因热应力、辐射损伤和溅射作用逐渐老化，必须通过旋转轮机构进行远程更换。由于每片新箔的剥离效率和散射特性存在细微差异，必须重新优化束流传输参数，这项传统上需要专家手动调试的任务。

2024年成功验证，采用物理约束条件的束流优化算法（BO）能高效优化LEIR与LINAC3注入器之间的21个关键参数。通过更换剥离箔片，该算法仅需数十次迭代即可使LEIR的累积束流强度恢复至高于标称水平（详见“快速恢复”示意图）。

快速恢复 贝叶斯优化技术能在加速器中通过不到100次完整束流扫描，将LEIR系统的束流强度（蓝线）恢复至优于标称值（灰虚线）。图片来源：B Rodriguez Mateos

这个例子展示了AI如何匹配或超越专家的人工调谐，显著减少恢复时间，释放操作员的带宽，并提高机器的整体可用性。

3.自适应校正50Hz纹波

在高精度加速器系统中，即便是微小的扰动也可能产生重大影响。电源系统中的50 Hz纹波就是典型例子，这种源自电网的电流周期性波动，虽然过去仅困扰于输往固定靶实验的慢提取质子束，但2024年研究揭示了其更广泛的影响。

SPS强度 在从注入到提取的完整离子加速周期中，同步质子对撞机（SPS）的离子束性能实现了逐年提升。每个阶梯状结构展示了SPS中束团的分步注入与累积过程，得益于LEIR和SPS中的机器学习算法，这一成果远超大型强子对撞机（LHC）注入器升级计划（LIU）2024年的设计目标。2024年的性能提升保持了与前一年相同的每周期束团数量（四束团，4b)。图片来源：H Bartosik 

在SPS中，我们采用了自适应贝叶斯优化（ABO）技术来实时控制这种波动。ABO通过将目标函数不仅视为控制参数的函数，还视为时间的函数，从而扩展了传统遗传算法（BO）的适用范围，使得系统能够通过预测实现持续控制。

该算法通过逐帧前馈校正，向四极磁铁电路的电压调节系统注入精准反向噪声。这种技术此前已在北区质子束流中应用，但2024年夏季发现：即便是针对大型强子对撞机（LHC）的高能质子束流，同样的波动效应也可能导致低能区的束流损耗。

得益于现有的机器学习框架、成熟的纹波补偿技术以及现成的主动噪声注入硬件，这项修复方案可以快速落地。虽然质子束的增益提升幅度有限，损失改善约1%，但对大型强子对撞机（LHC）离子束的影响却更为显著。通过校正50Hz的纹波，离子传输效率提升了超过15%。因此，现在每当加速离子时都会启用ABO系统，不仅显著提升了传输效率，还为2024年创纪录的束流强度提供了有力支撑（详见“SPS强度”图）。

4. 变压器磁滞现象预测

在采用铁芯为主的电磁铁的多循环同步加速器中，另一个亟待解决的问题是磁滞现象的修正。该现象指磁场不仅取决于电流，还受电流循环历史的影响。繁琐的缓解策略包括执行虚拟循环，并在每次磁场历史变化后手动重新调谐参数。

SPS磁滞现象 不同电流循环下SPS偶极磁铁中磁滞引起的磁场偏移随电流变化的函数关系。机器学习预测值（虚线）以10⁻⁵T量级的精度拟合测量值（实线）。Credit: A Lu

尽管已有现象学滞后模型，但其精度通常不足以实现精确束流控制。机器学习提供了新路径，尤其在高质量磁场测量数据支持下。近期采用时序融合变换器（一种专为多变量时间序列预测设计的深度学习架构）的研究表明，基于机器学习的模型能准确预测不同SPS磁循环中磁场与预设传递函数的偏差（见“SPS滞后”图）。该滞后模型现已应用于SPS控制室，通过基于预测磁状态的预先调整（即前馈修正）实现磁场电流的预判调节，无需等待束流测量反馈和人工调整即可确保磁场稳定性。

未来的蓝图

通过高效粒子加速器项目，欧洲核子研究中心正在为下一代自主设备制定蓝图。这包括持续自我分析、异常检测和支持自动配置和预测性维护的新“物联网”仪器层的概念。重点是使智能软件层的集成更容易。完整的结果预计将在LHC Run 3结束时得到，并在Run 4中准备好部署坚实的框架。

AI现在可以匹配或超越专家级的人工调优，显著缩短恢复时间并提高机器的整体可用性

目标雄心勃勃：在应用这些框架的任何地方，都会将维护工作量减少至少50%。这一目标基于一个现实假设：如今，欧洲核子研究中心加速器综合体中约有一半的维护工作是远程完成的，而且这个数字还在持续增长。凭借现有技术，其中许多工作完全可以实现自动化。

这些技术突破不仅将显著提升现有加速器的运行效率与抗风险能力，更为欧洲核子研究中心未来设备的开发奠定基础。在未来的加速器运行中，人工干预或将逐渐成为例外而非常态。人工智能技术将彻底革新加速器的设计、建造与运行模式，甚至重塑科学探索的整个流程。这项技术为研发创新开辟了全新路径，并推动科研机构与产业界展开深度协作。

来源丨槟榔郭微信公众号

编译丨槟榔郭

原作丨维雷娜·凯恩，欧洲核子研究中心