无论是语音识别、图像分类，还是自动驾驶、医药研发，给定任务和大量数据，机器学习就能够通过训练自己学会对未来场景做出快速准确的预测。
但是，如果这份工作是全新的，没有可用于培训的数据，该怎么办？
科学家们想到如果给机器学习一定的领域内的先验知识，是否就不需要大量训练数据了，这一想法在物理学领域得到了很好的验证。
（来源：phys.org）
最近，SLAC 实验室的研究人员已经证明，无需数据，就可以用机器学习来优化粒子加速器的性能，实现的方法是向算法教授加速器操作背后的基本物理原理。该研究是在加速器物理社区中使用基于物理的机器学习的首批示例之一。
研究结果于 7 月 8 日以「Physics model-informed Gaussian process for online optimization of particle accelerators」为题发表在期刊《Physical Review Accelerators and Beams》上。
加速器可以为电子束或其他粒子束提供强大的能量，有着广泛的应用，包括基础物理实验、分子成像和癌症放射治疗。但大型粒子加速器的调控非常具有挑战，因为需要调整的组件太多了，并且这些组件不是完全独立的，情况复杂。
SLAC 团队证明了一种将物理模型直接结合到高斯过程贝叶斯优化器中的方法，表明机器学习可以通过加快优化过程找到以前没人想到的有用的加速器设置，极大地支持人类操作员。
另外，与其他技术相比，机器学习还可以在不干扰粒子束的条件下帮助诊断粒子束的质量。这种方法还可适用于其他可以用高斯近似进行粗略模拟的物理系统。
教人工智能物理知识
美国能源部前 SLAC 国家加速器实验室的助理研究员 Adi Hanuka 表示：「在材料科学、环境科学、电池研究、粒子物理学等许多研究领域，将物理学注入机器学习是一个非常热门的话题。」
为了使机器学习起作用，研究人员必须首先使用先前加速器操作的数据、对加速器性能做出计算机模拟，或两者都机器学习算法训练。然而，实验发现，将物理模型中的信息与可用的实验数据相结合，可以大大减少所需的新数据量。
用于光束损失率的在线优化的SPEAR3 存储环的布局。（来源：论文）
如果对加速器工作原理的物理知识足够了解，则实际上不需要先前的数据。
该团队使用这种方法来调整 SLAC 的 SPEAR3 加速器。通过使用直接从基于物理的模型中获得的信息，他们得到的结果与通过使用实际历史数据训练算法所获得的结果一样好，甚至更好。
「我们的结果是 SLAC 逐步推动开发用于调整加速器的机器学习工具的最新亮点，」SLAC 的工作人员 Joe Duris 说。
预测未知
这并不是说预先存在的数据没有帮助，当性能下降时，它们仍然可以派上用场。在 SPEAR3 案例中，研究人员能够通过将其与来自加速器的实际数据配对来进一步改进基于物理的机器学习模型。
这一方法还适用于历史数据不可用或不足以解决内核的超参数的其他复杂机器的自动调控。该团队就应用该方法来改进 SLAC 的直线加速器相干光源 (LCLS) X 射线激光器的调谐，这是地球上最强大的 X 射线源之一。
这次 LCLS 的升级拥有全新的加速器，其最佳设置需要从头开始确定。操作员可能会发现，让已经学习了一些加速器物理基础知识的 AI 陪在他们身边会很方便。
论文链接：http://dx.doi.org/10.1103/PhysRevAccelBeams.24.072802
参考内容：https://phys.org/news/2021-07-ai-physics-optimize-particle.html 
