Le Département de l'Énergie des États-Unis sélectionne le Fermilab pour diriger un projet d'IA visant à améliorer les performances de contrôle des cavités radiofréquence supraconductrices des accélérateurs de particules

Le programme “Genesis” du Département de l'Énergie des États-Unis a récemment sélectionné un projet d'intelligence artificielle dirigé par le Fermi National Accelerator Laboratory, soutenant sa collaboration avec des laboratoires nationaux, des universités et des entreprises pour améliorer le contrôle de résonance dans les accélérateurs de particules grâce à l'IA et à l'apprentissage automatique. L'objectif du projet est d'améliorer les performances opérationnelles des accélérateurs et la stabilité du faisceau, tout en réduisant la consommation d'énergie et les coûts d'exploitation.

Les cavités radiofréquence supraconductrices sont en cours d'assemblage et de test, prêtes à être installées dans le cadre du Proton Improvement Plan-II du complexe d'accélérateurs du Fermilab. En ajustant finement la fréquence de résonance des cavités, les scientifiques peuvent optimiser les performances de l'accélérateur. Source de l'image : Ryan Postel, Fermilab

La recherche moderne en physique des hautes énergies dépend fortement des accélérateurs de particules. De nombreux accélérateurs avancés utilisent des cavités radiofréquence supraconductrices pour transférer l'énergie électromagnétique au faisceau de particules, en ajustant précisément la fréquence de résonance afin que les particules soient accélérées au moment opportun. Des facteurs tels que les variations de pression de l'hélium liquide, les fluctuations du champ électromagnétique et les vibrations des équipements environnants peuvent provoquer un décalage de fréquence des cavités, réduisant ainsi l'efficacité du transfert d'énergie et pouvant même entraîner des interruptions du faisceau.

Selon la conception du projet, l'équipe de recherche développera des algorithmes d'intelligence artificielle et d'apprentissage automatique permettant au système de contrôle d'apprendre en continu en fonction des variations de l'environnement opérationnel, réduisant automatiquement l'impact des perturbations sur la fréquence de résonance. Pour les grands accélérateurs contenant des centaines de cavités radiofréquence supraconductrices, ce type de contrôle adaptatif pourrait améliorer la précision d'accord, réduire les pertes de puissance inutiles et renforcer la fiabilité opérationnelle des équipements.

L'une des principales applications ciblées de cette recherche est l'accélérateur Proton Improvement Plan-II (PIP-II) du Fermilab. PIP-II fournira à l'avenir un faisceau intense de neutrinos pour l'expérience Deep Underground Neutrino Experiment de la Long-Baseline Neutrino Facility. L'équipe du projet espère vérifier si l'introduction de l'intelligence artificielle dans les équipements de contrôle existants peut soutenir un fonctionnement plus stable de PIP-II en mode pulsé, réduisant ainsi la puissance moyenne, les coûts de refroidissement et l'usure des équipements, tout en diminuant les arrêts non planifiés.

Outre le Fermilab, les institutions participant à ce projet comprennent le Lawrence Berkeley National Laboratory, le SLAC National Accelerator Laboratory, l'Argonne National Laboratory, l'Université Cornell, l'Université d'État du Michigan, le Toyota Technological Institute de Chicago, l'Université du Michigan, l'Organisation de recherche sur les accélérateurs de haute énergie du Japon (KEK) et la société xLight. Le projet prévoit également d'établir un cadre de données commun pour le contrôle de résonance, favorisant le partage de données entre différents accélérateurs à cavités radiofréquence supraconductrices, ainsi que la formation de talents dans les domaines croisés de l'intelligence artificielle, de l'apprentissage automatique et de l'ingénierie radiofréquence de bas niveau.