在开始执行给定任务之前，机器学习算法通常需要在预先存在的数据上进行训练，以便他们可以学会自己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怎么办?

现在，美国能源部国家加速器实验室（SLAC ）的研究人员已经证明，他们可以使用机器学习来优化粒子加速器的性能，方法是通过向算法教授加速器操作背后的基本物理原理——无需先验数据。

“在许多研究领域——材料科学、环境科学、电池研究、粒子物理学等，将物理学注入机器学习是一个非常热门的话题，”前美国加速器实验室研究助理 Adi Hanuka 说，他领导了一项发表在《物理评论加速器》上的研究和梁。这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。

用物理教育人工智能

加速器是强大的机器，可为电子束或其他粒子束提供能量，用于广泛的应用，包括基础物理实验、分子成像和癌症放射治疗。为了获得给定应用的最佳光束，操作员需要调整加速器以获得最佳性能。

当涉及到大型粒子加速器时，这可能非常具有挑战性，因为需要调整的组件太多了。更复杂的是，并非所有组件都是独立的，这意味着如果您调整一个组件，它可能会影响另一个组件的设置。

美国加速器实验室最近的研究表明，机器学习可以通过加快优化过程并找到以前没人想到的有用的加速器设置来极大地支持人类操作员。机器学习还可以帮助诊断粒子束的质量，而不会像其他技术通常那样干扰它们。

为了使这些程序起作用，研究人员首先必须使用来自先前加速器操作的数据、对加速器性能做出假设的计算机模拟，或两者都训练机器学习算法。然而，他们还发现，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。

新研究表明，如果您对描述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美国加速器实验室的 SPEAR3 加速器，该加速器为实验室的斯坦福同步辐射光源 (SSRL) 提供动力。研究人员说，通过使用直接从基于物理的模型中获得的信息，他们得到的结果与使用实际档案数据训练算法所获得的结果一样好，甚至更好。

“我们的结果是美国加速器实验室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，”该研究的首席研究员、美国加速器实验室工作人员科学家乔·杜里斯 (Joe Duris) 说。

预测未知

这并不是说预先存在的数据没有帮助。即使您的物理性能下降，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。该团队还应用该方法来改进美国加速器实验室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，其档案数据可从以前的实验运行中获得。

当美国加速器实验室工作人员明年启用 LCLS-II 时，新方法的全部潜力可能会变得显而易见。此次LCLS超导升级拥有全新的加速器，其最佳设置需要从头开始确定。它的操作员可能会发现，让已经学习了一些加速器物理基础知识的人工智能陪在他们身边会很方便。