强化学习让核物理靶极化操作效率提升近2倍
Reinforcement Learning Techniques for the Optimization of Target Polarization in Nuclear Physics Scattering Experiments
📖 AI 总结
本文提出一种数据驱动的控制框架，将代理建模与强化学习相结合，用于优化核物理散射实验中动态极化靶的极化度。研究基于APOLLO低温靶系统的运行数据，训练并评估了多层感知机和高斯过程回归模型，以微波频率、束流强度和累积辐射剂量为输入预测极化度。结果显示，基于高斯过程的模型能提供校准的不确定性估计，并可靠识别训练分布之外的区域，而多层感知机对分布偏移的敏感性有限。为支持跨多个靶样本的学习与控制，作者引入高斯过程近似方法，并将代理模型嵌入标准化仿真环境，采用下置信界奖励公式训练强化学习智能体，以在性能最大化与不确定性之间取得平衡。实验表明，该强化学习智能体相较人工操作实现了近两倍的性能提升，为核物理实验中极化靶的自动化控制提供了可行路径。
🔑 关键词速览
| 动态极化靶 | 在核物理实验中，通过动态核极化技术使靶材料原子核自旋极化，以研究自旋相关效应的靶系统。 |
| 代理模型 | 计算成本较低的近似模型，用于替代复杂物理模拟或真实实验，以加速优化和控制。 |
| 高斯过程回归 | 一种贝叶斯非参数回归方法，能提供预测值及其不确定性估计，适用于小样本和不确定性量化。 |
| 下置信界 | 强化学习中一种奖励构造方式，通过减去不确定性惩罚项来平衡探索与利用，鼓励智能体在不确定性高的区域探索。 |
| 分布偏移 | 训练数据与测试数据分布不一致的现象，可能导致模型预测性能下降。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅