- Συνέντευξη: Ο ερευνητής Διονύσης Αντύπας με απλά λόγια μας μαθαίνει το χαλαρόνιο και τη σχέση του με την σκοτεινή ύλη
- ΝΕLIOTA: Το ερευνητικό πρόγραμμα παρακολούθησης εκλάμψεων λόγω προσκρούσεων παραγήινων αστεροειδών και μετεωροειδών στη Σελήνη
- Podcast: Συζήτηση με τον καθηγητή Νικόλαο Στεργιούλα με αφορμή το σημαντικό εύρημα της εργασίας του για τα άστρα νετρονίων
- Podcast: Ο Διονύσης Σιμόπουλος απαντά σε ερωτήματα για το σύμπαν και την έρευνα που σχετίζεται με αυτό
- Άρθρο με αφορμή το Nobel Φυσικής του 2017: Οι βηματισμοί της Επιστήμης και η πορεία προς τον εντοπισμό των βαρυτικών κυμάτων
- Συνέντευξη: Το ελληνικό εκπαιδευτικό σύστημα με τα μάτια ενός νέου ερευνητή όπως ο κ. Μπάμπουλης (Μέρος 3)
- Συνέντευξη: Ο ερευνητής Νανοτεχνολογίας κ. Μπάμπουλης περιγράφει τη δομή των νέων 2D υλικών και τις εφαρμογές τους (Μέρος 2)
- Συνέντευξη: Συζητώντας με τον ερευνητή κ. Παντελή Μπάμπουλη για τα ενδιαφέροντα τεχνητά υλικά, γερμανένιο και πυριτένιο (Μέρος 1)
- podcast: Τι είναι τα Βαρυτικά Κύματα (Συνέντευξη με τον Ερωτόκριτο Κατσαβουνίδη, διευθυντή έρευνας στο ΜΙΤ)
- podcast: Αναζητώντας τα Βαρυτικά Κύματα (Συνέντευξη με τον Χρήστο Τσάγκα, Αναπληρωτή Καθηγητή του ΑΠΘ)
Υπάρχει πρόβλημα θορύβου στο σύχνοτρον; Η μηχανική μάθηση έχει την απάντηση!
Αλγόριθμοι μηχανικής μάθησης θα μπορούσαν να επιτρέψουν τους ερευνητές να μειώσουν ουσιαστικά ανεπιθύμητες διακυμάνσεις στα πλάτη των ηλεκτρονιακών δεσμών που παράγονται στα σύνχροντρον.
Η ALS (Advanced Light Source) – μια από φωτεινότερες πηγές σύχνοτρον του κόσμου – έχει ένα πρόβλημα. Παρά τις όλο και μεγαλύτερες προσπάθειες των ερευνητών, η δέσμη φωτονίων παράγει, όπως αυτές σε όλα τα σύχνοτρον, διακυμάνσεις στο κάθετο πλάτος, οδηγώντας σε πειραματικό θόρυβο που μπορεί να καταστήσει ασαφείς τις μετρήσεις. Ο Simon Leemann του Εθνικού Εργαστηρίου Lawrence (στο) Berkeley, στην Καλιφόρνια, που φιλοξενεί την ALS, αναμένει ότι αυτό το πρόβλημα θα χειροτερέψει στις στενότερες δέσμες της επόμενης γενιάς των σύχνοτρον. Αναζητώντας μια λύση, αυτός και οι συνεργάτες του στράφηκαν στους αλγόριθμους μηχανικής μάθησης, δείχνοντας ότι μπορούν να σταθεροποιήσουν τη δέσμη φωτονίων χωρίς την απαίτηση για εκτενείς χειροκίνητες μετρήσεις βαθμονόμησης. Ο Leemann λέει ότι αυτή η μέθοδος θα μπορούσε να επιτρέψει τις διακυμάνσεις πλάτους της δέσμης να διορθωθούν πριν συμβούν, απομακρύνοντας ένα από τα τελευταία εμπόδια για τελείως σταθερές πηγές σύχνοτρον.
Στην επίδειξής τους, για την απόδειξη της αρχής, η ομάδα εκπαίδευσε τους αλγόριθμους της μηχανικής τους μάθησης χρησιμοποιώντας δυο σύνολα δεδομένων: τις θέσεις των διάφορων μαγνητικών διεγέρσεων που διαμορφώνουν την δέσμη ηλεκτρονίων που δημιουργεί τη δέσμη φωτονίων, και τα δεδομένα πλάτους της δέσμης από την ίδια τη δέσμη των φωτονίων. Τα δεδομένα αυτά τροφοδότησαν στο νευρωνικό δίκτυο που στήριζε τους αλγόριθμους, το οποίο στη συνέχεια «μάθαινε» πώς οι αλλαγές στις διαμορφώσεις και τις θέσεις των μαγνητικών διεγέρσεων επηρέαζαν το πλάτος της παραγόμενης δέσμης φωτονίων. Χρησιμοποιώντας αυτές τις πληροφορίες, ο αλγόριθμος δημιούργησε έναν πίνακα έρευνας που κατέγραφε (καταχωρήσεις) τρεις φορές το δευτερόλεπτο, καθορίζοντας τις προσαρμογές που απαιτούνταν για να παραμένει μια δέσμη φωτονίων σε ορισμένο πλάτος. Στο πείραμά τους, τα μέλη της ομάδας κράτησαν το μέγεθος της δέσμης της ALS σταθερή μέσα σε 0,2 μm ή 0,4% του κάθετου πλάτους της. Αυτή η ακρίβεια είναι καλύτερη από το 2-3% που προηγούμενα είχε επιτευχθεί στην ALS και θα μπορούσε να επιτρέψει το σύχνοτρον να διερευνήσει τη δυναμική των χημικών αντιδράσεων – σε συστήματα όπως οι μπαταρίες – με πρωτόγνωρη ανάλυση.
Πηγή: American Physical Society
Περισσότερο στη δημοσίευση: Demonstration of Machine Learning-Based Model-Independent Stabilization of Source Properties in Synchrotron Light Sources. Physical Review Letters.