W wzgórzach Berkeley w Kalifornii sztuczna inteligencja wspiera prowadzenie wymagających eksperymentów fizycznych w akceleratorze cząstek Advanced Light Source (ALS). Naukowcy z Lawrence Berkeley National Laboratory wdrożyli tam system o nazwie Accelerator Assistant — sterowany przez duży model językowy (LLM) asystent, który ma utrzymywać badania rentgenowskie w ruchu i minimalizować przestoje.
ALS to złożone urządzenie: akcelerator wysyła elektrony poruszające się z prędkościami bliskimi prędkości światła po okrężnej torze o długości około 200 jardów, emitując światło ultrafioletowe i rentgenowskie. Promień kierowany jest przez 40 wiązek (beamlines) i obsługuje około 1 700 eksperymentów rocznie. Badania realizowane w tej infrastrukturze obejmują m.in. naukę o materiałach, biologię, chemię, fizykę i nauki o środowisku.
Przestoje wiązki mogą trwać od kilku minut do dni, w zależności od złożoności usterki, i zatrzymują jednocześnie wiele eksperymentów. System sterowania ALS zawiera ponad 230 000 zmiennych procesowych, a ich zdiagnozowanie i naprawa wymaga szybkiego zidentyfikowania obszaru problemu, zebrania odpowiednich danych i zaangażowania właściwych specjalistów pod dużą presją czasu.
Jak działa Accelerator Assistant i dlaczego to ważne
Accelerator Assistant wykorzystuje procesory graficzne NVIDIA H100 przyspieszone przez CUDA do szybkiego wnioskowania i łączy się z wewnętrznymi zasobami wiedzy zespołu wsparcia ALS oraz z zewnętrznymi modelami językowymi takimi jak Gemini, Claude czy ChatGPT. System potrafi generować i uruchamiać kod w Pythonie oraz rozwiązywać problemy autonomicznie lub z udziałem człowieka, przyspieszając obsługę i przywracanie pracy urządzenia.
Podstawą rozwiązania jest ramie Osprey — opracowany w Berkeley Lab framework, który umożliwia bezpieczne wykorzystanie agentowych systemów AI w złożonych systemach sterowania. Operatorzy komunikują się z asystentem przez interfejs linii poleceń lub Open WebUI, dostępne zarówno w pomieszczeniu kontrolnym, jak i zdalnie. Każdy użytkownik jest uwierzytelniany, a system zachowuje spersonalizowany kontekst i pamięć sesji, co pozwala prowadzić odrębne wątki dla różnych zadań czy eksperymentów.
Wejścia trafiają do Accelerator Assistant, który łączy się z bazą danych obejmującą wspomniane 230 000 zmiennych procesowych, archiwum historycznym oraz środowiskami wykonawczymi opartymi na Jupyter Notebook. Inference może być wykonywane lokalnie — używając Ollama na węźle H100 wewnątrz sieci kontrolnej — lub zewnętrznie przez bramkę CBorg, która przekierowuje żądania do zewnętrznych narzędzi, takich jak ChatGPT, Claude czy Gemini. Taka hybrydowa architektura równoważy bezpieczne, niskolatencyjne wnioskowanie na miejscu z dostępem do najnowszych modeli fundamentowych.
Integracja z systemem EPICS (Experimental Physics and Industrial Control System) pozwala zachować standardowe ograniczenia bezpieczeństwa operatorów przy bezpośredniej interakcji ze sprzętem akceleratora. W praktyce konwersacyjne polecenia użytkownika są przekształcane w zwięzły opis zadania w języku naturalnym, a dodatkowe źródła wiedzy — dokumentacja, pamięć powiązana z użytkownikami i bazy danych akceleratora — dostarczają terminologii i kontekstu potrzebnego modelom do poprawnego działania.
Wsparcie dla inżynierów i szersze zastosowania
Inżynierowie mogą zacząć od prostego polecenia opisującego cel, a system wykorzystuje starannie dobrane przykłady i słowa-klucze z operacji akceleratora, aby naprowadzić rozumowanie modelu. Każdy “agent” jest zdefiniowany jako ekspert w konkretnej dziedzinie — potrafi wyszukać zmienne procesowe, poruszać się po systemie sterowania i automatycznie generować skrypty Pythona do analizy danych, wizualizacji wyników czy bezpiecznej interakcji ze sprzętem.
Badania zespołu wykazały, że Accelerator Assistant może samodzielnie przygotować i uruchomić wieloetapowy eksperyment fizyczny, skracając czas przygotowania i redukując potrzebne wysiłki nawet o dwa rzędy wielkości (100x). Dalszym celem jest utworzenie wewnętrznej wiki dokumentującej procesy obsługi eksperymentów — dokumenty te mogłyby umożliwić agentom bardziej autonomiczną pracę przy zachowaniu człowieka w pętli w celu zatwierdzania działań. Jak zaznaczono, przy kosztownych eksperymentach — nawet tych rzędu $1 million (ok. 4 500 000 zł) — udział człowieka w podejmowaniu końcowych decyzji pozostaje istotny.
Rozwiązanie nie pozostaje ograniczone do ALS: w ramach misji DOE Genesys framework jest wdrażany na innych amerykańskich obiektach akceleratorów cząstek. Rozpoczęła się także współpraca z inżynierami największego na świecie reaktora fuzyjnego ITER we Francji oraz plany współpracy z Extremely Large Telescope (ELT) w północnym Chile, aby zaadaptować tę samą architekturę do innych skomplikowanych instalacji naukowych.
Wpływ na naukę i społeczeństwo
Usprawnienia w działaniu ALS mają bezpośrednie przełożenie na badania o globalnym znaczeniu. Stabilne wiązki rentgenowskie umożliwiają badania istotne dla zdrowia, odporności klimatycznej i nauk planetarnych. Przykładowo, w czasie pandemii COVID-19 naukowcy z ALS pomogli scharakteryzować rzadkie przeciwciało zdolne neutralizować SARS-CoV-2, ukazując w eksperymentach strukturalnych, jak sześć pętli molekularnych przeciwciała wiąże się ze spike’em wirusa — wyniki te przyczyniły się do szybkiego rozwoju terapeutyku skutecznego wobec wielu wariantów.
Prace prowadzone na ALS miały też wpływ na badania związane z klimatem: metal-organiczne ramy (MOF), porowate materiały zdolne do wyłapywania wody lub dwutlenku węgla z powietrza, były szeroko badane na kilku wiązkach ALS. Te prace wspierały badania, które ostatecznie zostały wyróżnione Nagrodą Nobla w dziedzinie chemii w 2025 roku, podkreślając potencjał MOF do zrównoważonego pozyskiwania wody i zarządzania dwutlenkiem węgla.
W obszarze nauk planetarnych pomiary ALS przeprowadzone na próbkach zwróconych przez misję NASA OSIRIS-REx pomogły odtworzyć chemiczną historię planetoidy Bennu. Analizy rentgenowskie dostarczyły dowodów, że takie planetoidy przenosiły wodę i cząsteczki prekursorowe życia na wczesnej Ziemi, pogłębiając nasze rozumienie pochodzenia warunków sprzyjających życiu na planecie.
Całość prac nad Accelerator Assistant stanowi praktyczny wzorzec bezpiecznego i przejrzystego stosowania systemów opartych na dużych modelach językowych w kontrolowanych, krytycznych środowiskach naukowych i przemysłowych — od akceleratorów cząstek po reaktory jądrowe i fuzyjne — dzięki czemu możliwe jest zwiększenie dostępności, szybkości i efektywności badań o dużym znaczeniu dla ludzkości.
