បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហាប្រឈមក្នុងការរចនាខ្សែបញ្ជូនភាគល្អិត (Beamlines) ដែលកម្លាំងបន្ទុកអវកាស (Space charge forces) ធ្វើឱ្យប៉ះពាល់យ៉ាងខ្លាំងដល់គុណភាពនៃធ្នឹមភាគល្អិត ជាពិសេសនៅក្នុងឧបករណ៍បញ្ចូលថាមពលទាបសម្រាប់ Energy Recovery Linacs (ERLs)។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកនិពន្ធបានធ្វើឱ្យប្រសើរឡើងនូវកូដក្បួនដោះស្រាយហ្សែន (Genetic Algorithm) ឈ្មោះ GIOTTO ដើម្បីអនុវត្តការបង្កើនប្រសិទ្ធភាពពហុគោលបំណង ដោយភ្ជាប់ជាមួយកូដ ASTRA ដើម្បីក្លែងធ្វើផលប៉ះពាល់នៃបន្ទុកអវកាស។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| GIOTTO with Lorentzian Fitness Function (Proposed) ការប្រើប្រាស់កូដ GIOTTO ជាមួយមុខងារ Lorentzian ដើម្បីកំណត់គោលដៅបង្កើនប្រសិទ្ធភាព |
អាចដោះស្រាយបញ្ហាដែលមានអថេរច្រើន និងស្មុគស្មាញ (Nonlinear correlations) បានលឿន ដោយមិនចាំបាច់ស្កេនគ្រប់ដំណោះស្រាយទាំងអស់។ | ទាមទារឱ្យមានការកំណត់ទម្ងន់ (Weights) នៃមុខងារគោលដៅឱ្យបានត្រឹមត្រូវ ដើម្បីតម្រង់ទិសដៅនៃការស្វែងរក។ | សម្រេចបាននូវ Emittance 1.6 mm-mrad និងបិទបញ្ចប់ Dispersion បានទាំងស្រុងសម្រាប់គម្រោង BriXSinO |
| Standard MOGA (Baseline) វិធីសាស្ត្រ MOGA ធម្មតាដែលស្វែងរកដំណោះស្រាយតាមរយៈការស្កេន Pareto Front ទាំងមូល |
អាចស្វែងរកគ្រប់ជម្រើសដំណោះស្រាយដែលអាចកើតមាន (Pareto optimal solutions)។ | ចំណាយពេលយូរ និងត្រូវការធនធានកុំព្យូទ័រខ្លាំងក្នុងការគណនា ដោយសារត្រូវស្វែងរកក្នុងលំហទិន្នន័យធំទូលាយ។ | មិនត្រូវបានជ្រើសរើសក្នុងករណីនេះ ដោយសារភាពយឺតយ៉ាវក្នុងការដោះស្រាយបញ្ហា Beam dynamics ដ៏ស្មុគស្មាញ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារធនធានកុំព្យូទ័រខ្លាំងសម្រាប់ការធ្វើ Simulation និងចំណេះដឹងបច្ចេកទេសខ្ពស់ផ្នែករូបវិទ្យា។
ការសិក្សានេះធ្វើឡើងដោយផ្អែកលើការពិសោធន៍តាមរយៈកុំព្យូទ័រ (Simulation) សម្រាប់គម្រោង BriXSinO នៅប្រទេសអ៊ីតាលី ដែលមានថាមពលទាប (4.5 MeV) និងបន្ទុកអគ្គិសនីខ្ពស់ (100 pC)។ សម្រាប់កម្ពុជា ទិន្នន័យនេះមានលក្ខណៈបច្ចេកទេសខ្ពស់ពេក និងមិនទាន់មានហេដ្ឋារចនាសម្ព័ន្ធរូបវិទ្យាដែលត្រូវគ្នានឹងទិន្នន័យនេះនៅឡើយ។
ទោះបីជាកម្ពុជាមិនទាន់មានគម្រោងសាងសង់ម៉ាស៊ីនបង្កើនល្បឿនភាគល្អិត (Particle Accelerator) ក៏ដោយ ប៉ុន្តែបច្ចេកទេស Optimization គឺមានប្រយោជន៍។
តម្លៃនៃការសិក្សានេះសម្រាប់កម្ពុជា គឺស្ថិតនៅលើវិធីសាស្ត្រ AI/Algorithm ច្រើនជាងការអនុវត្តផ្ទាល់លើម៉ាស៊ីន Accelerator ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Space Charge | កម្លាំងច្រានគ្នារវាងភាគល្អិតដែលមានបន្ទុកអគ្គិសនីដូចគ្នា (ដូចជាអេឡិចត្រុង) នៅក្នុងបាច់ធ្នឹមតែមួយ។ កម្លាំងនេះធ្វើឱ្យបាច់ធ្នឹមរីកធំ និងកាត់បន្ថយគុណភាពរបស់វា ជាពិសេសនៅពេលថាមពលនៅទាប។ | ដូចជាមនុស្សមួយក្រុមដែលព្យាយាមរុញគ្នាចេញពីបន្ទប់តូចមួយព្រោះចង្អៀតពេក។ |
| Emittance | រង្វាស់នៃគុណភាពធ្នឹមភាគល្អិត ដែលតំណាងឱ្យផ្ទៃក្រឡានៅក្នុងលំហដំណាក់កាល (Phase Space)។ Emittance កាន់តែតូច មានន័យថាធ្នឹមមានទំហំតូច និងមានទិសដៅស្របគ្នាល្អ (Focus ល្អ)។ | ដូចជាពន្លឺឡាស៊ែរ (Emittance ទាប) ប្រៀបធៀបនឹងពន្លឺពិលដែលរីកធំ (Emittance ខ្ពស់)។ |
| Genetic Algorithm (GA) | វិធីសាស្ត្រគណនាបែបបញ្ញាសិប្បនិម្មិត (AI) ដែលយកគំរូតាមការវិវត្តនៃធម្មជាតិ (Natural Selection) ដើម្បីស្វែងរកដំណោះស្រាយល្អបំផុត ដោយការជ្រើសរើស និងបំប្លែងជំនាន់នៃប៉ារ៉ាម៉ែត្ររចនា។ | ដូចជាការបង្កាត់ពូជសេះ ដើម្បីទទួលបានសេះដែលរត់លឿនបំផុតតាមរយៈការជ្រើសរើសពូជល្អៗពីមួយជំនាន់ទៅមួយជំនាន់។ |
| Velocity Bunching | បច្ចេកទេសបង្ហាប់បាច់ភាគល្អិត ដោយប្រើប្រាស់វាល RF ដើម្បីធ្វើឱ្យភាគល្អិតនៅខាងក្រោយមានល្បឿនលឿនជាងភាគល្អិតនៅខាងមុខ ដើម្បីឱ្យវាមកផ្តុំគ្នាកាន់តែជិត (កាត់បន្ថយប្រវែងបាច់)។ | ដូចជារថយន្តដែលបើកលឿនពីក្រោយ មកទាន់រថយន្តដែលបើកយឺតខាងមុខ ធ្វើឱ្យចរាចរណ៍កាន់តែចង្អៀត។ |
| Dispersion | បាតុភូតដែលភាគល្អិតដែលមានថាមពលខុសគ្នា ធ្វើដំណើរតាមគន្លងខុសគ្នានៅពេលឆ្លងកាត់ដែនម៉ាញេទិច (ដូចជា Dipole)។ នៅក្នុងប្រព័ន្ធ Dogleg ការគ្រប់គ្រង Dispersion គឺសំខាន់ដើម្បីកុំឱ្យធ្នឹមខូចទ្រង់ទ្រាយ។ | ដូចជាកែវព្រីស (Prism) ដែលបំបែកពន្លឺពណ៌សទៅជាពណ៌ឥន្ធនូផ្សេងៗគ្នា។ |
| Fitness Function | សមីការគណិតវិទ្យាដែលប្រើក្នុង Genetic Algorithm ដើម្បីវាយតម្លៃថា តើដំណោះស្រាយមួយល្អកម្រិតណា។ នៅក្នុងឯកសារនេះ ពួកគេប្រើទម្រង់ Lorentzian ដើម្បីថ្លឹងថ្លែងរវាងគោលដៅជាច្រើន។ | ដូចជាតារាងពិន្ទុក្នុងការប្រកួតកីឡា ដែលប្រើដើម្បីកំណត់ថាអ្នកណាជាអ្នកឈ្នះដោយផ្អែកលើលក្ខណៈសម្បត្តិផ្សេងៗ។ |
| Phase Space | ក្រាហ្វតំណាងឱ្យទំនាក់ទំនងរវាងទីតាំង (Position) និងសន្ទុះ (Momentum) របស់ភាគល្អិត។ ការយល់ដឹងពី Phase Space ជួយអ្នកវិទ្យាសាស្ត្រគ្រប់គ្រងចលនារបស់ធ្នឹមបានល្អ។ | ដូចជាផែនទីដែលមិនត្រឹមតែប្រាប់ពីទីតាំងរថយន្ត ប៉ុន្តែប្រាប់ផងដែរថាវា កំពុងបើកបរលឿនប៉ុណ្ណា និងទៅទិសណា។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
