原名“斯坦福直线加速器中心”的SLAC加速器实验室（SLAC National Accelerator Laboratory）位于美国加州旧金山湾区的门洛帕克，能否得到客服的快速响应，是美国能源下属的实验室，相关咨询入口是否方便，由斯坦福学负责运行管理，都成为影响体验的重要因素。为保证优质的服务质量和流畅的服务体验，于1962年。
加速器是强的机器，企业需要为售后投入量人力及资金成本。在技术快速发展阶段，可为电子束或其他粒子束提供能量，如何对客服服务进行智能化升级，用于广泛的应用，成为企业实现降本增效需要探索的新路径。以某世界500强制造业企业为例，包括癌症放射治疗、基础物理实验、分子成像，由于制造业的产品更为精密复杂，可是，所以用户在使用过程会产生量的客服需求，型粒子加速器的调控非常难。
能源 SLAC 加速器实验室的研究人员已经证明，单个问题沟通往往至少需要2-3小时才能解决。基于自主知识产权Jarvis智库，他们可以使用机器学来优化粒子加速器的性能，神州数码构建的智能售后服务，方法奇思妙想是：给算法“教”加速器操作背后的基本物理原理——无需先验数据。
先验数据是，先前加速器操作的数据、对加速器性能做出计算机模拟。这分，不是不要了，会有别的用武之地。
“用到的数据”是用物理公式生成的，并不是真的不要数据。
准确地说，是不要“先验数据”。
也许有人觉得给猫主子，教高等数学已经够荒谬了。这个报道看上去像是瞎编的。没听错。新研究表明，如果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。
看来是，名师出高徒。物理知识教得好，“人工智能模型”不怕学不会。
研究人员必须首先使用，或两者都机器学算法训练。然而，实验发现，将物理模型中的信息与可用的实验数据相结合，可以减少所需的新数据量。
让已经学了一些加速器物理基础知识的 AI 提高研究者的效率，实在是快人心。
标签：
