一种新的机器学习方法可简化粒子加速器的操作

每年，来自世界各地的研究人员都会访问能源部的SLAC国家加速器实验室，以直线加速器相干光源(LCLS)X射线激光器进行化学，材料科学，生物学和能源研究的数百项实验。LCLS从巨型线性粒子加速器中产生的高能电子束产生超亮X射线。

LCLS的实验全天候进行，每天两次，每班12小时。在每个班次开始时，操作员必须调整加速器的性能，为下一个实验准备X射线束。有时，在轮班期间也需要进行其他调整。过去，操作员每年在这项任务上花费数百小时，称为加速器调整。

现在，SLAC研究人员已经使用机器学习开发了一种新工具，与以前的方法相比，它可以使调整过程的一部分快五倍。他们在3月25日的《物理评论快报》中描述了该方法。

调整光束

生产LCLS强大的X射线束始于准备高质量电子束。然后，一些电子的能量被转换成特殊磁铁内部的X射线光。需要密集且紧密聚焦的电子束的特性是X射线束质量的关键因素。

SLAC机器学习计划的负责人，研发团队的成员Daniel Ratner表示：“即使电子束密度的微小差异，最终获得的X射线数量也会有巨大差异。”新技术。

加速器使用一系列称为24极的24种特殊磁体来聚焦电子束，这与玻璃透镜聚焦光的方式类似。传统上，人类操作员会小心地旋转旋钮，以在换档之间调整单个磁体，以确保加速器产生特定实验所需的X射线束。这个过程占用了操作员的大量时间-他们可以花费在其他重要任务上的时间，这些重要任务可以改善实验光束。

几年前，LCLS运营商采用了一种计算机算法，该算法可以自动执行并加速这种磁体调谐。但是，它有其自身的缺点。它旨在通过对磁体的强度进行随机调整来改善X射线束。但是与人工操作员不同，该算法没有对加速器的结构的先验知识，也无法在调整中做出有根据的猜测，最终可能会导致更好的结果。

这就是为什么SLAC研究人员决定开发一种新算法的原因，该算法将机器学习(“智能”计算机程序，学习随着时间的推移如何变得更好)与有关加速器物理原理的知识相结合。

负责这项新研究的SLAC科学家约瑟夫·杜里斯(Joseph Duris)说：“机器学习方法试图将所有这些结合在一起，以为操作员提供更好的工具，使他们可以专注于其他重要问题。”

更好的光束，更快

新方法使用了一种称为高斯过程的技术，该技术可以预测特定的加速器调整对X射线束质量的影响。它还为其预测产生不确定性。然后，算法决定尝试进行哪些调整以寻求最大的改进。

例如，它可能决定尝试进行重大调整，其结果非常不确定，但可能会带来巨大的回报。这意味着，这种新的，冒险的算法比以前的算法具有更好的机会，可以进行必要的调整以创建最佳的X射线束。

SLAC研究人员还使用以前LCLS运算中的数据来教导该算法，哪些磁场强度通常会导致X射线更亮，从而为该算法提供了一种对其进行尝试的调整进行有根据的猜测的方法。这为算法提供了操作员自然具备的知识和专业知识，而以前的算法则缺乏。

杜里斯说：“我们可以依靠物理知识，制度知识来改进预测。”

洞察磁体彼此之间的关系也改善了该技术。四极磁体成对工作，为了增加其聚焦能力，必须增加一对磁体中的一个的强度，同时减小另一个磁体的强度。

研究人员估计，随着新工艺的发展，四极磁体的调谐速度提高了约三到五倍。与以前使用的算法相比，它还倾向于产生更高强度的光束。

SLAC的加速器运营商Jane Shtalenkova表示：“提高调谐效率的能力对于向来自世界各地进行实验的人们更快地提供更高质量的光束至关重要，”与Duris，Ratner等人合作开发了新工具。

超越LCLS

可以扩展相同的方法来调整科学家可能希望为其实验优化的其他电子或X射线束特性。例如，研究人员可以应用该技术，以最大化被LCLS的X射线撞击后从样品中获得的信号。

这种灵活性也使新算法可用于其他设施。

SLAC科学家Adi Hanuka说：“这种机器学习算法的优点是，您可以相对轻松地进行技术转移。”他在其他三种加速器上测试了该技术：SPEAR3，该加速器环为SLAC的斯坦福同步加速器辐射光源提供了动力( SSRL);美国加州大学洛杉矶分校的飞马;以及美国能源部阿贡国家实验室的高级光子源(APS)。

Hanuka说：“现在该工具已在多个实验室中使用。”“希望我们很快将其集成到更多实验室中。”