作者:曼努埃尔·格尼达，SLAC国家加速器实验室 叠加在电子束轮廓上的神经网络的艺术表现
信用:阿迪哈努卡/SLAC国家加速器实验室 加速电子束为电子显微镜、x光激光、医疗加速器和其他设备提供动力
为了优化这些应用的性能，操作员必须能够分析光束质量，并根据需要进行调整
在过去的几年里，美国能源部SLAC国家加速器实验室的研究人员一直在开发“虚拟诊断”，使用机器学习以高效、非侵入的方式获取有关光束质量的重要信息
现在，一种新的虚拟诊断方法，发表在《科学报告》上，结合了关于光束的附加信息，使该方法能够在传统诊断失败的情况下工作
“我们的方法可以用于诊断几乎任何使用电子束的机器，无论是用于超小型物体成像的电子显微镜还是用于癌症治疗的医用加速器，”领导这项研究的SLAC研究助理阿迪·哈努卡说
传统的光束诊断是需要与光束相互作用以测量其属性(例如强度和形状)的物理设备
这种相互作用通常会破坏或改变光束或要求其偏转，因此不能同时用于实际应用
在某些情况下，技术限制也阻碍了精确测量，例如当电子束的电子脉冲以非常高的速率发射或非常强时
新方法没有这些限制，因为它不是物理设备
相反，它使用神经网络——一种受大脑神经网络启发的机器学习算法
一旦SLAC团队用实验室的粒子加速器采集的数据训练了神经网络，该算法就能够准确预测实验情况下的光束特性
SLAC研究助理阿迪·哈努卡领导开发了一种新的虚拟诊断工具，这是一种机器学习算法，可以帮助优化x光激光器、电子显微镜、医用加速器和其他依赖高质量电子束的设备的性能
信用:Efrat Eshel 研究人员通过将其预测与直线加速器相干光源(LCLS) X射线激光器的电子束的实验和模拟数据、其未来升级的LCLS二号和最近升级的高级加速器实验测试设施(FACET-II)进行比较，展示了该方法，这三个设施是位于SLAC的美国能源部科学办公室的三个用户设施
特别是，结果表明机器学习方法在超出传统工具能力的情况下有所帮助
以LCLS二号为例，神经网络可以提供机器每秒产生的百万个电子脉冲中每一个的详细信息——这是一个前所未有的脉冲速率，超过了目前诊断技术的极限
虚拟诊断还可以提供关于FACET-II高强度光束的准确信息，这对于使用物理设备进行分析来说是一项挑战
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
