作者:Erika K
卡尔森，SLAC国家加速器实验室 加速器操作员简·什塔连科娃在SLAC 2019年社区日参观加速器控制室
学分:杰奎琳·奥瑞尔/SLAC国家加速器实验室 每年，来自世界各地的研究人员访问能源部SLAC国家加速器实验室，在直线加速器相干光源(LCLS) X射线激光器上进行数百个化学、材料科学、生物学和能源研究实验
LCLS利用巨型线性粒子加速器产生的高能电子束产生超亮的x光
LCLS大学的实验每天24小时进行，分两次，每次12小时
在每次轮班开始时，操作员必须调整加速器的性能，为下一次实验准备x光束
有时，轮班期间也需要额外的调整
过去，运营商每年都要花费数百个小时来完成这项任务，称为加速器调谐
现在，SLAC的研究人员开发了一种新的工具，使用机器学习，这可能使部分调整过程比以前的方法快五倍
他们在3月25日的《物理评论快报》中描述了这种方法
调谐光束 制造LCLS强大的x光束始于高质量电子束的准备
一些电子的能量然后在特殊的磁铁中被转换成x光
电子束的性质需要密集和紧密聚焦，这是决定x光束好坏的关键因素
SLAC机器学习倡议的负责人、这项新技术的开发小组成员丹尼尔·拉特纳说:“即使是电子束密度的微小差异，也会导致最终释放出的x光量的巨大差异。”
加速器使用一系列24个被称为四极磁铁的特殊磁铁来聚焦电子束，就像玻璃透镜聚焦光线一样
传统上，操作人员会小心地转动旋钮来调整轮班之间的单个磁铁，以确保加速器产生特定实验所需的x光束
这个过程占用了操作人员大量的时间——他们可以花在其他重要任务上的时间，这些任务可以改善实验用的光束
几年前，LCLS运营商采用了一种计算机算法，自动加速了磁铁调谐
然而，它也有自己的缺点
它旨在通过随机调整磁铁的强度来改善x光束
但与人工操作者不同，这种算法没有加速器结构的先验知识，也不能对其调整做出有根据的猜测，而这种猜测最终可能会产生更好的结果
这就是为什么SLAC的研究人员决定开发一种新的算法，将机器学习——学习如何随着时间的推移变得更好的“智能”计算机程序——与加速器物理知识相结合
领导这项新研究的SLAC科学家约瑟夫·杜里斯说:“机器学习方法试图将这些结合在一起，为操作者提供更好的工具，使他们能够专注于其他重要问题。”
更好的光束，更快 这种新方法使用了一种叫做高斯过程的技术，这种技术可以预测特定的加速器调整对x光光束质量的影响
这也为其预测带来了不确定性
然后，算法会决定尝试哪些调整来获得最大的改进
例如，它可能决定尝试一个戏剧性的调整，其结果是非常不确定的，但可能导致一个大的回报
这意味着这种新的、冒险的算法比以前的算法有更好的机会进行必要的调整来产生最好的x光束
SLAC大学的研究人员还利用以前LCLS操作的数据来教授该算法，哪些磁场强度通常会导致更亮的x光，从而使该算法能够对应该尝试的调整做出有根据的猜测
这为算法配备了人类操作员自然拥有的知识和专业技能，而以前的算法缺乏这些知识和技能
“我们可以依靠物理知识和制度知识来改进预测，”杜里斯说
对磁铁相互关系的洞察也改进了这项技术
四极磁铁成对工作，为了增加它们的聚焦能力，一对磁铁中的一个磁铁的强度必须增加，而另一个磁铁的强度必须减少
研究人员估计，通过这一新过程，调谐四极磁铁的速度提高了3到5倍
它也倾向于产生比以前使用的算法更高强度的光束
“我们提高调谐效率的能力，对于能够更快、更高质量地向来自世界各地进行实验的人传送光束来说，真的非常非常关键，”简·什塔连科娃说，她是SLAC的一名加速器操作员，曾与杜里斯、拉特纳等人合作开发这种新工具
超越LCLS 同样的方法可以扩展到调整其他电子或x光束的属性，科学家可能希望为他们的实验进行优化
例如，研究人员可以应用这种技术，在样本被LCLS的x光束击中后，最大化样本发出的信号
这种灵活性也使得新算法对其他设施有用
“这种机器学习算法的好处是，你可以相对容易地进行技术转移，”SLAC科学家阿迪·哈努卡说，他一直在另外三个加速器上测试这项技术:为SLAC的斯坦福同步辐射光源(SSRL)提供动力的加速器环SPEAR3加州大学洛杉矶分校的飞马；和美国能源部阿尔贡国家实验室的先进光子源
“这个工具现在存在于几个实验室，”哈努卡说
“希望我们能很快将其整合到更多的实验室中
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
