一种新的机器学习方法简化了粒子加速器的操作

时间:2020-05-01 18:55 来源:seo 作者:小可爱科技知识网 点击量:

一种新的机器学习方法简化了粒子加速器的操作

每年,来自世界各地的研究人员都会访问美国能源部下属的SLAC国家加速器实验室,利用Linac相干光源(LCLS) x射线激光器进行化学、材料科学、生物学和能源研究方面的数百项实验。LCLS利用巨型线性粒子加速器产生的高能电子束产生超亮x射线。

LCLS的实验昼夜不停地进行,每天两班,每班12小时。在每次换班开始时,操作人员必须调整加速器的性能,为下一次实验准备好x射线。有时,还需要在转换期间进行额外的调整。在过去,运营商每年都要花费数百个小时来完成这项被称为“加速器调优”的任务。

现在,SLAC的研究人员已经开发了一种新的工具,使用机器学习,它可以使部分调优过程比以前的方法快5倍。他们在3月25日的《物理评论快报》上描述了这种方法。

调优光束

制造LCLS强大的x射线束首先要准备高质量的电子束。一些电子的能量在特殊的磁铁里被转换成x射线。电子束的性质是决定x射线质量的一个关键因素,它需要密度大、聚焦紧密。

“即使是电子束密度上的一个微小的差异,也会在你最终得到的x射线数量上产生巨大的差异,”SLAC机器学习项目的负责人、开发这项新技术的团队成员丹尼尔·拉特纳(Daniel Ratner)说。

加速器使用了24个被称为四极磁铁的特殊磁铁来聚焦电子束,就像玻璃镜片聚焦光线一样。传统上,人类操作员会小心地转动旋钮,在轮班之间调整单个磁铁,以确保加速器产生特定实验所需的x射线。这个过程占用了操作员大量的时间——他们可以把这些时间花在其他重要的任务上,以改善实验用的光束。

几年前,LCLS操作员采用了一种计算机算法来自动加速这种磁铁调谐。然而,它也有自己的缺点。它的目的是通过随机调整磁铁的强度来提高x射线的强度。但与人工操作不同的是,这个算法事先不知道加速器的结构,也无法在调优过程中做出有根据的猜测,而这种猜测可能最终会得到更好的结果。

这就是为什么SLAC的研究人员决定开发一种结合机器学习的新算法——“智能”计算机程序,学习如何随着时间的推移变得更好——与加速器的物理知识。

“机器学习方法试图将所有这些联系起来,为操作员提供更好的工具,让他们能够专注于其他重要问题,”主持这项新研究的SLAC科学家约瑟夫?杜里斯(Joseph Duris)表示。

更好的光束,更快

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。这意味着这个新的、冒险的算法比之前的算法有更好的机会进行必要的调整,以创造最好的可能的x射线束。

SLAC的研究人员还利用以前LCLS操作的数据来教授该算法,该算法的磁铁强度通常会产生更亮的x射线,这让该算法能够对它应该尝试的调整做出有根据的猜测。这使得该算法具备了人类操作员自然具备的知识和专业技能,而以前的算法则缺乏这些知识和技能。

“为了改进预测,我们可以依靠物理知识,机构知识,”杜里斯说。

对磁铁之间关系的深入了解也改善了这项技术。四极磁铁成对工作,为了增加聚焦力,一对磁铁中的一个的强度必须增加,而另一个的强度必须降低。

研究人员估计,通过这种新方法,调整四极磁铁的速度提高了三到五倍。它也倾向于产生比以前使用的算法更高强度的光束。

“我们增加我们的能力优化效率,真正能够实现的关键梁更快和更好质量的人来自世界各地的运行实验,”简Shtalenkova说,在斯坦福线性加速器运营商曾与Duris,拉特纳等人开发的新工具。

超越 LCLS

同样的方法可以扩展到调整其他电子或x射线束的性质,科学家可能希望优化他们的实验。例如,研究人员可以应用这项技术,使他们的样本在受到LCLS的x射线照射后发出的信号最大化。

这种灵活性也使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?汉鲁卡(Adi Hanuka)表示。他一直在另外三种加速器上测试该技术:为SLAC的斯坦福同步辐射光源(SSRL)供电的加速器环SPEAR3;加州大学洛杉矶分校的帕伽索斯;以及美国能源部阿贡国家实验室的先进光子源(APS)。

Hanuka说:“这个工具现在已经存在于几个实验室里了。”“希望我们很快能把它整合进更多的实验室。”

当前位置:主页 > 物理知识 >

声明:本文小可爱科技知识网整理不代表个人观点,转载请注明原文,点击还能查看更多的文章;本文网址: http://www.kozbods.com/wuli/1452.html

围观: 次 | 责任编辑:小可爱科技知识网



回到顶部