实施机器学习算法:简化粒子加速器和人工智能的操作

每年,来自世界各地的许多科学家都访问了能源部的SLAC国家加速器实验室,以进行关于线性加速器相干光源(LCLS)X射线激光器的化学,材料科学,生物学和能量研究的数百个实验。线性加速器相干光源从巨型线性粒子加速器产生的高能电子束中产生超明亮的X射线。线性加速器相干光源的实验白天和黑夜进行,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,在轮班期间需要进行其他调整。过去,操作员每年花费数百小时来完成此任务,称为加速器调整。现在,SLAC国家加速器实验室的研究人员开发了一种使用人工智能机器学习的新工具。与以前的方法相比,它可以使调整过程的一部分快五倍。其研究发表在《物理评论快报》上。

人工智能机器学习

为了从线性加速器相干光源产生强大的X射线束,我们必须首先准备高质量的电子束。然后,一些电子的能量在特殊的磁体中转换为X射线光。电子束的特性需要密集且紧密聚焦,这是决定X射线束质量的关键因素。 SLAC国家加速器实验室的人工智能机器学习计划负责人,开发这项新技术的团队成员Daniel Ratner说:即使电子束密度的微小差异也会影响最终的X射线。巨大的影响。

该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。典型的操作人员会在换档之间小心地转动旋钮,以调节单个磁体,以确保加速器产生特定实验所需的X射线束。对于操作员来说,此过程会占用大量时间,他们可能会花费其他重要任务来改善用于实验的光束。几年前,线性加速器相干光源操作员使用一种计算机算法来自动加速磁体调谐。

更好的光束

但是,它也具有缺点,其目的是通过随机调节磁体的强度来改善X射线束。但是与人工操作员不同,该算法无法预先知道加速器的结构,也无法在调整过程中进行有根据的猜测,最终可能会产生更好的结果。这就是为什么SLAC国家加速器实验室的研究人员决定开发一种新的算法的方法,该算法可以学习人工智能机器并学习如何结合加速器物理知识来“更好地”随着时间的推移变得更好的计算机程序。

新方法使用一种称为高斯过程的技术,该技术可预测特定加速器调整对X射线束质量的影响。它还给预测带来不确定性,然后算法决定尝试进行哪些调整以最大程度地提高性能。例如,它可能决定尝试进行重大调整,其结果非常不确定,但是可能带来巨大的回报。这意味着与以前的算法相比,这种冒险的新算法有更好的机会进行必要的调整以产生最佳的X射线束。

SLAC国家加速器实验室的研究人员还使用了以前的线性加速器相干光源(LCLS)操作中的数据来教授该算法,该磁体强度通常会产生更亮的X射线,这使该算法可以进行调整,应该尝试一下。猜测。这为算法提供了操作员自然拥有的专业知识,而以前的算法则缺乏这些知识。对磁体相互关系的深入了解也改善了这项技术,四极磁体成对工作。

超越线性加速器相干光源

为了增加聚焦能力,有必要增加一对磁体的强度而降低另一对磁体的强度。研究人员估计,采用这种新工艺,四极磁体的调谐速度大约快三到五倍,并且它还倾向于产生比以前使用的算法更高强度的光束。 SLAC国家加速器实验室的加速器操作员Jane Shtalenkova说:我们提高调谐效率的能力对于能够为来自世界各地进行实验的人们提供更高质量的光束至关重要。

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束或X射线束特性。例如,研究人员可以应用此技术来最大化线性加速器相干光源(LCLS)X射线束撞击样品后从样品获得的信号。这种灵活性也使新算法可用于其他设施。这种机器学习算法的优点是可以相对容易地进行技术转让。

«   2020年5月   »
123
45678910
11121314151617
18192021222324
25262728293031
控制面板
您好,欢迎到访网站!
  查看权限
网站分类
友情链接

Powered By Z-BlogPHP 1.6.0 Valyria

Copyright © 有福网http://www.youfu.org