Maskinlæring forbedrer lysstråleydelsen ved den avancerede lyskilde

Synchrotron lyskilder er kraftfulde faciliteter, der producerer lys i en række forskellige "farver, " eller bølgelængder - fra infrarød til røntgenstråler - ved at accelerere elektroner til at udsende lys i kontrollerede stråler.

Synkrotroner som den avancerede lyskilde ved Department of Energy's Lawrence Berkeley National Laboratory (Berkeley Lab) gør det muligt for forskere at udforske prøver på en række forskellige måder ved at bruge dette lys, inden for områder lige fra materialevidenskab, biologi, og kemi til fysik og miljøvidenskab.

Forskere har fundet måder at opgradere disse maskiner til at producere mere intense, fokuseret, og ensartede lysstråler, der muliggør nye, og mere komplekse og detaljerede undersøgelser på tværs af en bred vifte af prøvetyper.

Men nogle lysstråleegenskaber udviser stadig udsving i ydeevnen, der giver udfordringer for visse eksperimenter.

Løsning af et årtier gammelt problem

Mange af disse synkrotronfaciliteter leverer forskellige typer lys til snesevis af samtidige eksperimenter. Og små justeringer for at forbedre lysstråleegenskaberne ved disse individuelle strålelinjer kan føres tilbage til den overordnede lysstråleydelse på tværs af hele anlægget. Synchrotron-designere og -operatører har kæmpet i årtier med en række forskellige tilgange til at kompensere for de mest genstridige af disse udsving.

Og nu, et stort team af forskere ved Berkeley Lab og UC Berkeley har med succes demonstreret, hvordan maskinlæringsværktøjer kan forbedre stabiliteten af ​​lysstrålernes størrelse til eksperimenter via justeringer, der stort set udligner disse fluktuationer – hvilket reducerer dem fra et niveau på et par procent ned. til 0,4 pct. med submikron (under 1 milliontedel af en meter) præcision.

Værktøjerne er detaljeret beskrevet i en undersøgelse offentliggjort 6. november i tidsskriftet Fysisk gennemgangsbreve .

Machine learning er en form for kunstig intelligens, hvor computersystemer analyserer et sæt data for at bygge prædiktive programmer, der løser komplekse problemer. De maskinlæringsalgoritmer, der bruges ved ALS, omtales som en form for "neuralt netværk", fordi de er designet til at genkende mønstre i dataene på en måde, der løst ligner menneskelige hjernefunktioner.

I dette studie, forskere fodrede elektronstråledata fra ALS, som omfattede positionerne af de magnetiske enheder, der blev brugt til at producere lys fra elektronstrålen, ind i det neurale netværk. Det neurale netværk genkendte mønstre i disse data og identificerede, hvordan forskellige enhedsparametre påvirkede bredden af ​​elektronstrålen. Maskinlæringsalgoritmen anbefalede også justeringer af magneterne for at optimere elektronstrålen.

Fordi størrelsen på elektronstrålen afspejler den resulterende lysstråle produceret af magneterne, Algoritmen optimerede også lysstrålen, der bruges til at studere materialeegenskaber ved ALS.

Løsningen kan have global indvirkning

Den vellykkede demonstration på ALS viser, hvordan teknikken også generelt kan anvendes på andre lyskilder, og vil især være fordelagtigt for specialiserede undersøgelser muliggjort ved en opgradering af ALS kendt som ALS-U-projektet.

"Det er det skønne ved dette, " sagde Hiroshi Nishimura, en tilknyttet Berkeley Lab, der gik på pension sidste år og havde deltaget i tidlige diskussioner og udforskninger af en machine-learning-løsning på det mangeårige lysstrålestørrelsesstabilitetsproblem. "Uanset hvad speederen er, og uanset hvad den konventionelle løsning er, denne løsning kan komme oveni."

Steve Kevan, ALS direktør, sagde, "Dette er et meget vigtigt fremskridt for ALS og ALS-U. I flere år har vi haft problemer med artefakter i billederne fra vores røntgenmikroskoper. Denne undersøgelse præsenterer en ny feed-forward tilgang baseret på maskinlæring, og det har stort set løst problemet."

ALS-U-projektet vil øge lysstrålernes snævre fokus fra et niveau på omkring 100 mikron ned til under 10 mikron og også skabe en højere efterspørgsel efter konsistente, pålidelige lysstråleegenskaber.

Maskinlæringsteknikken bygger på konventionelle løsninger, der er blevet forbedret gennem årtier siden ALS startede i 1993, og som er afhængige af konstante justeringer af magneter langs ALS-ringen, der i realtid kompenserer for justeringer ved individuelle strålelinjer.

Nishimura, der havde været en del af teamet, der bragte ALS online for mere end 25 år siden, sagde, at han begyndte at studere den potentielle anvendelse af maskinlæringsværktøjer til acceleratorapplikationer for omkring fire eller fem år siden. Hans samtaler strakte sig til eksperter i computere og acceleratorer på Berkeley Lab og på UC Berkeley, og konceptet begyndte at gelere for omkring to år siden.

Vellykket test under ALS-operationer

Forskere testede med succes algoritmen på to forskellige steder omkring ALS-ringen tidligere på året. De advarede ALS-brugere, der udførte eksperimenter om test af den nye algoritme, og bad dem om at give feedback på eventuelle uventede præstationsproblemer.

"Vi havde konsekvente test i brugerdrift fra april til juni i år, " sagde C. Nathan Melton, en postdoktor ved ALS, der sluttede sig til maskinlæringsteamet i 2018 og arbejdede tæt sammen med Shuai Liu, en tidligere UC Berkeley kandidatstuderende, der bidrog betydeligt til indsatsen og er medforfatter til undersøgelsen.

Simon Leemann, stedfortræder for acceleratordrift og udvikling ved ALS og hovedefterforsker i maskinlæringsindsatsen, sagde, "Vi havde ikke nogen negativ feedback til testen. En af overvågningsstrålelinjerne, som holdet brugte, er en diagnostisk strålelinje, der konstant måler acceleratorens ydeevne, og en anden var en strålelinje, hvor eksperimenter kørte aktivt." Alex Hexemer, en seniorforsker ved ALS og programleder for computing, fungerede som co-lead i udviklingen af ​​det nye værktøj.

Strålelinjen med de aktive eksperimenter, Beamline 5.3.2.2, bruger en teknik kendt som scanning transmission røntgenmikroskopi eller STXM, og videnskabsmænd der rapporterede forbedret lysstråleydelse i eksperimenter.

Maskinlæringsteamet bemærkede, at den forbedrede lysstråleydelse også er velegnet til avancerede røntgenteknikker såsom ptychografi, som kan løse strukturen af ​​prøver ned til niveauet af nanometer (milliarddele af en meter); og røntgenfoton-korrelationsspektroskopi, eller XPCS, hvilket er nyttigt til at studere hurtige ændringer i stærkt koncentrerede materialer, der ikke har en ensartet struktur.

Andre eksperimenter, der kræver en pålidelig, stærkt fokuseret lysstråle med konstant intensitet, hvor den interagerer med prøven, kan også drage fordel af maskinlæringsforbedringen, Leemann bemærkede.

"Eksperimenters krav bliver hårdere, med scanninger med mindre areal på prøver, " sagde han. "Vi er nødt til at finde nye måder at korrigere disse ufuldkommenheder på."

Han bemærkede, at det kerneproblem, som lyskildesamfundet har kæmpet med - og som maskinlæringsværktøjerne adresserer - er den fluktuerende lodrette elektronstrålestørrelse ved strålelinjens kildepunkt.

Kildepunktet er det punkt, hvor elektronstrålen ved lyskilden udsender det lys, der rejser til en specifik strålelinjes eksperiment. Mens elektronstrålens bredde på dette tidspunkt er naturligt stabil, dens højde (eller lodrette kildestørrelse) kan svinge.

Åbner den 'sorte boks' af kunstig intelligens

"Dette er et meget godt eksempel på teamvidenskab, " sagde Leemann, bemærker, at indsatsen overvandt en vis indledende skepsis over for levedygtigheden af ​​maskinlæring for at forbedre acceleratorens ydeevne, og åbnede den "sorte boks" for, hvordan sådanne værktøjer kan give reelle fordele.

"Dette er ikke et værktøj, der traditionelt har været en del af acceleratorfællesskabet. Det lykkedes os at bringe folk fra to forskellige samfund sammen for at løse et virkelig hårdt problem." Omkring 15 Berkeley Lab-forskere deltog i indsatsen.

"Maskinlæring kræver grundlæggende to ting:Problemet skal være reproducerbart, og du har brug for enorme mængder data, "Leemann sagde." Vi indså, at vi kunne tage alle vores data i brug og få en algoritme til at genkende mønstre. "

Dataene viste de små blips i elektronstråleydelse, da justeringer blev foretaget ved individuelle strålelinjer, og algoritmen fandt en måde at tune elektronstrålen på, så den negerede denne påvirkning bedre end konventionelle metoder kunne.

"Problemet består af omkring 35 parametre - alt for komplekst til, at vi selv kan finde ud af, " sagde Leemann. "Hvad det neurale netværk gjorde, når det først blev trænet - det gav os en forudsigelse for, hvad der ville ske for kildestørrelsen i maskinen, hvis den overhovedet ikke gjorde noget for at rette op på det.

"Der er en yderligere parameter i denne model, der beskriver, hvordan de ændringer, vi foretager i en bestemt type magnet, påvirker den kildestørrelse. Så alt, hvad vi så skal gøre, er at vælge den parameter, der - ifølge denne neurale netværksforudsigelse - resulterer i strålestørrelsen, vi ønsker at oprette og anvende den på maskinen, " tilføjede Leemann.

Det algoritmestyrede system kan nu foretage korrektioner med en hastighed på op til 10 gange i sekundet, selvom tre gange i sekundet ser ud til at være tilstrækkeligt til at forbedre ydeevnen på dette stadium, Sagde Leemann.

Søgningen efter nye applikationer til maskinlæring

Maskinlæringsteamet modtog to års finansiering fra det amerikanske energiministerium i august 2018 til at forfølge dette og andre maskinlæringsprojekter i samarbejde med Stanford Synchrotron Radiation Lightsource på SLAC National Accelerator Laboratory. "Vi har planer om at blive ved med at udvikle dette, og vi har også et par nye idéer til maskinlæring, som vi gerne vil prøve, " sagde Leemann.

Nishimura sagde, at buzzwords "kunstig intelligens" synes at have trendet ind og ud af forskersamfundet i mange år, selvom, "Denne gang ser det endelig ud til at være noget rigtigt."