En ny maskinlæringsmetode strømliner partikelacceleratordrift

Hvert år, forskere fra hele verden besøger Department of Energy's SLAC National Accelerator Laboratory for at udføre hundredvis af eksperimenter i kemi, materialevidenskab, biologi og energiforskning ved Linac Coherent Light Source (LCLS) røntgenlaser. LCLS skaber ultralyse røntgenstråler fra højenergistråler af elektroner produceret i en kæmpe lineær partikelaccelerator.

Eksperimenter på LCLS kører døgnet rundt, i to 12-timers vagter pr. Ved starten af ​​hvert skift, operatører skal justere acceleratorens ydeevne for at forberede røntgenstrålen til det næste eksperiment. Sommetider, yderligere justering er også nødvendig under et skift. I fortiden, operatører har brugt hundredvis af timer hvert år på denne opgave, kaldet accelerator tuning.

Nu, SLAC-forskere har udviklet et nyt værktøj, ved hjælp af maskinlæring, som kan gøre en del af tuningsprocessen fem gange hurtigere sammenlignet med tidligere metoder. De beskrev metoden i Fysisk gennemgangsbreve den 25. marts.

Tuning af strålen

Fremstilling af LCLS's kraftfulde røntgenstråle starter med forberedelsen af ​​en højkvalitets elektronstråle. Nogle af elektronernes energi bliver derefter omdannet til røntgenlys inde i specielle magneter. Elektronstrålens egenskaber, som skal være tæt og tæt fokuseret, er en kritisk faktor for, hvor god røntgenstrålen bliver.

"Selv en lille forskel i tætheden af ​​elektronstrålen kan have en enorm forskel i mængden af ​​røntgenstråler, du får ud til sidst, " siger Daniel Ratner, leder af SLACs maskinlæringsinitiativ og et medlem af teamet, der udviklede den nye teknik.

Acceleratoren bruger en serie på 24 specielle magneter, kaldet quadrupol magneter, at fokusere elektronstrålen på samme måde som glaslinser fokuserer lys. Traditionelt, menneskelige operatører drejede forsigtigt på knapperne for at justere individuelle magneter mellem skift for at sikre, at acceleratoren producerede den røntgenstråle, der var nødvendig til et bestemt eksperiment. Denne proces tog meget af operatørernes tid - tid, de kunne bruge på andre vigtige opgaver, der forbedrer strålen til eksperimenter.

Et par år siden, LCLS-operatører indførte en computeralgoritme, der automatiserede og fremskyndede denne magnetjustering. Imidlertid, det kom med sine egne ulemper. Det havde til formål at forbedre røntgenstrålen ved at foretage tilfældige justeringer af magneternes styrker. Men i modsætning til menneskelige operatører, denne algoritme havde ingen forudgående viden om acceleratorens struktur og kunne ikke foretage uddannede gæt i sin tuning, som i sidste ende kunne have ført til endnu bedre resultater.

Det er grunden til, at SLAC-forskere besluttede at udvikle en ny algoritme, der kombinerer maskinlæring - "smarte" computerprogrammer, der lærer at blive bedre over tid - med viden om acceleratorens fysik.

"Maskinlæringstilgangen forsøger at binde det hele sammen for at give operatørerne bedre værktøjer, så de kan fokusere på andre vigtige problemer, " siger Joseph Duris, en SLAC-forsker, der ledede den nye undersøgelse.

En bedre stråle, hurtigere

Den nye tilgang bruger en teknik kaldet en Gauss-proces, som forudsiger den effekt en bestemt acceleratorjustering har på kvaliteten af ​​røntgenstrålen. Det skaber også usikkerheder for sine forudsigelser. Algoritmen beslutter derefter, hvilke justeringer der skal prøves for de største forbedringer.

For eksempel, det kan beslutte at prøve en dramatisk justering, hvis udfald er meget usikkert, men som kan føre til en stor gevinst. Det betyder denne nye, eventyrlig algoritme har en bedre chance end den tidligere algoritme for at lave de nødvendige justeringer for at skabe den bedst mulige røntgenstråle.

SLAC-forskerne brugte også data fra tidligere LCLS-operationer til at lære algoritmen, hvilke magnetstyrker der typisk har ført til lysere røntgenstråler, at give algoritmen en måde at foretage kvalificerede gæt om de justeringer, den skal prøve. Dette udstyrer algoritmen med viden og ekspertise, som menneskelige operatører naturligt har, og at den tidligere algoritme manglede.

"Vi kan stole på den fysikviden, den institutionelle viden, for at forbedre forudsigelserne, " siger Duris.

Indsigt i magneternes forhold til hinanden forbedrede også teknikken. Quadrupolmagneterne fungerer i par, og for at øge deres fokuseringsevne, styrken af ​​en magnet i et par skal øges, mens den andens mindskes.

Med den nye proces, tuning af quadrupole magneter er blevet omkring tre til fem gange hurtigere, vurderer forskerne. Det har også en tendens til at producere højere intensitetsstråler end den tidligere brugte algoritme.

"Vores evne til at øge vores tuning effektivitet er virkelig, virkelig afgørende for at kunne levere en stråle hurtigere og med bedre kvalitet til folk, der kommer fra hele verden for at udføre eksperimenter, " siger Jane Shtalenkova, en acceleratoroperatør hos SLAC, der arbejdede med Duris, Ratner og andre til at udvikle det nye værktøj.

Ud over LCLS

Den samme metode kan udvides til at tune andre elektron- eller røntgenstråleegenskaber, som forskere måske ønsker at optimere til deres eksperimenter. For eksempel, forskere kunne anvende teknikken til at maksimere det signal, de får ud af deres prøve, efter at den er ramt af LCLS's røntgenstråle.

Denne fleksibilitet gør også den nye algoritme nyttig for andre faciliteter.

"Det gode ved denne maskinlæringsalgoritme er, at du relativt nemt kan udføre teknologioverførsel, " siger Adi Hanuka, en SLAC-forsker, der har testet teknikken ved tre andre acceleratorer:SPEAR3, acceleratorringen, der driver SLAC's Stanford Synchrotron Radiation Lightsource (SSRL); PEGASUS ved University of California, Los Angeles; og Advanced Photon Source (APS) ved DOE's Argonne National Laboratory.

"Dette værktøj findes nu i flere laboratorier, " siger Hanuka. "Forhåbentlig, vi vil snart integrere det i endnu flere laboratorier."