Nyt maskinindlæringsværktøj diagnosticerer elektronstråler i en effektiv, ikke-invasiv måde

Stråler af accelererede elektroner driver elektronmikroskoper, Røntgenlasere, medicinske acceleratorer og andet udstyr. For at optimere ydeevnen for disse applikationer, operatører skal være i stand til at analysere bjælkens kvalitet og justere dem efter behov.

I de sidste par år har forskere ved Department of Energy's SLAC National Accelerator Laboratory har udviklet "virtuel diagnostik", der bruger maskinlæring til at opnå afgørende oplysninger om strålekvalitet på en effektiv, ikke-invasiv måde. Nu, en ny virtuel diagnostisk tilgang, udgivet i Videnskabelige rapporter , indeholder yderligere oplysninger om strålen, der gør det muligt for metoden at arbejde i situationer, hvor konventionel diagnostik har fejlet.

"Vores metode kan bruges til at diagnosticere stort set enhver maskine, der bruger elektronstråler, om det er et elektronmikroskop til billeddannelse af ultralette objekter eller en medicinsk accelerator, der bruges til kræftbehandling, "sagde SLAC -forskningsassistent Adi Hanuka, der ledede undersøgelsen.

Konventionel strålediagnostik er fysiske enheder, der skal interagere med strålen for at måle dens egenskaber, såsom intensitet og form. Denne interaktion ødelægger eller ændrer ofte strålen eller kræver dens afbøjning, så det kan ikke bruges samtidigt til den egentlige applikation. Tekniske begrænsninger forhindrer også nøjagtige målinger i nogle tilfælde, for eksempel når strålens elektronpulser affyres med en meget høj hastighed eller er meget intense.

Den nye metode har ingen af ​​disse begrænsninger, fordi den ikke er en fysisk enhed. I stedet, den bruger et neuralt netværk - en maskinlæringsalgoritme inspireret af det neurale netværk i hjernen. Når SLAC -teamet havde trænet det neurale netværk i data taget med laboratoriets partikelacceleratorer, algoritmen var i stand til præcist at forudsige stråleegenskaber for eksperimentelle situationer.

Forskerne demonstrerede metoden ved at sammenligne dens forudsigelser med eksperimentelle og simulerede data for elektronstrålerne i Linac Coherent Light Source (LCLS) røntgenlaser, dens fremtidige opgradering LCLS-II, og den nyligt opgraderede facilitet til avancerede acceleratorforsøg (FACET-II), tre DOE Office of Science brugerfaciliteter på SLAC.

I særdeleshed, resultaterne viser, at maskinlæringsmetoden hjælper i situationer, der ligger uden for konventionelle værktøjers muligheder. I tilfælde af LCLS-II, for eksempel, det neurale netværk kan levere detaljerede oplysninger om hver af de millioner elektronpulser pr. sekund, maskinen vil producere - en hidtil uset puls, der overskrider grænserne for den nuværende diagnostiske teknologi. Virtuel diagnostik kan også give præcise oplysninger om FACET-II's højintensitetsstråle, hvilket er udfordrende at analysere med fysiske enheder.