Maskinlæring baner vejen for smartere partikelacceleratorer

Forskere har udviklet en ny maskinlæringsplatform, der gør de algoritmer, der styrer partikelstråler og lasere, smartere end nogensinde før. Deres arbejde kan hjælpe med at føre til udviklingen af ​​nye og forbedrede partikelacceleratorer, der vil hjælpe videnskabsmænd med at låse op for hemmelighederne i den subatomære verden.

Daniele Filippetto og kolleger ved Department of Energy's Lawrence Berkeley National Laboratory (Berkeley Lab) udviklede opsætningen til automatisk at kompensere for ændringer i realtid til acceleratorstråler og andre komponenter, såsom magneter. Deres maskinlæringstilgang er også bedre end nutidige strålekontrolsystemer til både at forstå, hvorfor ting fejler, og så bruge fysik til at formulere et svar. Et papir, der beskriver forskningen, blev offentliggjort sidst sidste år i Nature Scientific Reports .

"Vi forsøger at lære fysik til en chip, samtidig med at vi giver den visdom og erfaring fra en seniorforsker, der betjener maskinen," sagde Filippetto, en stabsforsker ved Accelerator Technology &Applied Physics Division (ATAP) kl. Berkeley Lab og vicedirektør for Berkeley Accelerator Controls and Instrumentation Program (BACI)-programmet.

Deres forskning har også potentiale til at påvirke flere anvendte områder af partikelacceleratorer, lige fra autonome operationer i industrielle og medicinske omgivelser til øget præcision i videnskabelige anvendelser, såsom lineære kollidere og ultrahurtige frie elektronlasere.

Den nye teknik blev demonstreret ved High Repetition-Rate Electron Scattering Apparatus (HiRES) acceleratoren på Berkeley Lab i samarbejde med forskere fra Los Alamos National Laboratory og UCLA. Hovedanvendelsen af ​​HiRES-strålelinjen er at udføre strukturelle dynamik-eksperimenter på nye kvantematerialer. Instrumentet har bidraget til adskillige videnskabelige opdagelser, såsom at udføre de første ultrahurtige elektrondiffraktionsundersøgelser nogensinde af optisk smeltning af tantalditellurid, et materiale med interessante og potentielt nyttige egenskaber. Nu viser denne nye maskine sin anvendelighed til at udvikle nye metoder til styring af brede klasser af acceleratorer.

Partikelacceleratorer producerer og accelererer stråler af ladede partikler, såsom elektroner, protoner og ioner, af atom- og subatomær størrelse. Efterhånden som maskinerne bliver mere kraftfulde og komplekse, bliver kontrol og optimering af partikel- eller laserstrålen vigtigere for at imødekomme behovene for videnskabelige, medicinske og industrielle applikationer.

Filippetto og kolleger på BACI-programmet leder den globale udvikling af maskinlæringsværktøjer. Disse værktøjer giver en platform til at udvikle smarte algoritmer, der reagerer hurtigt og præcist på uforudsete forstyrrelser, lærer af deres fejl og vedtager den bedste strategi til at nå eller opretholde målstrålens sætpunkt.

De værktøjer, de udvikler, har den ekstra fordel, at de giver en nøjagtig model af den overordnede opførsel af et partikelacceleratorsystem, uanset kompleksiteten. Controllere kan bruge disse nye og forbedrede funktioner til at træffe mere effektive beslutninger i realtid.

Det nuværende fokus for Filippettos arbejde er at bruge kraften og forudsigelsen af ​​maskinlæringsværktøjer til at øge den samlede stabilitet af partikelstråler.

"Hvis du kan forudsige stråleegenskaberne med en nøjagtighed, der overgår deres udsving, kan du derefter bruge forudsigelsen til at øge acceleratorens ydeevne," sagde han. "Kendskab til nøglestråleparametre i realtid ville have en enorm indflydelse på den endelige nøjagtighed af eksperimenter."

I første omgang kunne en sådan tilgang virke usandsynligt at give nøjagtige resultater, svarende til udfordringer med forudsigelse af aktiemarkedsadfærd, men tidlige resultater fra gruppen er lovende. Faktisk viser den anvendte algoritme, som er baseret på neurale netværksmodeller, en tidoblet stigning i præcisionen af ​​forudsagte stråleparametre sammenlignet med typiske statistiske analyser. I beslægtet arbejde gik en nylig Halbach-pris til Simon Leemann, stabsforsker i Accelerator Physics Group i ATAP, og samarbejdspartnere til udvikling af maskinlæringskontrolmetoder, der forbedrer ydeevnen af ​​den avancerede lyskilde ved at stabilisere den meget relativistiske elektronstråle ved eksperimentet. kildepunkter med omtrent en størrelsesorden, et hidtil uset niveau.

I relateret forskning offentliggjort i Optics Express , Dan Wang, en forsker i BACI-gruppen, der begyndte sin karriere på Berkeley Lab for tre år siden som post-doc forsker, bruger maskinlæringsværktøjer til at fremme kontrolteknologien i komplekse lasersystemer. I Wangs tilfælde er det ultimative mål at være i stand til præcist at kombinere hundredvis af ultra-intense laserimpulser i én kraftig og sammenhængende stråle på størrelse med et menneskehår. I en kohærent stråle skal fasen af ​​hver inputlaser styres inden for nogle få grader af fejl, hvilket er meget udfordrende. Laserenergien kan kombineres på forskellige måder, men i alle tilfælde er det bydende nødvendigt, at kohærensen af ​​strålearrayet stabiliseres mod miljømæssige forstyrrelser såsom termisk drift, luftudsving eller endda bevægelsen af ​​det understøttende bord.

For at gøre dette udviklede Wang og hendes kolleger en neural netværksmodel, der er 10 gange hurtigere til at korrigere for systemfejl i det kombinerede laserarray end andre konventionelle metoder. Den model, de udviklede, er også i stand til at lære systemet at genkende fasefejl og parameterændringer i laserne og at autokorrigere for forstyrrelser, når de opstår.

Forskernes metode fungerer i både simuleringer og eksperimenter i lasere, hvor der blev opnået en hidtil uset kontrolydelse. Det næste trin i forskningen er at implementere maskinlæringsmodeller på kantcomputere såsom feltprogrammerbare gate-arrays (FPGA'er) for hurtigere respons, og også at demonstrere generaliseringen af ​​denne maskinlæringsbaserede kontrolmetode i mere komplekse systemer, hvor der er langt flere variabler at tage højde for.

"Jeg kommer fra en accelerator-baggrund, men under min post-doc hjalp mine kolleger mig virkelig med at omfavne kraften ved maskinlæring," sagde Wang. "Hvad jeg har lært er, at maskinlæring er et kraftfuldt værktøj til at løse en masse forskellige problemer, men du skal altid bruge din fysik til at vejlede i, hvordan du bruger og anvender den."

"To meet the needs of new science, this work exemplifies active feedback and machine learning methods that are crucial enablers for the next generation of accelerator and laser performance to power new photon sources and future particle colliders," said Cameron Geddes, director of the Accelerator Technology &Applied Physics Division. + Udforsk yderligere

New machine learning tool diagnoses electron beams in an efficient, non-invasive way