Elk jaar, onderzoekers van over de hele wereld bezoeken het SLAC National Accelerator Laboratory van het Department of Energy om honderden experimenten in de chemie uit te voeren, materiaal kunde, biologie en energieonderzoek bij de Linac Coherent Light Source (LCLS) röntgenlaser. LCLS creëert ultraheldere röntgenstralen van hoogenergetische elektronenstralen die worden geproduceerd in een gigantische lineaire deeltjesversneller.

Experimenten bij LCLS lopen de klok rond, in twee diensten van 12 uur per dag. Aan het begin van elke dienst wordt operators moeten de prestaties van de versneller aanpassen om de röntgenstraal voor te bereiden op het volgende experiment. Soms, extra tweaken is ook nodig tijdens een dienst. Vroeger, operators hebben elk jaar honderden uren aan deze taak besteed, accelerator tuning genoemd.

Nutsvoorzieningen, SLAC-onderzoekers hebben een nieuwe tool ontwikkeld, machinaal leren gebruiken, die een deel van het afstemmingsproces vijf keer sneller kunnen maken in vergelijking met eerdere methoden. Ze beschreven de methode in Fysieke beoordelingsbrieven op 25 maart.

De straal afstemmen

Het produceren van de krachtige röntgenbundel van LCLS begint met de voorbereiding van een hoogwaardige elektronenbundel. Een deel van de energie van de elektronen wordt vervolgens omgezet in röntgenlicht in speciale magneten. De eigenschappen van de elektronenbundel, die dicht en strak gefocust moet zijn, zijn een kritische factor in hoe goed de röntgenstraal zal zijn.

"Zelfs een klein verschil in de dichtheid van de elektronenstraal kan een enorm verschil hebben in de hoeveelheid röntgenstralen die je aan het einde krijgt, " zegt Daniël Ratner, hoofd van het machine learning-initiatief van SLAC en lid van het team dat de nieuwe techniek heeft ontwikkeld.

De versneller maakt gebruik van een serie van 24 speciale magneten, zogenaamde quadrupoolmagneten, om de elektronenstraal te focussen op dezelfde manier als hoe glazen lenzen licht focussen. traditioneel, menselijke operators draaiden zorgvuldig aan knoppen om individuele magneten tussen shifts aan te passen om er zeker van te zijn dat het gaspedaal de röntgenstraal produceerde die nodig was voor een bepaald experiment. Dit proces nam veel tijd van de operators in beslag - tijd die ze konden besteden aan andere belangrijke taken die de straal voor experimenten verbeteren.

Een paar jaar geleden, LCLS-operators gebruikten een computeralgoritme dat deze magneetafstemming automatiseerde en versnelde. Echter, het kwam met zijn eigen nadelen. Het was gericht op het verbeteren van de röntgenstraal door willekeurige aanpassingen aan de sterktes van de magneten aan te brengen. Maar in tegenstelling tot menselijke operators, dit algoritme had geen voorkennis van de structuur van de versneller en kon geen gefundeerde gissingen maken in de afstemming die uiteindelijk tot nog betere resultaten had kunnen leiden.

Dit is de reden waarom SLAC-onderzoekers besloten een nieuw algoritme te ontwikkelen dat machine learning - 'slimme' computerprogramma's die leren hoe ze in de loop van de tijd beter kunnen worden, combineert met kennis over de fysica van de versneller.

"De machine learning-benadering probeert dit allemaal samen te brengen om operators betere tools te geven, zodat ze zich kunnen concentreren op andere belangrijke problemen, " zegt Joseph Duris, een SLAC-wetenschapper die de nieuwe studie leidde.

Een betere straal, sneller

De nieuwe benadering maakt gebruik van een techniek die een Gaussiaans proces wordt genoemd, die het effect voorspelt dat een bepaalde versnellingsaanpassing heeft op de kwaliteit van de röntgenbundel. Het genereert ook onzekerheden voor zijn voorspellingen. Het algoritme beslist vervolgens welke aanpassingen worden geprobeerd voor de grootste verbeteringen.

Bijvoorbeeld, het kan besluiten om een ​​dramatische aanpassing te proberen waarvan de uitkomst zeer onzeker is, maar kan leiden tot een grote uitbetaling. Dat betekent deze nieuwe, avontuurlijk algoritme heeft een betere kans dan het vorige algoritme om de aanpassingen te maken die nodig zijn om de best mogelijke röntgenstraal te creëren.

De SLAC-onderzoekers gebruikten ook gegevens van eerdere LCLS-operaties om het algoritme te leren welke magneetsterkten doorgaans hebben geleid tot helderdere röntgenstralen, het algoritme een manier geven om weloverwogen gissingen te maken over de aanpassingen die het zou moeten proberen. Dit voorziet het algoritme van kennis en expertise die menselijke operators van nature hebben, en dat het vorige algoritme ontbrak.

"We kunnen vertrouwen op die natuurkundige kennis, die institutionele kennis, om de voorspellingen te verbeteren, ' zegt Duris.

Inzichten in de onderlinge relaties van de magneten verbeterden ook de techniek. De quadrupoolmagneten werken in paren, en om hun focusvermogen te vergroten, de sterkte van de ene magneet in een paar moet worden verhoogd, terwijl die van de andere wordt verlaagd.

Met het nieuwe proces het afstemmen van de quadrupoolmagneten is ongeveer drie tot vijf keer sneller geworden, schatten de onderzoekers. Het heeft ook de neiging om bundels met een hogere intensiteit te produceren dan het eerder gebruikte algoritme.

"Ons vermogen om onze afstemmingsefficiëntie te verhogen is echt, echt cruciaal om een ​​straal sneller en met betere kwaliteit te kunnen leveren aan mensen die van over de hele wereld komen om experimenten uit te voeren, " zegt Jane Sjtalenkova, een versnelleroperator bij SLAC die samenwerkte met Duris, Ratner en anderen om de nieuwe tool te ontwikkelen.

Voorbij LCLS

Dezelfde methode kan worden uitgebreid om andere elektronen- of röntgenbundeleigenschappen af ​​te stemmen die wetenschappers misschien willen optimaliseren voor hun experimenten. Bijvoorbeeld, onderzoekers zouden de techniek kunnen toepassen om het signaal dat ze uit hun monster halen te maximaliseren nadat het is geraakt door de röntgenstraal van LCLS.

Deze flexibiliteit maakt het nieuwe algoritme ook bruikbaar voor andere voorzieningen.

"Het leuke van dit machine learning-algoritme is dat je relatief eenvoudig tech transfer kunt doen, " zegt Adi Hanuka, een SLAC-wetenschapper die de techniek bij drie andere versnellers heeft getest:SPEAR3, de versnellerring die de Stanford Synchrotron Radiation Lightsource (SSRL) van SLAC aandrijft; PEGASUS aan de Universiteit van Californië, Los Angeles; en de Advanced Photon Source (APS) in het Argonne National Laboratory van DOE.

"Deze tool bestaat nu in verschillende laboratoria, " zegt Hanuka. "Hopelijk, we zullen het binnenkort in nog meer laboratoria integreren."