Stralen van versnelde elektronen voeden elektronenmicroscopen, Röntgenlasers, medische versnellers en andere apparaten. Om de prestaties van deze toepassingen te optimaliseren, operators moeten in staat zijn de kwaliteit van de balken te analyseren en indien nodig bij te stellen.

De afgelopen jaren, onderzoekers van het SLAC National Accelerator Laboratory van het Department of Energy hebben 'virtuele diagnostiek' ontwikkeld die machinaal leren gebruiken om cruciale informatie over de straalkwaliteit te verkrijgen op een efficiënte, niet-invasieve manier. Nutsvoorzieningen, een nieuwe virtuele diagnostische benadering, gepubliceerd in Wetenschappelijke rapporten , bevat aanvullende informatie over de straal waardoor de methode kan werken in situaties waarin conventionele diagnostiek heeft gefaald.

"Onze methode kan worden gebruikt om vrijwel elke machine te diagnosticeren die elektronenstralen gebruikt, of het nu een elektronenmicroscoop is voor beeldvorming van ultrakleine objecten of een medische versneller die wordt gebruikt bij kankertherapie, " zei SLAC-onderzoeksmedewerker Adi Hanuka, die de studie leidde.

Conventionele straaldiagnostiek zijn fysieke apparaten die moeten interageren met de straal om zijn eigenschappen te meten, zoals intensiteit en vorm. Deze interactie vernietigt of verandert vaak de straal of vereist zijn afbuiging, dus het kan niet tegelijkertijd worden gebruikt voor de daadwerkelijke toepassing. Technische beperkingen verhinderen in sommige gevallen ook nauwkeurige metingen, bijvoorbeeld wanneer de elektronenpulsen van de bundel met een zeer hoge snelheid worden afgevuurd of zeer intens zijn.

De nieuwe methode heeft geen van deze beperkingen omdat het geen fysiek apparaat is. In plaats daarvan, het maakt gebruik van een neuraal netwerk - een machine learning-algoritme dat is geïnspireerd op het neurale netwerk van de hersenen. Nadat het SLAC-team het neurale netwerk had getraind op gegevens die waren genomen met de deeltjesversnellers van het laboratorium, het algoritme was in staat om straaleigenschappen nauwkeurig te voorspellen voor experimentele situaties.

De onderzoekers demonstreerden de methode door de voorspellingen te vergelijken met experimentele en gesimuleerde gegevens voor de elektronenbundels van de Linac Coherent Light Source (LCLS) röntgenlaser, zijn toekomstige upgrade LCLS-II, en de onlangs verbeterde Facility for Advanced Accelerator Experimental Tests (FACET-II), drie DOE Office of Science gebruikersfaciliteiten bij SLAC.

Vooral, de resultaten laten zien dat de machine learning-benadering helpt in situaties die de mogelijkheden van conventionele tools te boven gaan. In het geval van LCLS-II, bijvoorbeeld, het neurale netwerk kan gedetailleerde informatie verschaffen over elk van de miljoen elektronpulsen per seconde die de machine zal produceren - een ongekende pulsfrequentie die de grenzen van de huidige diagnostische technologie overschrijdt. Virtuele diagnostiek kan ook nauwkeurige informatie verschaffen over de hoge-intensiteitsstraal van de FACET-II, wat een uitdaging is om te analyseren met fysieke apparaten.